Agentic coding, uitgelegd: van autocomplete naar autonome agents

Vier jaar geleden betekende 'AI coding' autocomplete: een model raadselde de volgende regel code op basis van de cursor context. Nu betekent het iets veel groter. Agentic coding tools plannen multi-file wijzigingen, voeren tests uit, lezen logs, roepen APIs aan, schrijven pull requests, en beslissen wanneer ze moeten stoppen en je een vraag stellen. Het gat tussen de twee categorieën is groter dan de meeste ontwikkelaars beseffen.

Autocomplete vs agent: de korte versie

Autocomplete is reactief. Het wacht op je cursor, voorspelt en stopt. Een agent is proactief. Je geeft het een doel ('refactor this module to use the new auth pattern, run the tests, open a PR'), en het ontleedt dat in stappen, voert elke uit, controleert zijn eigen werk en rapporteert terug. Dezelfde underlying modellen kunnen beide doen — het verschil zit in hoe de tool ze verpakt.

Wat een tool 'agentic' maakt is een lus: plan, act, observe, decide. Bij elke beurt kiest de agent een tool (een bestand lezen, een bestand schrijven, een test uitvoeren, het web doorzoeken, je vragen), voert het uit, kijkt naar het resultaat en besluit wat als volgende. Zestig tool calls om één ticket te sluiten is normaal.

Waarom één model niet bij elke request past

Een goede agent behandelt elke request niet als hetzelfde probleem. 'Fix this typo' is niet hetzelfde als 'audit the auth layer for token leakage.' Ze willen andere modellen, andere tools en verschillende hoeveelheden voorzichtigheid.

Ava Supernova regelt dit met zeven modi — denktoestanden, geen UI skins. Elke modus heeft een andere mindset, een ander tool palette, en in veel gevallen verschillende specialist personas die eronder draaien.

• Work — builder mindset, het volledige tool palette van meer dan 120, schrijft code en brengt het uit.
• Plan — architect mindset, read-only, denkt na voordat het iets aanraakt.
• Chat — vriendelijke instelling, voor de niet-programmerende helft van je brein (geheugen, dagboek, weer, nieuws).
• Onderwijs — leermeester-instelling, vijf specialisten die een curriculum opbouwen, content schrijven, feiten controleren, quizzen en lesgeven.
• Beveiliging — auditor-instelling, verkenning + scanner + CVE-onderzoeker + verifieerder + rapporteur.
• Brainstorm — ideeëngeneratie-instelling, vijf specialisten die verkennen, onderzoeken, ideeën genereren, deze uitdagen en verfijnen.

Wat "geheugen" betekent voor een agent

Autocomplete-tools zijn staatloos — elke aanvraag begint opnieuw. Agents hebben geheugen nodig om echt werk te doen over weken en maanden. Zonder dit leg je het project elke sessie opnieuw uit. Ava gebruikt een 5-laags geheugen (extraheren, reflecteren, accumuleren, analyseren, consolideren) dat bouwt op wat er over jou, je projecten, je voorkeuren en de feedback die je hebt gegeven toe doet.

Hoe begin je agentiek te denken

Als je autocomplete hebt gebruikt en wilt overstappen naar agent-gestuurd werk, gaat de verschuiving minder over prompt engineering en meer over taakformulering. In plaats van "schrijf een functie die X doet", probeer "hier is een doel en de beperkingen, beslis hoe je daar komt en vertel me als je tegen een muur loopt." Goede agents zetten dat om in een plan, brengen de muur aan het licht voordat het een uur rekenkracht kost, en verdienen je vertrouwen in de loop van de tijd.

De wrijving bij het bouwen van vertrouwen naarmate de agent meer geheugen opbouwt. Aanvankelijk zal hij meer controleren; naarmate je feedback binnenkomt, vraagt hij minder. Acties met hoge risico's worden nooit vrijgegeven — de agent pauzeert altijd voordat hij vernietigende acties uitvoert.

Agentiek coderen is geen grotere autocomplete. Het is een andere relatie met je tools — dichter bij een teamlid dan een toetsenbordmacro. De tools die dit als eerste begrijpen, zullen de manier waarop software wordt gebouwd herdefiniëren.