Een agent bouwen in Foundry: vijf keer iets menselijks toevoegen

Een lege agent heeft geen karakter, geen handen, geen geheugen, geen geweten en geen spiegel. Vijf stappen in de Foundry-portal geven hem ze alle vijf, en elke stap laat meteen zien wat AI-901 in domein 2 aan het toetsen is.

De meeste mensen klikken door die vijf stappen in de volgorde die de portal aangeeft, en als alles is ingevuld voelt het als klaar. Maar “klikken” en “snappen” zijn twee verschillende dingen, en het tweede is wat je nodig hebt als een collega later vraagt waarom de agent iets gezegd heeft dat niet klopte. Dit artikel loopt mee door de vijf lagen in de volgorde waarin je ze in Foundry aanzet, met per laag een concrete check die je op je eigen agent kunt draaien.

Karakter: de system prompt

De system prompt legt vast wie de agent is, waar hij over praat en wat hij niet doet. Bij een agent voor Power BI-rapportvragen betekent dat concreet: hij antwoordt alleen over gepubliceerde workspaces, hij noemt geen klantnamen, en als hij iets niet zeker weet zegt hij dat expliciet in zijn antwoord. Die drie dingen schrijf je op in gewone taal, niet in code.

De toets voor een goede system prompt is simpel: kan een collega die alleen die prompt leest, afleiden wat de agent wel en niet mag? Als het antwoord nee is, is de prompt te vaag. “Antwoord op vragen over Power BI” is te vaag. “Antwoord alleen op vragen over rapporten in gepubliceerde workspaces van het productie-tenant van onze organisatie, en verwijs gebruikers naar de teamleider als de vraag over autorisaties gaat” is concreet genoeg.

Handen: de tools

Tools zijn wat de agent daadwerkelijk kan doen in de echte wereld: een Fabric-semantic-model bevragen, een SharePoint-lijst lezen, een API aanroepen. In Foundry koppel je die via MCP. De praktische vuistregel is leesrechten als dat volstaat, en niet meer rechten dan zijn taak vereist.

Er is een onderscheid dat het waard is om bewust een keer te zien: zet zijn tools uit, en zijn kunnen valt weg terwijl zijn karakter blijft staan. Hij weet nog steeds wie hij is en wat hij mag zeggen, maar hij kan niets meer ophalen. Karakter en handen zijn dus twee aparte lagen, ook al lijken ze bij een werkende agent op hetzelfde neer te komen.

Geheugen: de grounding

Grounding is waar de agent zijn kennis vandaan haalt op het moment dat hij antwoordt. Foundry IQ biedt drie opties: SharePoint, Fabric en Bing. Naast die drie staat de Fabric data agent in Copilot Studio in Public Preview, waarmee een agent ook een Fabric-semantic-model als grounding-bron kan gebruiken.

Elke bron heeft zijn eigen bereik, en dat bereik is precies de grens van wat de agent mag weten. Een SharePoint-bibliotheek met onboarding-documenten dekt onboarding-vragen maar geen contractdetails, en een semantic model dekt cijfers maar niet de toelichting bij die cijfers. Grounding is geen aan-of-uit-instelling maar een ontwerpbeslissing: welke bron, met welke scope, voor welke vraag?

Geweten: de guardrails

Content Safety, Prompt Shields en Groundedness Detection detecteren wat er mis kan gaan. Prompt Shields let op jailbreak-pogingen en indirecte prompt-injectie in bronnen, Groundedness Detection merkt op als de agent buiten zijn grounding praat. Voorkomen doen ze het niet: ze detecteren, en er blijft menselijk oordeel nodig bovenop de technische detectie.

Dat leidt tot een ontwerpvraag die buiten de guardrail-instellingen valt maar in het ontwerp van de agent zit: wat doet hij als hij het niet zeker weet? Valt er iets terug op een mens, of praat hij door alsof er niets aan de hand is? Die vraag stelt zichzelf niet vanzelf als je door de portal klikt.

Spiegel: de trace

Microsoft is er helder over: Copilot-outputs zijn nondeterministic, ook bij dezelfde prompt en dezelfde grounding. De trace laat per antwoord zien welke bronnen, tools en tussenstappen de agent pakte, en dat is de plek waar “werkt” en “klopt” twee verschillende dingen worden.

Als hij bij dezelfde vraag twee keer een ander antwoord geeft, moet je in de trace kunnen uitleggen waarom. Welke bron pakte hij de eerste keer, welke de tweede? Welke tussenstap leverde een ander resultaat op? Kun je dat niet uitleggen, dan is de agent misschien klaar voor een demo maar nog niet klaar voor een werkproces waarbij mensen op zijn antwoorden vertrouwen.

De vijf lagen in je hoofd krijgen

Vijf lagen, vijf menselijke woorden. Flip de kaarten en kijk of je bij elke laag de Foundry-instelling en de bijbehorende check al paraat hebt.

De vijf lagen als checklijst

AI-901 toetst deze vijf in domein 2, maar de vragen erachter horen op elke agent die je morgen op werk zet, examen of geen examen. Ontbreekt er een laag, dan blijft er iets liggen bij de persoon die er straks mee moet werken. Loop ze langs op je eigen agent en vink af wat op orde is.

Wil je dit stappenplan doorlopen voor een eigen Foundry-agent, of meer weten over de AI-901 studieroute? Kijk op trainerbjorn.nl of stuur een bericht via de contactpagina.