---
title: "Inzicht in altijd actieve AI-agenten: infrastructuur, contextengineering en systeemarchitectuur"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-10-31"
language: "nl"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-nl/"
markdown_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-nl/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Inzicht in altijd actieve AI-agenten: infrastructuur, contextengineering en systeemarchitectuur, https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-nl/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
sources:
  - title: "Stanford CS146S: How always-on agents work"
    url: "https://www.youtube.com/watch?v=L1OBRtfPS34"
audio: "https://anchor.fm/s/117391698/podcast/play/128503104/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-9-31%2F2868770b-cf77-7ea4-a62d-c89cf1a17fa3.m4a"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/6suF8B0LJ27jtP97U916bZ"
---
# Inzicht in continu actieve AI-agenten: infrastructuur, contextengineering en systeemarchitectuur

Continu actieve, proactieve persistente agenten vertegenwoordigen een structurele paradigmaverschuiving in de inzet van kunstmatige intelligentie, waarbij het systeemontwerp verschuift van lokaal uitgevoerde lussen onder menselijk toezicht naar autonome bedrijfsinfrastructuur die op de achtergrond draait. Zoals uiteengezet in de Stanford CS146S-lezing van Lee Robinson, steunen deze persistente agenten op een servergericht uitvoeringsmodel, duurzame werkstroomorkestratie, dynamische afgeschermde omgevingen voor virtuele machines met schijfmomentopnamen, taakdelegatie aan subagenten en voortdurende verdichting van de promptcontext. Door agentlussen los te koppelen van ontwikkelaarshardware en lokale terminalsessies overwinnen deze architecturen de fysieke beperkingen van interactieve opdrachtregelraamwerken. In plaats van slechts als reactieve antwoordhulpmiddelen te dienen, functioneren continu actieve agenten als op de achtergrond aanwezige digitale collega's, die langdurige softwareontwikkelings- en operationele taken gedurende meerdere weken in cloudomgevingen uitvoeren.

## De vier tijdperken van AI-ontwikkeling en het terminalknelpunt

De interactie van ontwikkelaars met kunstmatige intelligentie heeft zich ontwikkeld via vier afzonderlijke operationele paradigma's. In het eerste tijdperk kopieerden ontwikkelaars handmatig codefragmenten uit webinterfaces zoals ChatGPT rechtstreeks naar lokale geïntegreerde ontwikkelomgevingen. Deze handmatige werkstroom was sterk gefragmenteerd en vereiste voortdurend schakelen tussen contexten en menselijke vertaling tussen modeluitvoer en codebestanden.

Het tweede tijdperk introduceerde terminalgebaseerde raamwerken. Deze softwareomhulsels stelden een groot taalmodel [LLM] in staat reactief met lokale besturingssystemen te communiceren door bestandsbomen te analyseren, bronbestanden te wijzigen en shellopdrachten uit te voeren binnen een begrensde uitvoeringslus. Hoewel terminalraamwerken aanzienlijke productiviteitswinsten mogelijk maakten door modellen operationele handelingsbevoegdheid te geven, bleven ze strikt gekoppeld aan directe menselijke initiatie en de toestand van lokale computers.

Het derde tijdperk breidde programmeeragenten uit naar specifieke desktoptoepassingen met een gebruikersinterface [UI], die parallelle agentinstanties in cloudomgevingen konden starten. Ondanks het verplaatsen van rekenwerk naar externe infrastructuur kende deze generatie belangrijke operationele frictie: de menselijke operator bleef het voornaamste knelpunt. Ontwikkelaars moesten uitvoeringsstromen voortdurend volgen en elke shellopdracht handmatig controleren en goedkeuren om onbedoelde bestandsverwijderingen of destabilisatie van het systeem te voorkomen.

De sector is nu het vierde tijdperk ingegaan: continu actieve, persistente agenten die op de achtergrond in cloudinfrastructuur draaien. Uitgerust met specifieke externe werkstations, persistente geheugenstructuren en autonome planningstriggers werken deze agenten voortdurend, ongeacht de aanwezigheid van de ontwikkelaar. Het centrale structurele knelpunt van terminalgebonden raamwerken, waarbij het sluiten van een laptopdeksel of het beëindigen van een terminalsessie het onderliggende agentproces abrupt beëindigt, is weggenomen. Bovendien verwerken raamwerken uit het vierde tijdperk directe bijsturing door gebruikers en onsamenhangende onderbrekingen tijdens de uitvoering. Als een gebruiker tijdens een interactieronde instructies toevoegt of datums wijzigt, verwerken moderne modellen deze veranderlijke updates zonder de context aan te tasten of de lopende taakstatus ongeldig te maken.

## Systeemarchitectuur: servergerichte uitvoering en afgeschermde omgevingen voor virtuele machines

Om de infrastructuur achter een continu actieve agent te begrijpen, kan de architectuur worden voorgesteld als een "digitale collega met een externe werkruimte". In dit model communiceert de eindgebruiker via een lichte berichtenclient, vergelijkbaar met tekstberichten, terwijl de primaire werklast, het systeemgeheugen, de afhankelijkheden van hulpmiddelen en de uitvoeringsomgeving zich op geïsoleerde cloudinfrastructuur bevinden.

De uitvoeringspijplijn van het systeem wordt gestart door expliciete prompts of gebeurtenissen op de achtergrond. Anders dan traditionele systemen die uitsluitend worden geactiveerd door een directe gebruikersaanroep, kan een continu actieve agent worden geactiveerd door cronroutines op de achtergrond of externe webhooks, zoals binnenkomende Slack-berichten, geautomatiseerde e-mails of agenda-uitnodigingen. Cruciaal is dat agenten zelfstandig kunnen deelnemen aan virtuele video- of audiovergaderingen ter vervanging van afwezige medewerkers, om notities te maken, discussiepunten samen te vatten en uitvoerbare taken vast te leggen. Een router voor binnenkomende gebeurtenissen verwijdert dubbele signalen, kent operationele prioriteit toe en past heuristieken voor proactiviteit toe om te bepalen of de agent de gebruiker onmiddellijk moet waarschuwen of de taak stil op de achtergrond moet verwerken. Gebruikersinstructies voor bijsturing met hoge prioriteit krijgen onmiddellijk voorrang op verwerkingswachtrijen op de achtergrond.

Centraal in deze architectuur staat het ontwerppatroon met een lichte client en een zware server. De clienttoepassing bevat minimale operationele logica en biedt één `send_user`-hulpmiddel via een applicatieprogrammeerinterface [API] om geformatteerde uitvoer van de externe server weer te geven. Door de kernlus van de agent op een centrale server te plaatsen in plaats van binnen lokale toepassingen, kunnen technologieteams snel updates aan de serverzijde uitrollen zonder vertraging door goedkeuring van toepassingswinkels of uitval van de dienstverlening. Bovendien blijven zware rekenbewerkingen, zoals audiotranscriptie of beeldgeneratie, gecentraliseerd op geoptimaliseerde serverinfrastructuur. De clienttoepassing zet abonnementen op actuele gebeurtenisstromen met de server op en gebruikt logica voor het verwijderen van dubbele berichten om interactieve UI-elementen, zoals aangepaste aanmeldformulieren, 1Password-inloggegevens of schermen voor financiële autorisatie, weer te geven zonder dat de toestanden uit synchronisatie raken.

Veilige uitvoering en omgevingsisolatie worden gerealiseerd met afgeschermde Firecracker-omgevingen voor virtuele machines [VM]. Elke agentinstantie werkt binnen een eigen specifieke Linux-container, uitgerust met persistente bestandsopslag, virtuele bureaubladen en een Chrome-browser zonder grafische gebruikersinterface. In plaats van uitsluitend op API-integraties te vertrouwen, communiceren agenten met softwaresystemen via mogelijkheden voor computerbediening. Ze analyseren webinterfaces via gestructureerde toegankelijkheidsbomen van het besturingssysteem om interactieve elementen te identificeren en vallen bij niet-standaardinterfaces terug op directe visuele analyse van schermafbeeldingen en klikken op pixelcoördinaten. Om hardwarebeperkingen en hostingkosten te beheersen, slaan Firecracker-VM's dynamisch momentopnamen van hun uitvoeringstoestand op schijf op en gaan ze in slaapstand wanneer ze inactief zijn. Bij ontvangst van een nieuwe activeringstrigger herstellen ze onmiddellijk hun volledige operationele toestand.

De duurzaamheid van het systeem tijdens werkzaamheden die meerdere weken beslaan, hangt af van duurzame werkstroomraamwerken in plaats van conventionele taakwachtrijen. Standaardtaakwachtrijen verwerken uitval van knooppunten door taken vanaf de eerste stap opnieuw te starten, wat tijdens complexe bewerkingen met meerdere stappen catastrofale dubbele neveneffecten veroorzaakt. Door duurzame werkstroomengines zoals Temporal te gebruiken, worden de uitvoeringstoestand, het variabelengeheugen en de operationele context van de agent voortdurend vastgelegd in herstelpunten. Als een onderliggend infrastructuurknooppunt uitvalt, hervat de duurzame werkstroom de uitvoering precies op het punt van uitval, zonder eerder voltooide hulpmiddelaanroepen te herhalen.

## Subagenten en contextengineering: het realiseren van pseudo-oneindige context

Het belangrijkste knelpunt dat de capaciteiten van grote taalmodellen over langere operationele perioden begrenst, is contextdegradatie. Naarmate het contextvenster van een LLM zich vult met systeemprompts, hulpmiddelschema's, bestandsuitlezingen en uitvoeringslogboeken, verslechteren de systeemprestaties. De kosten van tokenverbruik stijgen niet-lineair, de operationele vertraging neemt toe en het vermogen van het model om nauwkeurig te blijven redeneren op basis van de oorspronkelijke instructies neemt aanzienlijk af.

Om een opgeblazen context te beperken, gebruiken moderne agentraamwerken dynamische ontdekking van hulpmiddelen, vaak aangeduid als het "hulpmiddel voor het zoeken naar hulpmiddelen". In plaats van volledige JSON-schema's voor tientallen geïntegreerde hulpmiddelen, zoals servers voor het Model Context Protocol [MCP], aangepaste softwareontwikkelingspakketten of externe database-API's, in het actieve contextvenster te laden, bevat de primaire prompt alleen algemene hulpmiddelnamen. Gedetailleerde hulpmiddelspecificaties worden op het externe bestandssysteem bewaard. De agent zoekt, leest en laadt specifieke hulpmiddelschema's pas dynamisch in het werkgeheugen wanneer zich een expliciete operationele behoefte voordoet.

Om een hoge redeneerkwaliteit bij complexe taken te behouden, delegeren primaire orkestratieagenten tokenintensieve bewerkingen aan gespecialiseerde subagenten. Wanneer een taak de uitvoering van honderden shellscripts, het uitlezen van omvangrijke webpagina's of het genereren van demonstratievideo's vereist, maakt de orkestratieagent een geïsoleerde subagent met een nieuw contextvenster aan. De subagent voert de arbeidsintensieve subroutine binnen zijn eigen duurzame werkstroom uit en geeft alleen een beknopte, kernachtige markdownsamenvatting terug aan de primaire interactiedraad. Dit delegatiepatroon maakt pseudo-oneindige context operationeel mogelijk en voorkomt dat het contextvenster van de hoofdorkestratiedraad uitgeput raakt.

De ontwikkeling van raamwerken optimaliseert de systeemefficiëntie verder via de structuur van promptcaching en contextverdichting op de achtergrond. Modellen houden statische systeemprompts, dynamische indexen voor hulpmiddelontdekking en persistent kerngeheugen bovenaan de contextreeks om de cachetrefferpercentages van API's voor basismodellen te maximaliseren. Om de geldigheid van de cache te behouden tijdens aanpassingen van systeemprompts of A/B-tests, gebruiken raamwerken deterministische sectiehashing om ervoor te zorgen dat onderdelen van systeemprompts een vaste, onveranderlijke volgorde behouden. Bovendien laden clienttoepassingen de promptcache op de server vooraf zodra een gebruiker het chatinvoerveld selecteert of begint te typen, waardoor vertraging wordt weggenomen voordat de gebruiker een bericht verstuurt.

Tijdens operationele rustmomenten, terwijl de promptcaches van modellen geladen blijven, doorgaans binnen een venster van 10 tot 60 minuten, voert het systeem verdichtingsroutines op de achtergrond uit waarbij informatie verloren gaat, om eerdere gesprekslogboeken te comprimeren tot gestructureerde samenvattingen. Het persistente geheugen is georganiseerd in drie afzonderlijke lagen:

1. **Kerngegevens over de gebruiker:** Gebruikersvoorkeuren met hoge prioriteit en systeembeperkingen die in elke operationele interactieronde worden ingevoegd.
2. **Gedateerde logboekhistorieken:** Chronologische, doorzoekbare registraties van eerdere systeeminteracties, opgeslagen in externe markdownbestanden.
3. **Tijdelijke kladnotities:** Tijdelijk operationeel werkgeheugen dat is ontworpen om na voltooiing van de taak automatisch te vervallen.

## Veiligheid, automatische controle en het modelvliegwiel

De inzet van autonome agenten binnen ondernemingen introduceert aanzienlijke beveiligingskwetsbaarheden, met name rond vermoeidheid bij de controle van opdrachtuitvoering en promptinjectie. Wanneer menselijke operators honderden snel opeenvolgende shellopdrachten handmatig moeten goedkeuren, leidt dit tot operationele uitputting, waardoor menselijk toezicht ineffectief wordt. Om dit aan te pakken, implementeren agentarchitecturen met hoge betrouwbaarheid secundaire beveiligingsmodellen, bekend als systemen voor automatische controle.

Een beveiligingsmodel voor automatische controle werkt als een onafhankelijk, sterk gespecialiseerd AI-proces dat elke voorgestelde shellopdracht, scriptuitvoering en visuele bureaubladinteractie vóór uitvoering inspecteert. Empirische tests tonen aan dat geautomatiseerde secundaire evaluatiemodellen beter presteren dan vermoeide menselijke operators bij het detecteren van kwaadaardige opdrachten, syntaxisfouten en operationele afwijkingen. Voor risicovolle, onomkeerbare bewerkingen, zoals het versturen van externe e-mails of het uitvoeren van financiële transacties via diensten zoals Stripe Link of X Money, onderbreekt het systeem de uitvoering om expliciete menselijke bevestiging te eisen.

Niet-vertrouwde externe invoer, waaronder binnenkomende e-mails, webinhoud van derden en webhooks, vormt een ernstig risico op promptinjectie wanneer deze rechtstreeks in de primaire redeneerlus van de agent wordt opgenomen. Veilige systemen zuiveren niet-vertrouwde invoer door deze door tussenliggende analyselagen te leiden. Zo voorkomen ze dat kwaadaardige instructies bestaande instructies overschrijven om niet-geverifieerde systeemhulpmiddelen uit te voeren of inloggegevens in gevaar te brengen.

De systeembetrouwbaarheid verbetert voortdurend via een ontwikkelingsvliegwiel met twee lussen. Wanneer een agent faalt bij een taak, wordt het verloop van die mislukking opgenomen in een geautomatiseerde evaluatiebenchmark. In de snelle binnenste lus passen systeemingenieurs onmiddellijk raamwerkinstructies aan, verfijnen ze dynamische hulpmiddelen of wijzigen ze systeemprompts, waarbij ze de evaluatiesuite gebruiken om de oplossing te verifiëren. In de langzame buitenste lus worden geaggregeerde mislukkingsgegevens en succesvolle uitvoeringsverlopen samengevoegd tot gegevensverzamelingen voor verfijnende training. Basismodellen ondergaan begeleide verfijnende training [SFT] en versterkend leren [RL] tijdens uitgavecycli van 1 tot 6 maanden, om het opvolgen van instructies, de selectie van hulpmiddelen en visuele bureaubladnavigatie binnen het model zelf te verbeteren.

Ontwikkelteams die deze architecturen bouwen, volgen een centrale operationele doctrine: "verwijder het product". Complexe, aangepaste abstracties voor gebruikersinterfaces die vandaag worden gebouwd, moeten minimaal blijven, aangezien snelle sprongen in de capaciteiten van basismodellen over perioden van 6 tot 12 maanden complexe raamwerkproblemen stelselmatig binnen het model zelf oplossen.
## Systeembeperkingen, architecturale afwegingen en open vragen

Ondanks snelle vooruitgang in de infrastructuur kampen permanent actieve agentarchitecturen met onopgeloste technische afwegingen rond proactiviteit en meldingenbeheer. De inzet van een op de achtergrond aanwezige digitale collega vereist fijnmazige heuristieken om te bepalen wanneer een agent taken stilzwijgend moet uitvoeren en wanneer deze de gebruiker moet onderbreken met statusupdates. Overmatig agressieve proactiviteit leidt tot meldingenmoeheid en irritatie bij gebruikers, terwijl overmatig terughoudende proactiviteit het systeem reduceert tot een standaard reactief hulpmiddel. Het bepalen van optimale meldingsdrempels blijft een open uitdaging bij implementaties binnen ondernemingen.

Een tweede uitdaging is de evaluatieparadox bij lange tijdshorizonten. Het beoordelen van een agent die is ontworpen om continu te draaien gedurende uitvoeringsperioden van meerdere weken is inherent moeilijk wanneer onderliggende taalmodellen nieuwe versies krijgen of volledig worden vervangen in cycli van 30 tot 90 dagen. Het uitvoeren van offline vergelijkende evaluaties over taaktrajecten van een maand wordt onpraktisch als de onderliggende basismodellen worden bijgewerkt of uitgefaseerd voordat de evaluatie is voltooid, waardoor het volgen van referentieprestaties problematisch wordt.

Tot slot introduceert het samenvatten van context onvermijdelijk informatieverlies. Omdat alle verdichtingsalgoritmen afhankelijk zijn van compressie met informatieverlies, bestaat bij het terugbrengen van honderdduizenden tokens aan gedetailleerde loggeschiedenissen, terminaluitvoer en bestandsinhoud tot compacte markdownsamenvattingen het risico dat subtiele details over uitzonderingsgevallen permanent verloren gaan. Als een langdurig actieve agent nauwkeurige operationele parameters nodig heeft die weken eerder zijn vastgesteld, kan verdichting met informatieverlies leiden tot onopgemerkte taakuitval of contexthallucinaties in een late uitvoeringsfase.

Om deze afwegingen te ondervangen, moeten de kosten van tokenverbruik worden afgewogen tegen de nauwkeurigheid van redeneringen, moet de inferentielatentie worden geoptimaliseerd en moeten robuuste beveiligingsgrenzen worden ingesteld voor interacties tussen meerdere agenten op platforms voor software als dienst [SaaS].

## Kerncijfers

*   **200,000 tokens:** De standaardreferentie voor het contextvenster van het werkgeheugen van moderne grote taalmodellen, die de schaal aangeeft waarop agressieve algoritmen voor contextverdichting noodzakelijk worden.
*   **6 tot 12 maanden:** Het operationele tijdsbestek waarin sprongen in de mogelijkheden van basismodellen complexe maatwerklogica voor aansturingsraamwerken, tussenliggende abstracties en gespecialiseerde omhulsels voor gebruikersinterfaces achterhaald maken.
*   **10 tot 60 minuten:** De gebruikelijke tijdsduur waarin aanbieders van basismodellen opdrachtcaches actief houden, die het optimale tijdvenster bepaalt voor kostenefficiënte contextverdichting op de achtergrond.
*   **Uren/dagen tot meerdere weken/meerdere maanden:** De structurele verschuiving in beoogde uitvoeringshorizonten, van korte interactieve terminalsessies naar autonome achtergrondwerkstromen met een lange tijdshorizon.

## Wat dit beeld zou veranderen

1.  **Verschuiving van verdichting met informatieverlies naar graafgebaseerde geheugenarchitecturen:** Een brede verschuiving binnen de sector van standaardcontextsamenvattingen in markdown naar kennisgrafen zonder informatieverlies zou het langetermijngeheugen en de contextuele nauwkeurigheid tijdens uitvoeringsperioden van meerdere maanden sterk verbeteren.
2.  **Standaardisering van evaluatiereferenties voor agenten met een lange tijdshorizon:** De ontwikkeling van voorspellende, in de tijd gecomprimeerde offline evaluatieraamwerken zou technische teams in staat stellen om agentwerkstromen van meerdere weken binnen enkele uren nauwkeurig te toetsen, in plaats van te wachten op uitvoeringscycli in werkelijke tijd.
3.  **Brede inzet binnen ondernemingen van computergebruik zonder zichtbare gebruikersinterface:** Algemene toepassing van directe visuele navigatie via toegankelijkheidsbomen en pixelinteractie in bedrijfssoftware zou de noodzaak van traditionele API-integraties en specifieke implementaties van Model Context Protocol wegnemen.
4.  **Ingebouwde stem- en spraakintegratie op hardwareniveau:** De verspreiding van continu aanwezige stemhardware met lage latentie, in uitvoeringsvormen die zijn afgestemd op spraakverwerking in werkelijke tijd, zou de primaire aansturing van agenten verschuiven van lichte toepassingen voor tekstberichten naar doorlopende audio-interactielussen.

Voor diepgaandere inzichten in infrastructuur voor continu autonome agenten en een beoordeling van moderne implementaties van modelaansturingsraamwerken kunt u de onderzoeksbronnen met open broncode op de website van DeepValues Research bezoeken of het platform rechtstreeks ervaren in de DeepValues-app.
## Geraadpleegde bronnen

Stanford CS146S: How always-on agents work, presentation by Lee Robinson on the leerob YouTube channel.

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
