Als u alleen de spraakmakende modellanceringen volgt, mist u waar de meeste echte vooruitgang in toegepaste AI plaatsvindt: de open-source laag van tools, harnassen en "skills" die een krachtig model omzet in iets dat daadwerkelijk werk verzet. Een recente reeks van deze projecten, bij elkaar gezet, vormt een opvallende momentopname van waar het ecosysteem in 2026 staat.
We hebben die lijst hieronder samengesteld en geordend, gegroepeerd naar waar elk project eigenlijk voor dient. We hebben de gesponsorde fragmenten en het sterren-gegoochel overgeslagen — de cijfers hieronder zijn bij benadering en bewegen voortdurend, dus beschouw ze als "dit is populair", niet als heilige waarheid. Wat veel belangrijker is dan welke afzonderlijke repository ook, is het handjevol patronen dat ze samen onthullen. Die komen aan het eind aan bod, want zij zijn wat uw roadmap werkelijk zou moeten beïnvloeden.
Eerst de begrippen: skills, harnassen en MCP
Drie woorden duiken hieronder steeds opnieuw op, en het loont om ze vast te pinnen voordat de rondleiding begint.
Een skill is een draagbaar bundeltje instructies en bronnen dat je een agent geeft om hem goed te maken in een specifieke taak — vaak niet meer dan een map met Markdown en scripts waar je je tool naar laat wijzen. Een agent-harnas is de runtime rond het model: datgene wat geheugen, sub-agents, tool-aanroepen en sandboxes beheert, zodat een agent uren aan een lange taak kan werken in plaats van één prompt te beantwoorden. En MCP (het Model Context Protocol) is de inmiddels standaard manier om externe tools en databronnen op een agent aan te sluiten. Zijn die termen vaag, dan zijn onze woordenlijst van AI-termen en onze inleiding over wat AI-agents zijn goede metgezellen bij dit stuk (beide in het Engels).
Agent-harnassen voor langlopend werk
DeerFlow (van ByteDance) is een open-source agent-harnas dat specifiek voor langlopende taken is gebouwd — het soort waarbij je de agent een doel geeft en hij urenlang werkt, onderweg sub-agents, geheugen, sandboxes en skills orkestrerend. Teams gebruiken het voor het bouwen van datapijplijnen, het genereren van presentaties, het opzetten van dashboards en het automatiseren van contentworkflows. De naam staat voor "deep exploration and efficient research flow", en het ontwerp leunt zwaar op het opbreken van grote klussen in gecoördineerde stukken.
Hermes is een van de meest gesterde agentprojecten op GitHub, en het leunt op zelfherstel: terwijl het draait, probeert het zichzelf te repareren en te verbeteren voor de volgende poging als een stap of skill faalt. Het is een capabel alternatief voor andere algemene agent-harnassen, met het volledige pakket aan geheugen, tools en skill-ondersteuning dat je zou verwachten.
De rode draad die beide verbindt: de voorhoede van bruikbare AI is geen slimmer enkel antwoord, maar betrouwbare autonomie over tijd. Dat is ook precies waar het grootste deel van de technische moeilijkheid (en het risico) zit — een thema dat we uitgebreid hebben verkend in ons stuk over multi-agentsystemen (in het Engels).
Skills die echte expertise vastleggen
Dit is misschien wel de belangrijkste categorie, omdat het verandert wie expertise in software kan vastleggen.
De skills van Matt Pocock verpakken de werkgewoonten van een gerespecteerde developer-docent in een set die een agent kan gebruiken — routing-skills die helpen de juiste aanpak te kiezen, sessies die het domeinmodel en de terminologie van een project opbouwen, en workflows gericht op echt engineeringwerk in plaats van wegwerp-prototyping. GStack, van Garry Tan van Y Combinator, codificeert een heel startup-bouwproces in geordende skills — denken, plannen, bouwen, reviewen, testen, uitbrengen, reflecteren — inclusief YC-achtige "office hours" waarin de agent uw probleemgebied bevraagt en feedback geeft. Het is gepresenteerd als een proces, niet als een gereedschapskist: je voert de skills in volgorde uit.
En de cybersecurity-skills van Anthropic geven een agent gestructureerde kennis uit gevestigde defensieve kaders (MITRE ATT&CK, NIST en andere), zodat je hem op je codebase kunt richten en kunt vragen je verdediging te versterken. Omdat het "gewoon skills" zijn, werkt het in de meeste agent-tools die het formaat ondersteunen — je installeert het door de agent een URL te geven.
De verschuiving naar draagbare skills betekent dat expertise een bestand wordt dat je kunt delen, versioneren en controleren — niet iets dat opgesloten zit in het hoofd van één dure specialist. Dat is een werkelijk nieuwe hefboom voor kleine teams.
De kennis van uw team omzetten in agent-skills?
Het lastigste deel is niet de tooling — het is beslissen welke van uw processen het waard zijn om vast te leggen, en hoe je ze veilig en verifieerbaar houdt. Precies dat soort werk doen wij met klanten.
Plan een consultSecurity: scan voordat je vertrouwt
Hier zit de keerzijde die het gemak van "plak gewoon een URL om een skill te installeren" verbergt: je voert andermans instructies uit binnen een agent die mogelijk toegang heeft tot je code, je inloggegevens en je data. Dat is een supply-chainrisico, en het verdient dezelfde scherpte als elke andere afhankelijkheid.
Twee projecten pakken het direct aan. Skill Specter (van NVIDIA) is een security-scanner voor agent-skills — richt het op een repo, URL, zip of enkel bestand en het controleert op tientallen kwetsbaarheidspatronen in categorieën als prompt-injectie, data-exfiltratie, privilege-escalatie en supply-chainrisico's voordat je iets installeert. De cybersecurity-skills van Anthropic, hierboven genoemd, werken de andere kant op: het verstevigen van de code die jij uitbrengt. Behandel het scannen van een niet-vertrouwde skill als niet-onderhandelbaar — net zoals je geen onbekend pakket in productie zou draaien zonder review.
Code-intelligentie voor agents
Codebase Memory MCP pakt een stille maar reële bottleneck aan: agents verspillen enorm veel moeite aan het herlezen van code om een project te begrijpen. Het indexeert een repository extreem snel — grote codebases in minuten — en beantwoordt vervolgens structurele vragen in ruim minder dan een seconde, terwijl het een fractie gebruikt van de tokens die een naïeve aanpak zou verstoken. Het ontsluit dit naar agents via MCP en ondersteunt een enorm scala aan talen en tools, met een 3D-visualisatie van je codebase erbij.
De zakelijke les is niet de demo — het is de token-economie. Een groot deel van de kosten van AI-engineering is het model dat herhaaldelijk context her-ontdekt die het simpelweg zou moeten hebben. Tooling die structurele kennis cachet, verlaagt zowel de latentie als de uitgaven, wat een van de oninspirerende maar effectieve hefbomen is die de ROI-rekensom werkelijk verschuiven. (We duiken in die rekensom in hoeveel AI-implementatie echt kost — in het Engels.)
Generatieve media, nu deterministisch
Een cluster projecten duwt AI-mediageneratie van "indrukwekkend maar niet-herhaalbaar" richting productiewaardig en bestuurbaar.
Open Montage verandert een coding-agent in een volledige videoproductiepijplijn: beschrijf in gewone taal wat je wilt en het handelt onderzoek, scripting, asset-generatie, montage en eindcompositie af, met sjablonen voor uitlegvideo's, talking heads, schermdemo's, trailers en meer. Hyperframes (van Heygen) neemt een andere, deterministischer route — het rendert HTML, CSS, media en animaties naar reproduceerbare MP4-video's, wat het bij uitstek geschikt maakt voor productdemo's, slides en motion graphics waar je telkens dezelfde output nodig hebt. Palmier Pro is een open-source, AI-native video-editor (voorlopig macOS) met een ingebouwde MCP-server, zodat je bestaande agent de editor rechtstreeks kan aansturen. En Voicebox bundelt beide kanten van stem — hoogwaardige spraakgeneratie en transcriptie — en kan lokaal op je eigen machine draaien, wat van belang is voor privacy en kosten.
Dat "draait lokaal"-detail is onderdeel van een bredere beweging om AI-werklasten dichter bij de data te brengen, om redenen van latentie, kosten en privacy — het onderwerp van ons artikel over edge computing in 2026 (in het Engels).
Gespecialiseerde open-weights modellen
Niet alles is een agent of een skill. Het nieuwe open-weights vision-language model van Baidu herinnert eraan dat kleine, gespecialiseerde modellen stilletjes erg goed worden. Het doet snelle, accurate OCR — niet alleen documenten lezen, maar ook de juiste regio op een pagina lokaliseren en markeren, een werkelijk lastig probleem — in een model van slechts enkele gigabytes. Voor document-zware workflows is een compact open model dat je zelf kunt draaien vaak een betere keuze dan alles via een gigantische, algemene API te leiden.
Wat deze open-source golf werkelijk voor uw bedrijf betekent
Neem afstand van de afzonderlijke repositories en vier patronen springen eruit — en die doen er meer toe dan welke afzonderlijke tool ook:
1. Capaciteit verschuift van modellen naar steigerwerk. Het model wordt steeds meer een commodity; het duurzame voordeel zit in het harnas, de skills en de tooling eromheen. Dat is goed nieuws — het is de laag die je kunt bezitten en aanpassen zonder iets te trainen.
2. Expertise wordt draagbaar. Skills zetten moeizaam verworven proceskennis om in deelbare, versioneerbare bestanden. De strategische vraag voor uw team is welke van uw workflows het waard zijn om zo vast te leggen.
3. Open source plus lokale modellen herschikt de kosten. Zelf gespecialiseerde open-weights modellen draaien, code-intelligentie cachen en tokenverspilling beperken duwen allemaal tegen de aanname dat "AI doen" een steeds groeiende API-rekening betekent.
4. Het gemak komt met een supply-chainrisico. "Plak een URL om te installeren" is in gelijke mate krachtig en gevaarlijk. Het scannen van skills en een echt reviewproces zijn niet optioneel zodra agents iets aanraken dat ertoe doet.
De les is niet om alle dertien morgen in te voeren — de meeste teams zouden dat niet moeten doen. Het is dat de bouwstenen voor serieuze, autonome AI-workflows nu open, goedkoop en wekelijks beter zijn. Het voordeel gaat naar de organisaties die bewust kiezen: het juiste harnas voor hun risicobereidheid, de juiste skills voor hun werkelijke processen, en vangrails afgestemd op wat hun agents kunnen aanraken. Die bewuste, no-nonsense selectie is precies het werk dat wij met klanten doen — een snel bewegend ecosysteem omvormen tot een systeem dat je in productie kunt vertrouwen.