AI-agenter — Autonome systemer der planlægger og udfører opgaver

En AI-agent er et LLM-baseret system der ikke blot svarer på spørgsmål — det planlægger og udfører en sekvens af handlinger for at nå et mål. I stedet for ét svar på én prompt itererer agenten: observér situation → planlæg næste skridt → udfør handling (tool call) → observér resultat → planlæg videre.

Kernekomponenterne i en agent:

• LLM: Ræsonnerer, planlægger og beslutter næste handling
• Tools: Funktioner agenten kan kalde — søgning, kodeudførelse, filhåndtering, API-kald
• Minne/kontekst: Hvad agenten har gjort og observeret hidtil
• Mål: Den opgave eller instruktion der driver hele forløbet

ReAct og planlægningsparadigmer

Det dominerende paradigme er ReAct (Reasoning + Acting): agenten veksler mellem at ræsonnere (“hvad er næste logiske skridt?”) og at handle (kalde et tool). Ræsonnementet er synligt i modellens output og muliggør fejlkorrektion.

For mere komplekse opgaver bruges Plan-and-Execute: agenten laver en komplet plan over alle trin først og udfører dem derefter — enten sekventielt eller med parallelisering. Bedre for veldefinerede opgaver, men sårbar over for ændringer i forudsætninger undervejs.

Multi-agent-systemer

Én agent er begrænset af sit context window og sin specialisering. Multi-agent-systemer koordinerer flere agenter: en orchestrator-agent planlægger og delegerer til specialiserede sub-agenter (en til research, en til kodeudførelse, en til formatering). Anthropics Model Context Protocol (MCP) er en åben standard der formaliserer dette.

Agenters begrænsninger

Agenter fejler på lange opgavekæder fordi fejl tidligt i en sekvens propagerer og forstærkes. Kontekstvinduet er en hård grænse; meget lange agentic sessioner mister tidlig kontekst. Og agenter er ikke deterministiske — to kør af den samme opgave kan give markant forskelligt output.

For produktionsbrug kræver det menneskelig oversigt over kritiske beslutninger og robust fejlhåndtering — ikke blind tillid til at agenten klarer alt selv.