Vad är en AI-agent? En förklaring på vanlig svenska

En AI-agent är en AI-modell som kan vidta åtgärder för att nå ett mål, inte bara svara med text. Du ger den en uppgift, och den arbetar i en loop: bestämmer vad den ska göra härnäst, använder ett verktyg (redigera en fil, söka på webben, köra ett kommando, anropa en app), tittar på resultatet och bestämmer på nytt – tills uppgiften är klar eller den behöver din input. "Hjärnan" är oftast en stor språkmodell; verktygen är det som gör att den kan göra saker.

Varför det spelar roll när du bygger med AI

Moderna AI-appbyggare är agenter. När du ber om en funktion skriver de inte bara kod och lämnar över den till dig. De läser dina befintliga filer, gör ändringar, installerar paket, startar appen, läser felmeddelandena och åtgärdar dem – ofta över många steg utan att du följer varje steg.

Det är därför de kan bygga fungerande programvara i stället för kodsnuttar. Det förändrar också din roll. Du klistrar inte längre in kod; du leder en mycket snabb och kapabel assistent som ibland misstolkar instruktioner eller självsäkert tar en felaktig väg. Att förstå hur agenter fungerar hjälper dig att ge dem rätt mål, se när en agent går runt i cirklar och bestämma var du vill godkänna saker själv.

En vardaglig jämförelse

Jämför att fråga en vän om vägen med att anlita en budbärare.

Att fråga om vägen är en chatbot: du frågar, de berättar, du går. Om vägen är avstängd kommer du tillbaka och frågar igen.

En budbärare är en agent. Du säger "få det här paketet till den här adressen före 17." De väljer en rutt, märker en avstängd väg, tar en omväg, hittar husets sidoentré och rapporterar tillbaka "levererat, signerat av receptionen." Du sätter målet och gränserna – "lägg inte mer än 200 kronor på taxin" – och de sköter stegen.

Budbärare är bara så bra som uppdraget och gränserna du sätter. Det gäller agenter också.

Hur en agent fungerar

De flesta agenter följer samma grundloop:

1. Mål. Du beskriver vad du vill ha: "Lägg till ett kontaktformulär som mejlar mig inskickade meddelanden."
2. Planera. Modellen bestämmer nästa steg: "Först tittar jag på hur sajten är uppbyggd."
3. Agera. Den anropar ett verktyg: listar filer, läser startsidan.
4. Observera. Den läser verktygets resultat.
5. Upprepa. Utifrån det den såg väljer den nästa steg: skapa formuläret, lägg till serverkoden, kör appen, leta efter fel.
6. Avsluta eller fråga. När målet är uppnått rapporterar den tillbaka. Om den är blockerad eller osäker frågar den dig.

Runt loopen finns några fler delar:

Verktygen är nyckelidén. En modell på egen hand kan bara producera text. Verktyg gör den texten till handling – och standarder som MCP gör det enklare att koppla in nya verktyg i en agent.

Ett praktiskt exempel: att fixa ett trasigt registreringsformulär

Säg att väntelistans formulär på din publicerade sajt slutat spara e-postadresser, och du säger till din AI-byggare: "Väntelistans formulär sparar inget längre. Fixa det."

En typisk agentkörning kan se ut så här:

1. Läser formulärkomponenten och serverkoden som hanterar inskick.
2. Kör appen och skickar in en testadress.
3. Läser felet: servern säger att en databaskolumn som heter email_address inte finns.
4. Tittar på databasstrukturen: kolumnen heter faktiskt email. En nyligen gjord ändring döpte om den på ett ställe men inte på ett annat.
5. Redigerar serverkoden så att den använder rätt kolumnnamn.
6. Testar igen: skickar in en testadress och bekräftar att en ny rad dyker upp.
7. Rapporterar: "Formuläret skrev till en kolumn som inte längre finns efter gårdagens ändring. Jag uppdaterade serverkoden och bekräftade att en testregistrering sparas."

Du gav en instruktion; agenten tog sju steg, inklusive två tester. Det är styrkan. Risken är samma sak sedd från andra sidan: om agenten i stället hade bestämt sig för att byta namn på databaskolumnen kunde den ha brutit något annat, och du kanske inte märkt det om du inte läst dess sammanfattning.

Viktiga termer förklarade

Vanliga misstag och missuppfattningar

• "Agenter är helt oberoende." Dagens agenter fungerar bäst på väldefinierade uppgifter med tydliga mål. Vaga, öppna mål ("öka min affär") ger sysslolöst arbete.
• "Den sa att den är klar, så den är klar." Agenter rapporterar ibland framgång efter delvis arbete. Kontrollera resultatet själv, särskilt sådant som berör pengar, data eller användare. Se hur du granskar AI-genererad kod.
• Att ge för många behörigheter. En agent som kan skicka mejl, radera data och spendera pengar behöver snäva gränser och ditt godkännande för riskfyllda åtgärder.
• Att låta den gå i loop. Om en agent upprepade gånger försöker samma lösning, stoppa den och ge den mer information eller ett annat tillvägagångssätt.
• Att lita på innehåll den läser. Agenter som läser webbsidor eller mejl kan luras av text skriven för att manipulera dem (prompt injection). Var försiktig med vad en agent kan göra efter att ha läst opålitligt innehåll.
• Stora enskilda förfrågningar. Stora uppgifter blir mer pålitliga när de delas i steg du kan kontrollera.

Vad du ska be din AI-agent om

• "Planera det här först. Berätta stegen innan du ändrar något."
• "Ändra bara filer som har med bokningsformuläret att göra."
• "Efter ändringen, testa den och berätta exakt hur du kontrollerade."
• "Om du behöver ändra databasstrukturen, fråga mig först."
• "Sammanfatta vad du ändrade och allt du är osäker på."
• "Stanna och fråga om samma fix misslyckas två gånger."

För tydligare instruktioner, se vad prompt engineering är.

AI-agenter i Mythex

Mythex är byggt kring en agent. I ditt projekts privata molnsandlåda kan den skapa och redigera filer, installera paket, köra terminalkommandon, granska fel och iterera, och använda verktyg från anslutna appar. För komplexa jobb kan den starta underagenter, vars arbete du kan öppna och följa. Plan-läget låter den föreslå ett tillvägagångssätt utan att redigera, Ask-läget svarar utan att ändra filer, och checkpoints låter dig rulla tillbaka om en ändring går fel. Det fungerar också åt andra hållet: agenter som Claude, Cursor eller Codex kan bygga i Mythex via dess MCP-server.

Frågor