🤖 AI

Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

Dit artikel stelt een pijplijn voor voor het dynamisch genereren van agents op basis van persona's op vraag en tijdens runtime om de beperkingen van vaste, hard-gecodeerde multi-agent-architecturen te overwinnen door workflows af te stemmen op specifieke gebruikersbehoeften en contexten.

Oorspronkelijke auteurs: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een restaurant binnenloopt waar de keuken wordt geleid door een team van robots. In de huidige versie van dit restaurant hebben de robots vaste banen die nooit veranderen. De ene robot is altijd de chagrijnige chef die alleen korte, technische commando's spreekt. Een andere is altijd de trage, overdreven beleefde ober. Ongeacht wie je bent of wat je bestelt, de keuken werkt precies op dezelfde manier. Als je een snelle, informele maaltijd wilt, moet je toch nog steeds omgaan met de chagrijnige chef. Wil je een gedetailleerde uitleg over je eten, dan moet je toch nog steeds wachten op de trage ober.

Dit artikel stelt dat deze "een-op-maat" aanpak het potentieel van AI beperkt. De auteurs, onderzoekers van de Politecnico di Torino, stellen een nieuwe manier voor om deze AI-teams (zogenaamde "multi-agent systemen") te bouwen, waarbij de robots hun persoonlijkheid en rollen ter plekke kunnen aanpassen, speciaal voor jou.

Hier is hoe hun idee werkt, opgesplitst in eenvoudige stappen:

Het Probleem: De Starre Keuken

Op dit moment zijn de meeste geavanceerde AI-systemen opgebouwd met een "hard-gecodeerde" structuur. De ontwerpers beslissen van tevoren: "Agent A zal altijd de planner zijn, Agent B zal altijd de onderzoeker zijn, en ze zullen altijd in deze specifieke volgorde met elkaar communiceren."

Het Probleem: Als je een expert bent die een snel antwoord wil, kan het systeem je toch dwingen door een langzaam, beginner-vriendelijk proces. Als je een beginner bent die een vriendelijke uitleg nodig heeft, kan het systeem je een koude, technische rapportage geven. Het systeem kent jou niet; het kent alleen zijn vooraf geschreven script.

De Oplossing: De "Chamaleon"-Keuken

De auteurs stellen een systeem voor waarbij het AI-team in real-time wordt opgebouwd op basis van wat je op dat exacte moment nodig hebt. Denk aan een keuken waar de robots zich direct kunnen transformeren in het persona dat nodig is om jou specifiek te helpen.

Als je een complexe vraag stelt, kan het systeem direct een persona creëren van een "streng maar briljante professor" om de details uit te leggen. Als je een simpele vraag stelt, kan het overschakelen naar een "vriendelijke buur" persona om een snelle, informele antwoord te geven.

Hoe Het Werkt: De Vier-Stappen Pipeline

Het artikel beschrijft een specifiek proces (een pipeline) dat elke keer plaatsvindt als je een vraag stelt. Hier is het verloop:

Luisteren en Begrijpen (Query-analyse):
Eerst luistert het systeem naar je vraag. Het leest niet alleen de woorden; het probeert uit te zoeken wie je bent (ben je een expert of een beginner?) en wat je echt wilt (heb je een korte samenvatting nodig of een diepgaande analyse?). Het breekt je grote vraag op in kleinere, hanteerbare taken.
Het Team Creëren (Agent-generatie):
Dit is de magische stap. Op basis van wat het in stap één heeft geleerd, creëert het systeem direct de perfecte AI-agenten.
- Het kiest niet uit een vooraf gemaakte lijst. Het schrijft een nieuwe "functieomschrijving" (een persona) voor een robot die past bij je behoeften.
- Voorbeeld: Als je een programmeur nodig hebt, creëert het een "precieze, zakelijke programmeur" persona. Als je een creatieve schrijver nodig hebt, creëert het een "imaginatieve, bloemrijke schrijver" persona.
- Het "wakt" vervolgens deze nieuwe agenten op, waarbij het hen hun specifieke instructies en persoonlijkheidseigenschappen geeft.
Het Team Gaat aan het Werk (Uitvoering):
Het systeem wijst de kleine taken toe aan de nieuw gecreëerde agenten. Als twee taken tegelijk kunnen worden gedaan, werken de agenten parallel. Als één taak het resultaat van een andere nodig heeft, zorgt het systeem ervoor dat de eerste agent klaar is voordat de tweede begint. Ze werken samen, maar ze zijn allemaal op maat gemaakt voor je specifieke verzoek.
De Eindschotel Serveren (Aggregatie):
Zodra alle agenten hun deel hebben voltooid, verzamelt het systeem hun werk. Het plakt de stukken samen tot één soepel, coherent antwoord. Het zorgt ervoor dat de toon consistent is en dat het eindresultaat exact overeenkomt met wat je hebt gevraagd, waarbij herhaling of verwarring wordt verwijderd.

Waarom Dit Belangrijk Is

Het belangrijkste punt van het artikel is dat we AI-agenten niet langer moeten behandelen als statische tools met vaste persoonlijkheden. In plaats daarvan moeten we ze behandelen als dynamische performers die hun act kunnen aanpassen aan het publiek.

Huidige manier: Jij moet je aanpassen aan de vaste stijl van de AI.
Nieuwe manier: De AI past zijn stijl, rol en teamstructuur aan om bij jou te passen.

De auteurs geloven dat dit de technologie nuttiger en minder frustrerend maakt. Het stelt het systeem in staat om een "chamaleon" te zijn, die zijn kleuren verandert om te matchen met de expertise, voorkeuren en de specifieke situatie van de gebruiker, in plaats van elke gebruiker te dwingen in een enkel, star model te passen.

Kortom: In plaats van een robotteam dat altijd hetzelfde doet, stel je een team voor dat direct kan worden wat de exacte experts zijn die je nodig hebt, die spreken op de manier die je prefereert, elke keer opnieuw als je om hulp vraagt. Dat is wat dit artikel voorstelt.

Gebaseerd op het artikel "Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs" van Arbore, Sillano en De Russis, volgt hier een gedetailleerde technische samenvatting.

1. Probleemstelling

Huidige multi-agent systemen (MAS) aangedreven door Large Language Models (LLM's) lijden onder stijve architecturale beperkingen.

Vaste keuzes tijdens het ontwerp: Bestaande systemen vertrouwen op hard-gecodeerde agentrollen, vooraf gedefinieerde coördinatiepatronen en statische interactiestromen die vóór de implementatie zijn vastgesteld.
Gebrek aan aanpasbaarheid: Deze vaste schema's maken het moeilijk om interacties af te stemmen op specifieke gebruikersbehoeften, ervaringsniveaus of contextuele nuances zonder handmatig prompts te herschrijven of orkestratielogica opnieuw te ontwerpen.
Het gat: Hoewel "persona-prompting" bekend staat om zijn invloed op het redeneren en de outputstijl van LLM's, behandelen huidige agentarchitecturen persona's niet als dynamische variabelen tijdens de uitvoering. In plaats daarvan blijven ze statische "stijleditors" en geen kernarchitecturale componenten voor aanpasbaarheid.

2. Methodologie: De On-Demand Persona-Generatiepijplijn

De auteurs stellen een nieuwe pijplijn voor die de configuratie van agenten verschuift van ontwerptijd naar uitvoeringstijd. Het systeem synthetiseert agentpersona's en rollen dynamisch op basis van de gebruikersvraag, kenmerken en taakcontext.

De pijplijn werkt op een sessiegebaseerd model (waarbij coherentie wordt behouden over meerdere vragen binnen een sessie) en bestaat uit vier distincte stappen die worden beheerd door een centrale Orchestrator:

Stap 1: Query-analyse

De orchestrator transformeert ruwe, open-ended gebruikersinvoer naar een gestructureerde representatie zonder vooraf gedefinieerde sjablonen af te dwingen.

ProfileEncode: Analyseert de gebruikersvraag (expliciete of impliciete signalen) om een gebruikersprofiel ( $u$ ) te genereren. Dit vangt domeinexpertise, voorkeur communicatiestijl, taakbekendheid en specifieke intentie op.
TaskDecompose: Breekt de vraag op in een reeks discrete taken ( $t_1...t_n$ ). Cruciaal is dat deze stap afhankelijkheden tussen taken in kaart brengt, waardoor wordt bepaald welke parallel kunnen worden uitgevoerd en welke sequentieel moeten zijn.

Stap 2: Agentgeneratie en Instantiatie

Dit is de kerninnovatie waarbij statische rollen worden vervangen door dynamische synthese.

PersonaCraft: Voor elke subtaak synthetiseert het systeem dynamisch een Persona Specificatie ( $p_i$ ). Deze specificatie definieert de rol van de agent, domeincompetenties, communicatiestijl en toolgebruikscapaciteiten. Het zorgt ervoor dat er geen dubbele rollen worden gecreëerd en dat deze in lijn zijn met het gebruikersprofiel.
AgentFactory: Instantieert een door een LLM-aangedreven agentinstantie ( $a_i$ ) met behulp van de gesynthetiseerde persona. De persona fungeert als een configuratielaag die de redeneerstijl, interactiegedrag en outputformaat van de agent vormgeeft.

Stap 3: Agenttoewijzing en Executie

De orchestrator beheert de uitvoeringsflow op basis van het in Stap 1 gegenereerde afhankelijkheidsgrafiek.

Planning: Taken zonder afhankelijkheden worden parallel uitgevoerd; afhankelijke taken worden sequentieel in de wachtrij geplaatst.
Gestuurde informatierouting: Agenten ontvangen alleen de specifieke context en deels resultaten die ze nodig hebben van voorgaande agenten. Dit behoudt modulariteit en voorkomt dat agenten de interne werking van anderen hoeven te kennen.
Executie: Elke agent voert zijn toegewezen taak ( $r_i$ ) uit en retourneert een deels resultaat.

Stap 4: Antwoorden Aggregatie en Weergave

Integratie: De orchestrator aggregeert alle deels resultaten ( $r_1...r_n$ ).
Verfijning: Het voegt antwoorden samen, lost inconsistenties op, verwijdert redundantie en stemt de uiteindelijke output af op de gevraagde stijl en indeling van de gebruiker.
Levering: Een enkele, coherente reactie ( $R$ ) wordt aan de gebruiker geleverd.

Sessiecontinuïteit: Als een gebruiker binnen dezelfde sessie een nieuwe vraag indient, wordt de pijplijn opnieuw uitgevoerd. Eerder geïnstancieerde agenten en persona's worden behouden, en nieuwe worden alleen toegevoegd als er extra specialisatie vereist is.

3. Belangrijkste Bijdragen

Runtime Persona-synthese: Het artikel introduceert een kader waarin agentrollen en interactiebeleid geen vaste constanten zijn, maar variabelen tijdens de uitvoering die op aanvraag worden gegenereerd om te matchen met de gebruikerscontext.
Systematische Integratiepijplijn: Het beschrijft een technische pijplijn van vier stappen (Analyse, Generatie, Executie, Aggregatie) die persona-crafting direct integreert in de agentorkestratielus.
Sessiegebaseerde Aanpasbaarheid: Het ontwerp stelt het systeem in staat om zich binnen een sessie te ontwikkelen, waarbij nuttige agenten worden behouden terwijl er dynamisch nieuwe worden toegevoegd, waardoor coherentie wordt gewaarborgd zonder een volledige systeemreset.
Koppeling losmaken van Gebruiker en Systeemtopologie: Het systeem past zich aan de gebruiker aan, in plaats van de gebruiker te dwingen zich aan te passen aan een vaste agenttopologie.

4. Resultaten en Evaluatie

Opmerking: Aangezien dit lijkt te gaan om een position paper of een voorstel voor een workshop (AutomationXP26), presenteert de tekst geen kwantitatieve empirische resultaten (zoals benchmarkscores, latentie-metingen of statistieken van gebruikersstudies).

Kwalitatief Argument: De auteurs betogen dat deze aanpak de "frictie" aanpakt die gebruikers ervaren met stijve multi-agent systemen.
Theoretische Validatie: De methodologie maakt gebruik van bestaand onderzoek dat aantoont dat persona-prompting invloed heeft op redeneerstrategieën, zero-shot prestaties en interactiekwaliteit (geloofwaardigheid, betrokkenheid).
Verschuiving in Ontwerpparadigma: De "resultaten" worden gepresenteerd als een nieuw ontwerpparadigma voor agentplatforms, dat verder gaat dan "one-size-fits-all" configuraties richting contextgevoelige aanpasbaarheid.

5. Betekenis en Impact

Verbeterde Personalisatie: Door persona's te behandelen als gecontroleerde variabelen, kan het systeem interacties afstemmen op diverse gebruikersachtergronden, ervaringsniveaus en voorkeuren (bijv. toon, woordkeuze).
Schaalbaarheid van Aanpassing: Het lost het schaalbaarheidsprobleem van handmatige configuratie op. In plaats van duizenden vooraf gedefinieerde agentprofielen te creëren, genereert het systeem het benodigde profiel voor het specifieke moment.
Mens-AI Samenwerking: Deze aanpak verlaagt de cognitieve last voor gebruikers die niet langer complexe agenthiërarchieën hoeven te begrijpen. Het systeem wordt een "vloeibare" interface die zich vormt naar de intentie van de gebruiker.
Toekomst van Agent-AI: Het artikel positioneert on-demand persona-generatie als een fundamentele architecturale pijler (naast geheugen, tools en orkestratie) voor de volgende generatie toegankelijke en betekenisvolle agent systemen.