Botpress Engine
Waarom is dit anders dan andere AI-engines?
Elk AI-platform gebruikt LLM's. Maar dat betekent niet dat ze allemaal dezelfde kwaliteit van AI aan hun klanten leveren.
Geloof ons niet zomaar. Meet het zelf.
We hebben de Botpress Engine getest op een goedkope LLM en deze vergeleken met de industriestandaard die op een dure LLM draait. (Ja, zo zeker zijn we van onze zaak.)
AI-first sinds 2017.
We zijn begonnen met het bouwen van LLM's.
Nu gebruiken we die diepgaande technische expertise om jou te helpen je klanten beter te bedienen.
Vervangt tool-calling door directe code-uitvoering voor elke agent-actie.
Een schema-bibliotheek die de LLM precies vertelt wat het van elke tool kan verwachten.
Leert van menselijke feedback om de nauwkeurigheid van de agent in de loop van de tijd te verbeteren.
LLMz-framework
Code-uitvoering, geen tool-calling
De meeste AI-agenten werken met tool-calling: de LLM kiest een tool (zoals het opzoeken van een bestelling of het ophalen van een klantrecord), krijgt een antwoord, kiest dan de volgende tool, en herhaalt dit.
Wij doen dit niet.
Waarom? Omdat LLM's veel beter zijn in het schrijven van code dan in tool-calling.
Dus in plaats van tool-calling worden op het LLMz Framework jouw instructies in gewone taal omgezet in code. Specifiek in Typescript.
Dat betekent dat als je verzoek uit meerdere onderdelen bestaat (zoals het ophalen van een klantrecord en daarna het opzoeken van een bestelstatus), we al die verzoeken samenvoegen tot één, in plaats van losse tool-calls.
Wat betekent dat voor onze klanten?
Kostenefficiënter
Eén uitvoering per verzoek is natuurlijk goedkoper dan aparte verzoeken voor elke actie.
(Vraag ons niet waarom onze concurrenten dit niet doen. Wij weten het ook niet.)
Veiliger redeneren
Omdat het één groot verzoek is dat uit code bestaat, kan de LLM fouten onderweg opmerken en corrigeren, in plaats van in Stap 1 een aanname te doen die in Stap 3 tot een fout leidt.
ZUI-bibliotheek
Exacte uitkomsten, geen gokwerk
Jouw AI-agenten gebruiken tools om je klanten te helpen — bijvoorbeeld door een CRM te gebruiken om een klantrecord op te halen.
Als een verzoek meerdere tools nodig heeft (zoals een klantrecord ophalen en daarna een bestelstatus controleren), gokken LLM's soms wat de tool zal teruggeven.
En als je 10 tool-stappen aan elkaar koppelt, stapelen die gokjes zich op en kunnen ze tot fouten leiden.
Wat de ZUI Library doet, is een strikt gedefinieerde output afdwingen voor elke tool. Zo weet de LLM altijd precies wat hij terugkrijgt.
Dat betekent dat je AI-agent — heel betrouwbaar — verzoeken kan afhandelen die uit meerdere stappen bestaan.
En eerlijk gezegd, de meeste verzoeken bestaan uit meerdere stappen. Daarom nemen we dit zo serieus.
Tool-calling vs. de ZUI Library
Standaard LLM-output
De LLM gokt wat een tool teruggeeft. Bij meerdere gekoppelde acties stapelen die gokjes zich op — verkeerde input wordt doorgegeven, fouten stapelen zich op, en de agent faalt op manieren die lastig te achterhalen zijn.
Met de ZUI-bibliotheek
Elke tool heeft een precies gedefinieerde output waarop de LLM kan vertrouwen. Acties worden netjes aan elkaar gekoppeld, het model weet altijd waarmee het werkt, en complexe taken met meerdere stappen worden betrouwbaar uitgevoerd.
ZAI-leercyclus
Feedback die zich opstapelt
De meeste AI-platforms bieden geen echte manier voor je AI-agenten om daadwerkelijk beter te worden na verloop van tijd.
Maar Botpress heeft een feedbacklaag ingebouwd in elk onderdeel: de ZAI Learning Loop.
Onze Learning Loop verwerkt feedback in natuurlijke taal (zoals “Dat klinkt te formeel” of “Werk de CRM alleen bij nadat je de terugbetaling hebt verwerkt”) en voert die terug in het systeem waarin je werkt.
In de praktijk betekent de ZAI-leercyclus dat:
Je direct echte verbeteringen ziet zodra je feedback geeft.
Je AI-agent wordt steeds beter na verloop van tijd.
Je AI-agent nooit twee keer dezelfde fout maakt.
