AI-agenter — Autonome systemer der planlægger og udfører opgaver

Ofte stillede spørgsmål

Hvad er en AI-agent og hvad adskiller den fra en chatbot?

En AI-agent er et LLM-baseret system der ikke blot svarer på spørgsmål men planlægger og udfører en sekvens af handlinger for at nå et mål. En chatbot svarer på én prompt ad gangen. En agent itererer: observér situation → planlæg næste skridt → udfør handling via tool call → observér resultat → planlæg videre. Kernekomponenterne er en LLM til ræsonnement og planlægning, tools der giver adgang til eksterne systemer, en hukommelse over hvad agenten har gjort, og et mål der driver hele forløbet.

Hvad er ReAct-paradigmet i AI-agenter?

ReAct (Reasoning + Acting) er det dominerende paradigme for AI-agenter. Agenten veksler eksplicit mellem at ræsonnere ('hvad er det næste logiske skridt?') og at handle (kalde et tool). Ræsonnementet er synligt i modellens output som 'chain-of-thought', hvilket muliggør fejlkorrektion og giver transparens om, hvad agenten planlægger at gøre. For mere komplekse opgaver bruges Plan-and-Execute, hvor agenten laver en komplet plan over alle trin først og udfører dem derefter.

Hvad er de primære begrænsninger ved AI-agenter?

Agenter har tre strukturelle begrænsninger: fejl tidligt i en opgavekæde propagerer og forstærkes (en fejlagtig kategorisering i trin 1 kan resultere i komplet forkert output i trin 10), kontekstvinduet er en hård grænse der gør meget lange agentic sessioner sårbare over for at miste tidlig kontekst, og agenter er ikke deterministiske — to kørsel af den samme opgave kan give markant forskelligt output. For produktionsbrug kræver det menneskelig oversigt over kritiske beslutninger og robust fejlhåndtering.

Hvad er forskellen på et single-agent og multi-agent system?

Et single-agent system bruger én LLM der håndterer hele opgaven sekventielt. Et multi-agent system koordinerer specialiserede sub-agenter: en orchestrator-agent planlægger og delegerer til en research-agent, en kodeudførelses-agent og en formateringsagent der kører parallelt. Multi-agent reducerer kompleksiteten per agent og muliggør parallelisering, men introducerer koordinationsudfordringer og øget risiko for at fejl i én agent påvirker andre.

Hvad er Anthropics Model Context Protocol (MCP) og hvad har det med AI-agenter at gøre?

MCP er en åben standard fra Anthropic der standardiserer, hvordan AI-agenter forbinder til eksterne tools, databaser og tjenester. Frem for custom point-to-point integrationer per tool definerer MCP en fælles protokol — agenten taler MCP, og alle MCP-kompatible tjenester er tilgængelige uden separate integrationer. Det er infrastruktur-laget der gør det praktisk at bygge agenter med rig tool-adgang.