Het zware, herhaalbare werk
- Code lezen, doorzoeken en samenvatten
- Specs en plannen uitwerken en bekritiseren
- Implementeren binnen een afgebakend plan
- Tests schrijven en draaien
- Een eerste review en het vinden van randgevallen
- Documentatie bijwerken
Agentic engineering
Zo werk ik met AI-agents.
Ik gebruik AI-agents elke dag: om bugs op te lossen, features te bouwen, plannen te maken en code te reviewen. Ze maken me sneller. Maar de verantwoordelijkheid voor wat er in jouw systeem terechtkomt, ligt altijd bij mij. Op deze pagina lees je hoe dat in de praktijk gaat.
Bijgewerkt: september 2026 · deze werkwijze ontwikkelt zichVan vraag naar merge
Zo loopt een feature bij mij.
Geen losse prompts, maar een vaste werkwijze. Dezelfde discipline als altijd: specs, kleine stappen, tests en review. Alleen gaat het uitvoerende werk nu grotendeels via agents.
Verkennen en begrijpen
Agents doorzoeken de codebase, volgen de keten en vatten samen wat er draait. Ik stel de vragen en toets of het beeld klopt.
Claude CodeCodexSpec en plan, samen gesparred
Ik schrijf de spec samen met een agent en laat een tweede agent kritisch meelezen. Het resultaat is een plan in kleine, toetsbare stappen.
spec.mdplan.mdik keur goedParallel bouwen
Meerdere agents werken tegelijk, elk in een eigen git-worktree en branch. Ik houd overzicht en stuur bij waar nodig.
herdrgit worktreespiTesten en reviewen
Tests draaien automatisch. Een aparte agent reviewt de wijziging met een frisse blik, en bevindingen komen bij mij terug.
testsagent-reviewBeslissen en overdragen
Ik lees elke diff, stel bij en beslis. Pas dan gaat het als pull request naar het team, met de gebruikelijke review en pipeline.
mijn reviewpull requestCI/CD
Rolverdeling
Wat agents doen, en wat ik doe.
Oordeel en verantwoordelijkheid
- Architectuur- en ontwerpkeuzes
- Beveiliging en omgang met data
- Financiële en domeinlogica
- De laatste review van elke wijziging
- Wat er naar het team en naar productie gaat
- Afstemming met mensen: team, architecten, stakeholders
Klantdata en vertrouwelijkheid
Heldere afspraken, per opdracht.
Bij detachering bepaal jij als opdrachtgever hoe er gewerkt wordt. Deze regels hanteer ik altijd, en ik stem ze aan het begin van elke opdracht met je af.
Jouw beleid gaat voor
Ik gebruik alleen AI-tools en -accounts die binnen jouw beleid vallen. Is AI niet toegestaan, dan werk ik zonder.
Lokaal waar het kan
Voor taken die geen groot model nodig hebben, zoals logging doorzoeken of kleine hulptools bouwen, gebruik ik lokale modellen die op mijn eigen machine draaien. Er gaat dan niets naar buiten.
Binnen jouw omgeving
Heeft je organisatie eigen AI-voorzieningen, bijvoorbeeld in je eigen cloudomgeving? Dan werk ik daar het liefst mee.
Transparant en onafhankelijk
Je weet welke tools ik gebruik en waarvoor. Ik heb geen commerciële banden met AI-leveranciers en kies tools puur op wat werkt.
Geen gevoelige data naar buiten
Geen secrets, wachtwoorden, persoonsgegevens of productiedata in externe modellen. Voor tests gebruik ik synthetische data.
Geen agents op productie
Agents werken in een afgeschermde ontwikkelomgeving, met beperkte rechten en zonder toegang tot productiesystemen.
Eerlijk over AI
Wat het oplevert, en waar het tekortschiet.
AI-agents zijn krachtig, maar geen wondermiddel. Juist daarom werk ik met een vaste discipline.
- Sneller van vraag naar werkende versieAnalyse, eerste implementatie en tests gaan veel sneller. Daardoor houd ik meer tijd over voor ontwerp en review.
- Meer ideeën, beter getoetstSparren met agents levert meer opties op. Een tweede agent die kritisch meeleest, vangt fouten vroeg.
- Agents missen contextZe kennen je organisatie, je historie en je ongeschreven regels niet. Daarom ligt het ontwerp bij mij.
- Zelfverzekerd foutAgents kunnen overtuigend iets verkeerds opleveren. Daarom lees ik elke wijziging en vertrouw ik op tests, niet op de toon.
Gereedschap
Waar ik nu mee werk.
De tools veranderen snel; de werkwijze blijft. Dit is mijn huidige set.
Claude Code, Codex en pi
Voor analyse, bouwen, refactoren en review. Ik kies per taak het model dat het beste past.
herdr
Een werkomgeving in de terminal om meerdere agents en sub-agents naast elkaar te laten werken en te volgen.
Ollama
Open modellen op mijn eigen machine, voor taken die geen groot model nodig hebben: logging doorzoeken, hulptools bouwen, experimenteren.
Specs, tests, review
AGENTS.md-afspraken per repository, kleine stappen en een review voor elke merge.
Wil je dit ook in je eigen team?
Hulp bij het invoeren van agentic engineering, workshops en AI-proofs of concept doe ik via mijn andere bedrijf, Minth IT.
Benieuwd hoe dit in jouw team werkt?
Ik vertel er graag meer over, ook over wat je beter níet aan een agent overlaat.