Hoe Agentic Frameworks netwerktechniek veranderen

Heb je al een AI-chatbot geprobeerd om problemen op te lossen, misschien voor scripting? Het heeft soms geholpen. Maar toch begint je maandag op dezelfde manier: handmatig laboratoriumtopologieën bouwen, configuraties uit het geheugen schrijven en wijzigingen documenteren die niemand leest totdat er om 2 uur ’s nachts iets kapot gaat.

Het probleem is niet dat AI niet werkt. Het feit is dat de meeste netwerkingenieurs nog steeds op de bovenste twee treden van de vaardigheidsladder staan.

Drie niveaus van kunstmatige intelligentie voor netwerkengineering

• Niveau 1: Conversatie-AI. Vraag een LLM om “een BGP EVPN-configuratie te genereren voor mijn leaf-switches” en hij geeft een algemeen antwoord: hij kent de naamgevingsconventies, het adresseringsschema of de gevalideerde ontwerppatronen niet. Handig om te brainstormen, maar de sjabloon heeft geen toegang tot uw omgeving.
• Niveau 2: AI-assistenten. De LLM krijgt toegang tot externe bronnen: documentatie via RAG, API, bestanden. De AI-assistent van Cisco in Catalyst Center, gebaseerd op het Deep Network-model, is een goed voorbeeld: hij vraagt ​​de status van het netwerk op en geeft contextgevoelige antwoorden. Maar voor een workflow die uit meerdere stappen bestaat, zoals het maken van een laboratoriumtopologie, zit je vast één actie tegelijk uitvoeren.
• Niveau 3: Agentframework. Een AI-architectuur met één of meerdere agenten voldoet aan uw behoeften en orkestreert een complete meerstapsworkflow– met behulp van de tools, domeinkennis en standaarden van uw team – met beoordeling van cruciale stappen. Jij definieert het ‘wat’. De agent regelt het ‘hoe’.

De sprong van niveau 2 naar niveau 3 is niet voor de slimste modellen weggelegd. Dit is een andere architectuur.

Wat maakt een structuur agentisch

Vier hoofdcomponenten zorgen ervoor dat dit werkt voor netwerkengineering:

• De kunstmatige intelligentie-agent is de redeneringsmotor: een LLM die de vereisten interpreteert, de vaardigheden leest, de tools oproept en de volgende stap beslist. In geavanceerde configuraties werken meerdere agenten samen—een planningsagent ontwerpt de topologie terwijl een validatieagent de output controleert.
• Vaardigheden zijn markdown-bestanden die de domeinkennis van uw team coderen: naamgevingsconventies, ontwerppatronen, sjablonen. Wanneer een senior engineer vertrekt, gaat zijn ervaring ook mee. De vaardigheden leggen dit vast in een formaat dat agenten direct gebruiken: runbook dat de AI daadwerkelijk volgt.
• MCP-server (Model Context Protocol). bridge-agents en uw infrastructuur-API’s (Catalyst Center, vManage, CML, ISE) om de status te lezen, configuraties te verzenden of wijzigingen te valideren. Omdat MCP een open standaard is, draaien de servers zelf op elk compatibel framework.
• Menselijke poorten in het circuit zijn verplichte pauzepunten waar de agent op uw goedkeuring wacht. Niets raakt uw infrastructuur zonder expliciete toestemming. Dit is geen beperking; het is de functionaliteit die adoptie binnen bedrijven mogelijk maakt.

Hoe het er in de praktijk uitziet

Overweeg een gemeenschappelijke taak: bouw van een BGP EVPN-textiellaboratorium in Cisco-modelleringslaboratoria voor een proof-of-concept voor de klant.

• Handmatig: 2-4 uur. Onvolledige documentatie. Kennis blijft in het hoofd van een ingenieur.
• Agentisch raamwerk: 10-15 minuten. Volledige documentatie gegenereerd. Normen worden elke keer toegepast.

Engineer verzoek om "een BGP EVPN-fabric te bouwen - 2 spines, 2 leaves, OSPF-underlay, iBGP-overlay met VXLAN."





Agent genereert een plan - labnaam, 6 knooppunten, 8 links, basissettings, opstartvolgorde. Biedt het ter beoordeling aan.

Engineer bekijkt, past het VXLAN VNI-bereik aan, keurt goed.





Agent voert uit via MCP - create_lab → add_node (×6) → add_link (×8) → set_node_config → start_lab.





Agent controleert of alle knooppunten actief zijn, dat BGP EVPN-buren zijn gevestigd, dat VXLAN-tunnels actief zijn. Genereert documentatie.

De agent genereert geen tekst: het gaat om het uitvoeren van een werkstroom. Hij leest vaardighedenbestanden voor uw standaarden, roept MCP-tools op voor interactie met de CML API, pauzeert voor uw goedkeuring en produceert herbruikbare artefacten.

Bouw uw eerste workflow met behulp van agenten

U heeft de structuur: agenten, vaardigheden, MCP-servers, menselijke poorten. Nu heeft u een werkstroom nodig: een specifiek geautomatiseerd proces zoals het creëren van een laboratorium of het valideren van een ontwerp. Agentische structuren zoals Code Claudio, OpenCode, Windsurfen, EN Cursor ondersteunen allemaal MCP en kunnen deze workflows orkestreren. De voorbeeldrepository gebruikt Claude Code om het volledige model te verkennen:

1. Vaardigheden definiëren – Markdown-bestanden die de domeinkennis van uw team vastleggen. De repository bevat kant-en-klare expertise voor EVPN-fabricstandaarden, naamgevingsconventies en IOS XE-configuratiesjablonen. Begin met een workflow die u wekelijks herhaalt en codeer de beslissingen die u elke keer neemt.
2. Verbind de MCP-servers – elke server verbindt een agent met een specifieke platform-API. De repository bevat een CML MCP-server die u naar uw lab-exemplaar kunt verwijzen. CML is het ideale startpunt: laag risico, hoge herhaling.
3. Agenten configureren – definieer wat elke agent doet en hoe ze samenwerken. De repository omvat een planningsagent die topologieontwerpen genereert en een validatieagent die de output controleert. Tussen de stappen door beoordelen en goedkeuren.
4. Maak opdrachten – breng de workflow samen in één enkele aanroep: vereisten analyseren → plan genereren → menselijke poort → uitvoeren → valideren → documenteren.

Als de normen veranderen, werkt u het vaardighedenbestand bij, u hoeft niemand op te leiden. Elke interactie met een agent profiteert ervan.

Kloon de repository, wijs de MCP-server naar uw CML-instantie en voer uw eerste door agenten ondersteunde EVPN-build uit in minder dan 30 minuten.

De verandering die ertoe doet

Het gaat niet om het vervangen van netwerkingenieurs: het gaat om de opkomst van AI-aangedreven netwerkingenieur. AI versnelt niet alleen de uitvoering, maar geeft ook vorm aan de manier waarop ingenieurs ontwerpen, problemen oplossen, kennis documenteren en behouden. Gespecialiseerde agenten kunnen topologieën plannen, configuraties valideren of problemen parallel oplossen, waardoor werkuren worden teruggebracht tot minuten. Vaardighedenbestanden coderen jarenlange tribale kennis die anders zou worden verloren als een senior ingenieur vertrekt. De rol van de ingenieur verandert van taakuitvoerder naar orkestrator, curator en beslisser.

Deze verandering vereist vangrails. LLM’s zijn misleidend: ze kunnen plausibel ogende configuraties genereren met onjuiste subnetmaskers of niet-bestaande CLI-opdrachten. Menselijke poorten in het circuit zijn geen optie: ze zijn een fundamentele architecturale vereiste die de controle van de ingenieur behoudt terwijl de AI een groter deel van de workflow overneemt.

Cisco beweegt al in deze richting: Meraki’s Agentic Workflows, AgenticOps en Deep Network Model integreren allemaal AI in netwerkactiviteiten. De hier beschreven aanpak is complementair voor ingenieurs die behoefte hebben aan aangepaste workflows of platformonafhankelijke orkestratie.

De diepere impact is organisatorisch. Agentische structuren zetten individuele vaardigheden om in gedeelde capaciteiten. Ontwerppatronen worden vaardigheden. Gevalideerde ontwerpen worden modellen. Kennis die maanden van onboarding vergt om over te dragen, is vanaf de eerste dag beschikbaar en wordt bij elke interactie verbeterd.

Begin klein. Kies een workflow die u elke week wilt herhalen. Bouw een vaardighedendossier op. Codeer wat u al weet. Voer uw eerste workflow-build uit via agenten. De overgang van chatten met de AI naar het werken met een AI-agent is kleiner dan je denkt… en de impact is groter dan je verwacht.

---