Ollama heeft zijn OpenAI-compatibele API in augustus 2026 uitgebreid met ingebouwde websearch, en tegelijk ondersteuning toegevoegd voor twee nieuwe agentframeworks: DeepSeek Harness en Meta’s Muse Code. Voor ontwikkelaars die lokale modellen als backend voor agentic tooling gebruiken, is dit een van de belangrijkere updates van de zomer.
Websearch zonder externe dienst
Tot nu toe moest je, als je een lokaal model liet zoeken op het web, zelf een losse zoek-API aanroepen, de resultaten parsen en die als context aan het model voeren. Met de nieuwe websearch-functionaliteit in de OpenAI-compatibele endpoint van Ollama wordt dat proces ingebakken: een applicatie die al tegen de OpenAI-API praat, hoeft alleen de juiste tool-parameter mee te geven en Ollama regelt de rest. Dat is met name handig voor bestaande codebases die al met de OpenAI SDK zijn gebouwd en nu met minimale aanpassingen kunnen overstappen op een lokaal draaiend model, inclusief actuele informatie van het web.
DeepSeek Harness en Muse Code: agentframeworks als eerste-klas burgers
Interessanter voor wie echt agentic workflows bouwt, is de toevoeging van ondersteuning voor DeepSeek Harness en Meta’s Muse Code-agent. Beide zijn frameworks die een taalmodel voorzien van een gestructureerde manier om code te schrijven, te testen en stap voor stap te itereren, vergelijkbaar met wat je van tools als Claude Code of Cursor gewend bent, maar dan ontworpen om op willekeurige backend-modellen te draaien in plaats van gebonden te zijn aan een aanbieder.
Door deze frameworks rechtstreeks te ondersteunen, positioneert Ollama zich nadrukkelijk als de neutrale infrastructuurlaag onder de opkomende generatie coding agents: het maakt in principe niet meer uit welk model je gebruikt, zolang het via Ollama draait en het framework de juiste tool-calling-conventies aanhoudt.
Wat dit betekent voor Dev Tools-bouwers
Voor Nederlandse ontwikkelaars die zelf tooling bouwen rond lokale modellen, verlaagt dit de drempel om experimentele agentframeworks uit te proberen zonder daarbij afhankelijk te worden van een cloudabonnement. Je kunt bijvoorbeeld Qwen3-Coder of een ander sterk codeermodel lokaal draaien, het via DeepSeek Harness laten opereren als coding agent, en met de nieuwe websearch-functie actuele documentatie laten opzoeken, allemaal zonder dat er een aanroep naar een externe LLM-provider aan te pas komt.
De belangrijkste kanttekening blijft prestatie: agentic workflows met veel tool-aanroepen en lange contexten vragen om snelle, consistente inferentie, en dat is precies waar lokale hardware nog steeds de beperkende factor kan zijn. Wie dit serieus wil gebruiken, doet er goed aan om eerst te testen hoeveel tokens per seconde de eigen GPU of unified-memory-systeem haalt bij de gewenste modelgrootte, voordat je een volledige workflow daarop bouwt.
Bron: https://releasebot.io/updates/ollama
0 reacties