Het Probleem
Wanneer meerdere AI-agents samenwerken in een pipeline — de ene plant, de andere bouwt, een andere controleert — hebben ze context van elkaar nodig. Maar:
- Alle artefacten (code, docs) doorgeven tussen elke stap kost te veel tokens
- Zelfs met volledige artefacten missen agents het waarom — de beslissingen en beperkingen achter het werk
Zonder een gestructureerd overdrachtsmechanisme herhalen agents werk of spreken ze eerdere beslissingen tegen.
De Oplossing
De baton is een klein JSON-object (~1.000 tokens) dat meereist tussen stappen. Elke agent leest het voor aanvang en werkt het bij na afloop.
Denk eraan als een estafettestokje — maar dan eentje dat aantekeningen meedraagt.
Structuur
| Veld | Doel |
|---|---|
goal | Doelstelling in één zin |
current_state | Wat nu waar is |
decision_log | Genomen beslissingen (alleen toevoegen) |
constraints | Harde regels om te respecteren |
open_questions | Onopgeloste vragen |
work_scope | Betrokken bestanden/modules |
artifacts | Verwijzingen naar geproduceerde outputs |
acceptance | Tests/controles die moeten slagen |
Hoe het werkt
1. Initialiseren
De baton begint met een doel en een beginstatus.
2. Injecteren
Voor elke stap wordt de baton als markdown in de prompt van de agent geïnjecteerd.
3. Patchen
Na uitvoering retourneert de agent een baton_patch — alleen de gewijzigde velden worden bijgewerkt.
4. Herhalen
De bijgewerkte baton voedt de volgende stap totdat de workflow is voltooid.
Baton vs. Artefacten
| Baton | Artefacten | |
|---|---|---|
| Grootte | ~1.000 tokens | 1k–100k+ tokens |
| Inhoud | Beslissingen, status, beperkingen | Code, plannen, docs |
| Meegestuurd | Altijd | Selectief |
| Doel | Waarom en wat telt | Wat er is geproduceerd |
De baton vertelt de volgende agent wat er is gebeurd en waarom. Artefacten zijn het daadwerkelijke werkproduct.
Ontwerpkeuzes
Alleen toevoegen voor beslissingen. Eerdere beslissingen worden nooit gewist. Dit voorkomt tegenspraak.
Vervangen voor status. current_state wordt elke keer vervangen — het weerspiegelt de huidige waarheid, niet de geschiedenis.
Zuinig met tokens. Met ~1.000 tokens past de baton altijd in de context.
Volledige audit trail. Elke patch wordt opgeslagen met tijdstempel en stap-ID.
Wanneer gebruiken
Het baton pattern werkt voor elke multi-staps AI-pipeline waar:
- Agents context nodig hebben van eerdere stappen
- Tokenbudgetten beperkt zijn
- Beslissingen consistent moeten zijn tussen stappen
- U moet kunnen traceren hoe de context evolueerde
Het is bewust eenvoudig — gewoon een JSON-object met merge-patch updates.