Je eerste AI-agent bouwen in Python: een weer-assistent in 4 stappen

AI-agents klinken als iets voor grote teams, maar het kernidee past in één Python-bestand: een model dat zelf beslist wanneer het een tool aanroept. In deze gids bouw je een weer-assistent die vragen als “moet ik morgen een paraplu mee naar Utrecht?” beantwoordt met échte, live weerdata. Geen frameworks, alleen de officiële OpenAI-library.

Stap 1: wat heb je nodig?

Drie dingen: Python 3.10 of nieuwer, een OpenAI API-key en de officiële library (pip install openai). Voor het weer gebruiken we Open-Meteo: gratis en zonder API-key voor niet-commercieel gebruik, dus je hoeft je maar op één plek te registreren.

Zet je API-key als omgevingsvariabele (export OPENAI_API_KEY=...), dan pikt de library hem automatisch op.

💡 Beginner-tip: je betaalt bij OpenAI per gebruik, maar een klein model (mini-variant) kost voor dit soort experimenten fracties van centen per vraag. Stel gerust een bestedingslimiet in via je OpenAI-dashboard, dan kan er niets misgaan.

Stap 2: definieer je tool

Een agent kan alleen tools gebruiken die jij beschrijft. Je vertelt het model in JSON wát de functie doet en welke parameters ze heeft; het model beslist zelf wanneer het haar aanroept. OpenAI raadt voor nieuwe projecten de Responses API aan, waarin dit function calling-patroon centraal staat (Bron: OpenAI).

from openai import OpenAI
import requests, json

client = OpenAI()
MODEL = "gpt-5-mini"  # check platform.openai.com/docs/models voor actuele modelnamen

tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "Haal het actuele weer op voor een plaats (temperatuur, neerslag, wind).",
    "parameters": {
        "type": "object",
        "properties": {
            "latitude": {"type": "number"},
            "longitude": {"type": "number"},
        },
        "required": ["latitude", "longitude"],
    },
}]

def get_weather(latitude, longitude):
    r = requests.get(
        "https://api.open-meteo.com/v1/forecast",
        params={"latitude": latitude, "longitude": longitude,
                "current": "temperature_2m,precipitation,wind_speed_10m"},
    )
    return r.json()["current"]

Het model kent de coördinaten van vrijwel elke plaats, dus die hoef je niet zelf op te zoeken.

Stap 3: bouw de agent-loop

Dit is het hart van elke agent: vraag stellen, kijken of het model een tool wil gebruiken, de functie uitvoeren, en het resultaat teruggeven zodat het model een definitief antwoord kan formuleren.

def ask(question):
    input_items = [{"role": "user", "content": question}]
    response = client.responses.create(model=MODEL, input=input_items, tools=tools)

    for item in response.output:
        if item.type == "function_call" and item.name == "get_weather":
            args = json.loads(item.arguments)
            result = get_weather(**args)
            input_items += [item, {
                "type": "function_call_output",
                "call_id": item.call_id,
                "output": json.dumps(result),
            }]
            response = client.responses.create(model=MODEL, input=input_items, tools=tools)

    return response.output_text

print(ask("Heb ik vanmiddag een paraplu nodig in Utrecht?"))

Stel je een vraag zonder weer-component (“wat is de hoofdstad van Frankrijk?”), dan slaat het model de tool gewoon over. Dát onderscheid — zelf beslissen of een actie nodig is — maakt dit een agent.

⚡ Gevorderden: in productie wil je de loop generiek maken (een while die doorgaat zolang er function calls terugkomen), meerdere tools registreren in een dispatch-dict, en time-outs plus foutafhandeling om de weer-call heen zetten. De structuur hierboven blijft hetzelfde.

Stap 4: breid uit — of stap over op een framework

Vervang de weer-API door je eigen data (agenda, voorraad, database) en je hebt een assistent op maat. Pas als je meerdere tools, geheugen of complexe ketens combineert, wordt een framework zoals LangChain interessant; hoe je agents daarmee vervolgens test, lees je in onze gids over AI-agents evalueren met een LLM-as-a-judge. Wil je je tools als herbruikbare server aan meerdere agents aanbieden, dan is MCP de standaard — en die wordt op 28 juli stateless. Wat er ondertussen in de bredere agent-wereld gebeurt, volgt hetlaatsteainieuws.nl dagelijks in het AI-nieuwsoverzicht.

Checklist: ben je klaar?

• Python 3.10+ geïnstalleerd en pip install openai requests gedraaid
• OpenAI API-key aangemaakt en als omgevingsvariabele gezet
• Bestedingslimiet ingesteld in het OpenAI-dashboard
• Tool-definitie (JSON-schema) en Python-functie geschreven
• Agent-loop getest met een weer-vraag én een niet-weer-vraag
• Doorgedacht welke eigen data je als volgende tool aansluit

Bronnen

• OpenAI — Migrate to the Responses API
• Open-Meteo — gratis weer-API
• The Practical Developer — Building Your First AI Agent with Python