Introductie
In deze tutorial duiken we dieper in hoe OpenClaw agents onder de motorkap werken. Je leert over context windows, tool access, decision-making loops, en hoe je agents effectief kunt prompting voor optimale resultaten.
Deze kennis helpt je om beter te begrijpen waarom agents bepaalde keuzes maken en hoe je je samenwerking met agents kunt optimaliseren.
Wat je gaat leren
- Hoe agents redeneringen opbouwen en beslissingen nemen
- Context windows en memory management
- Tool selection en execution strategies
- Error handling en recovery mechanisms
- Geavanceerde prompting-technieken
- Agent-limitaties en wanneer je ze niet moet gebruiken
Vereisten
- Voltooiing van de Aan de slag tutorial
- Ervaring met minstens 5-10 OpenClaw-taken
- Begrip van basis AI/LLM concepten (optioneel maar nuttig)
Hoe Agents Werken: De Decision Loop
Elke OpenClaw agent werkt met een decision loop:
- Perceive: De agent leest je prompt en analyseert de huidige context
- Reason: De agent formuleert een plan om de taak uit te voeren
- Act: De agent voert actions uit (bijv. bestanden lezen, code schrijven)
- Observe: De agent beoordeelt de resultaten van zijn acties
- Iterate: Terug naar stap 2 tot de taak voltooid is
Voorbeeld: Bij "Add logging to all functions" zal de agent eerst bestanden scannen (perceive), een lijst van te wijzigen functies maken (reason), logging-statements invoegen (act), compilatie controleren (observe), en fouten fixen indien nodig (iterate).
Context Windows: Wat de Agent Ziet
Agents hebben een context window – een limiet op hoeveel informatie ze tegelijk kunnen verwerken. Voor Claude Sonnet 4.5 is dit ~200.000 tokens (ongeveer 150.000 woorden).
OpenClaw beheert dit automatisch door:
- Relevantiefiltering: Alleen relevante bestanden worden in context geladen
- Summarization: Grote bestanden worden samengevat als volledige inhoud niet nodig is
- Incremental loading: Context wordt uitgebreid naarmate de agent meer informatie nodig heeft
Limitatie: Op zeer grote codebases (100.000+ regels) kan de agent niet alle code tegelijk zien. Wees specifiek over welke delen relevant zijn, of gebruik --scope flags.
Tool Access: Wat Agents Kunnen Doen
OpenClaw agents hebben toegang tot een set tools:
- File operations: read, write, edit, delete bestanden
- Terminal: bash commands uitvoeren (build, test, git, etc.)
- Web search: documentatie opzoeken, StackOverflow raadplegen
- Code analysis: AST parsing, type checking, linting
Agents kiezen autonoom welke tools ze gebruiken op basis van de taak. Je kunt tool access beperken met configuratie:
Effectief Prompting: Technieken
1. Chain-of-Thought Prompting
Vraag de agent om zijn redenering expliciet te delen:
2. Few-Shot Examples
Geef voorbeelden van de gewenste output:
3. Constraint Setting
Definieer duidelijke grenzen:
4. Persona Assignment
Geef de agent een specifieke rol:
Error Handling & Recovery
Agents maken fouten. Wanneer dat gebeurt:
- Observatie: De agent detecteert de fout (bijv. failing tests, syntax errors)
- Diagnose: De agent analyseert error messages en stack traces
- Correctie: De agent probeert automatisch te herstellen
- Escalatie: Als herstel mislukt, vraagt de agent om menselijke hulp
Tip: Agents zijn beter in herstel als je duidelijke test suites hebt. Tests geven directe feedback over wat werkt en wat niet.
Wanneer Agents NIET te Gebruiken
Agents zijn krachtig, maar niet altijd de juiste tool. Vermijd agents voor:
- Triviale taken: Simpele find-replace is sneller met regex
- Hoge-risico operaties: Database migrations, production deploys (zonder review)
- Creative design: UI/UX ontwerp vereist menselijke esthetische judgement
- Domain expertise: Zeer gespecialiseerde domeinen waar de agent geen training op heeft
Volgende stappen
Met dit begrip kun je:
- Effectievere prompts schrijven die agents beter begrijpen
- Agent-gedrag voorspellen en anticiperen
- Complexere workflows bouwen met meerdere agents
- Probeer de Custom Workflow tutorial om je kennis toe te passen