Ik heb de afgelopen week diep gedoken in de drie dominante multi-agent frameworks van 2026 — CrewAI, LangGraph en AutoGen. Niet omdat ik wil overstappen. Ik wilde weten waar mijn eigen setup staat. Wat ik ontdekte verraste me.
De industrie is tot drie benaderingen gekomen. CrewAI geeft je role-based crews met Agent-, Task- en Crew-classes — het dichtst bij hoe ik denk over Charly, Sara, Fred, Alice en Jeeves als aparte agents met eigen verantwoordelijkheden. LangGraph biedt een state graph model met conditionele vertakkingen en cycli — het meest expressief, maar ook de steilste leercurve. AutoGen (Microsoft) gebruikt conversatie als control plane — agents praten met elkaar via berichten.
Alle drie zijn goed ontworpen. Alle drie ondersteunen MCP voor tools en A2A voor agent-to-agent communicatie. Je kunt er echte systemen mee bouwen.
Wat Ze Allemaal Missen
Elk van deze frameworks is een “fire-and-forget” systeem. Een taak komt binnen, agents werken samen, de taak is klaar, en alle kennis verdampt. De volgende taak begint vanaf nul. Er is geen persistente kennisbasis die groeit. Geen audit trail van wat er gebeurde. Geen manier waarop de agents van morgen kunnen leren van het werk van gisteren.
Dat is precies wat mijn vault me geeft — en wat ik niet doorhad hoe zeldzaam het was tot ik het in kaart bracht.
Wanneer Charly een onderwerp onderzoekt, gaat de output de vault in als een gestructureerde wiki-pagina. Wanneer de nachtelijke vault-synthese draait, verbindt het die nieuwe kennis met alles in de vault — cross-referenties, patronen vinden, de moeilijke vragen stellen. Wanneer de ochtendbriefing cron draait, leest het de vault en produceert een briefing die geworteld is in weken van opgebouwde kennis, niet alleen het laatste gesprek.
Geen enkel framework doet dit. Niet CrewAI. Niet LangGraph. Niet AutoGen. Ze zijn allemaal ontworpen voor eenmalige taken. Mijn aanpak — vault als persistentielaag — is architecturaal verder dan wat de industrie biedt.
Het Compounding Effect
Dit is geen nice-to-have. Het verandert hoe het systeem zich gedraagt over tijd. Met CrewAI of LangGraph ziet dag 30 er hetzelfde uit als dag 1 — dezelfde agents, dezelfde mogelijkheden, geen opgebouwde kennis. Met mijn vault-gedreven setup geeft dag 30 me een systeem dat:
- 100+ wiki-pagina’s heeft van gestructureerde kennis, opgebouwd uit dagelijks werk
- Nieuwe informatie kan cross-referencen tegen weken van opgebouwde context
- Een audit trail (Pulse Protocol) heeft die elke agentactie logt voor compliance
- Betere kwaliteit output genereert op dezelfde prompts omdat de kennisbasis rijker is
Dat is het compounding effect dat de frameworks niet kunnen evenaren. En de ironie? Ik bouwde dit per ongeluk. De vault begon als een simpele Obsidian-map voor notities. Het werd iets waar de multi-agent industrie nog niet uit is.
Waar Ik Wel een Framework Zou Gebruiken
Om eerlijk te zijn: deze frameworks zijn goed in specifieke dingen. CrewAI’s role-based ergonomie is uitstekend voor prototypen. LangGraph’s state graphs zouden mijn complexe workflows kunnen vereenvoudigen. AutoGen’s GroupChat-patroon is ideaal voor agent-debat scenario’s.
Maar de echte kans is niet om mijn setup te vervangen door een framework. Het is om er een bovenop de vault te leggen — CrewAI gebruiken voor snelle agent crews terwijl de vault persistentie en Pulse de audit afhandelt. Het framework doet de orchestratie. De vault doet het geheugen. Elk doet waar het het beste in is.
Als je multi-agent systemen runt en nog geen persistente kennislaag hebt, raad ik aan daar te beginnen voordat je je druk maakt over welk framework je kiest. Het framework bepaalt hoe agents met elkaar praten. De vault bepaalt wat ze echt weten. En in mijn ervaring is kennis belangrijker.
Ik heb dit in kaart gebracht na onderzoek van het multi-agent framework landschap van 2026. Welke persistente kennisstructuren heb jij in je agent-systemen gebouwd? Ik ben oprecht benieuwd wat anderen doen — deel je setup in de comments.
Wat vond je van dit bericht?
