Generativ AI och chattbottar som ChatGPT har förändrat hur vi interagerar med teknik. Men vad är nästa steg? I det här avsnittet av podden gästas Jonas Jaani av William Sundqvist, Lead Developer och Projektledare på Sogeti, för att djupdyka i ett av de hetaste ämnena i IT-branschen just nu: AI-agenter.



William, som har experimenterat intensivt med tekniken, delar med sig av sina praktiska erfarenheter och misstag. Från att bygga en "super-agent" som "gick bananas" till att skapa en hel "farm" av specialiserade AI-agenter som samarbetar för att bygga och testa kod.



Vad är en AI-agent?



Många blandar ihop AI-agenter med vanliga chattbottar. William bryter ner utvecklingen i tre tydliga steg:




* Steg 1: Large Language Models (LLM)

* Detta är vad de flesta använder idag (t.ex. ChatGPT). Du ställer en fråga, och modellen ger dig ett svar baserat på sin träningsdata.





* Steg 2: AI Workflow

* Här börjar AI:n kopplas till specifika verktyg. Du kan be den att "kolla min kalender" och den kan interagera med kalender-API:t för att ge dig ett svar.





* Steg 3: AI-agenter (Nästa nivå)

* En agent har tillgång till en hel uppsättning verktyg (kalender, väder, kartor, filsystem etc.).



* Den stora skillnaden är autonomi. Du ger agenten ett mål (t.ex. "Planera min resa till Umeå") och den kan självständigt planera och utföra en serie uppgifter: kolla din kalender för ledig tid, kolla vädret i Umeå, hitta en resväg på kartan och sedan presentera en färdig plan.






Att bygga en "Vibe-Coding"-plattform



Williams mest ambitiösa projekt är att bygga en "vibe-coding"-plattform, där en användare bara behöver skriva en idé för en hemsida, och plattformen ska automatiskt generera, testa och hosta den färdiga applikationen.



Första försöket: "Super-agenten" som gick bananas



Williams första instinkt var att skapa en enda, kraftfull "super-agent" och ge den en enorm lista med instruktioner: "Du ska vara projektledare, utvecklare och testare. Du ska skriva filer, läsa filer, köra tester..."



Resultatet? Totalförvirring.




"När den börjar läsa filer så tappar den bort lite av sitt minne," förklarar William. "Den har en viss kontext den kan få plats med i huvudet... sen börjar de spåra ur, gå bananas."




Agenten hade för många instruktioner och för mycket ansvar. Den tappade bort sitt slutmål så fort den började arbeta med specifika uppgifter.



Lösningen: En "farm" av specialiserade agenter



Istället för en allsmäktig agent delade William upp ansvaret i en "farm" av flera små, specialiserade agenter som samarbetar:




* Projektledaren (Orchestrator): Denna agent tar emot användarens ursprungliga idé (t.ex. "Jag vill ha en andningsövnings-app"). Dess enda jobb är att bryta ner idén till en tydlig plan och agera mellanhand.



* Utvecklaren: Projektledaren skickar planen till utvecklar-agenten, vars enda fokus är att läsa och skriva kod och komponenter. När den är klar, rapporterar den tillbaka till projektledaren.



* Testaren: Projektledaren tar sedan koden från utvecklaren och skickar den till testar-agenten. Testaren kör koden, letar efter buggar och rapporterar felen.




Denna cykel (PM -> Utvecklare -> PM -> Testare -> PM -> Utvecklare...) fortsätter automatiskt tills testaren godkänner applikationen och projektledaren kan presentera den färdiga pr...