Praktisk veiledning: Bygg din første KI-agent

Hva er en KI-agent, og hvordan skiller den seg fra en bot?

Hva er egentlig en KI-agent? Og hva skiller den fra en chatbot?

En KI-agent oppfatter omgivelsene sine, tar beslutninger og handler på egen hånd for å nå bestemte mål. En enkel bot følger bare et fast skript. En agent kan derimot handle selvstendig og tilpasse seg, noe som skiller den grunnleggende fra enklere forgjengere.

En agent har i bunn og grunn fire hoveddeler: * Modell: Agentens «hjerne», vanligvis en stor språkmodell som gjør den i stand til å forstå, resonnere og planlegge komplekse oppgaver. * Persepsjon: Sensorene eller inndataene agenten bruker for å hente informasjon fra omgivelsene, enten det er tekst fra en nettside eller rådata fra et API. * Minne: Denne delen gjør at agenten kan bevare kontekst fra tidligere handlinger og observasjoner.

* Verktøy: Agentens «hender». Dette er funksjonene eller de eksterne API-ene agenten bruker for å samhandle med omgivelsene og utføre oppgaver.

En tenkt agent for svindeloppdagelse kan analysere transaksjonsmønstre, flagge avvik og sende usikre saker til en saksbehandler. Eksempelet viser hvordan en agent arbeider i en løkke, uten å fremstille en oppdiktet utrulling i en bank som erfaring AIGROW har.

Forstå de ulike typene KI-agenter

Ikke alle agenter er like.

De deles inn etter hvor avanserte de er, fra agenter som reagerer på det de ser, til agenter som modellerer omgivelsene og arbeider mot mål. Å kjenne forskjellene er viktig: Da unngår du å bygge en unødvendig komplisert løsning for en enkel oppgave eller en for enkel løsning for en kompleks oppgave.

Her er de fem hovedtypene KI-agenter: 1. Enkle refleksagenter: Den mest grunnleggende typen. Disse agentene følger enkle «hvis-så»-regler ut fra det de observerer her og nå, uten minne om fortiden.

En termostat er et godt eksempel: Hvis temperaturen synker under X, slår den på varmen. 2. Modellbaserte refleksagenter: Disse agentene bygger og vedlikeholder en intern modell av omgivelsene.

Dette interne kartet gjør at de kan håndtere situasjoner der de ikke ser alt, ved å huske hvordan forholdene endrer seg over tid. En robotstøvsuger som husker planløsningen hjemme hos deg, er en modellbasert agent. 3.

Målbaserte agenter: Et stort steg videre. Disse agentene reagerer ikke bare. De har konkrete mål og planlegger en rekke handlinger for å nå en ønsket tilstand.

Tenk på en GPS som beregner den beste ruten til reisemålet ditt. Det er en målbasert agent i praksis. 4.

Nyttebaserte agenter: Når flere veier fører til målet, velger disse agentene den som gir størst nytte eller gevinst. De veier fordeler mot ulemper for å ta et best mulig valg, noe som passer ved kompliserte beslutninger. En agent som handler aksjer for å maksimere fortjenesten, er et klassisk eksempel.

5. Lærende agenter: Den mest avanserte typen. Disse agentene forbedrer resultatene sine over tid ved å analysere tilbakemeldinger om tidligere handlinger og endre interne komponenter for å ta bedre beslutninger senere.

Nesten alle moderne generative KI-agenter har en viss evne til å lære.

I denne veiledningen bygger vi agenter som kombinerer modellbaserte, målbaserte og lærende egenskaper for å utføre nyttig arbeid.

Trinn 1: Definer agentens oppdrag med PEAS-rammeverket

Stopp opp før du skriver en eneste linje kode. Du trenger en plan.

Agentprosjekter krever en presis plan før du begynner å bygge. PEAS-rammeverket, som dekker resultatmål, omgivelser, handlingsmuligheter og sensorer, hjelper deg med å definere oppgaven og rammene før du velger verktøy.

PEAS deler oppdraget inn i fire tydelige deler: * P: Resultatmål: Hvordan vet du at agenten lykkes? Målet må kunne måles i tall. «Øke kundetilfredsheten» er et ubrukelig mål.

«Redusere gjennomsnittlig svartid på henvendelser med 30 %» er et godt mål fordi det er konkret, målbart og knyttet til et forretningsmål. * E: Omgivelser: Hvor skal agenten arbeide? Dette omfatter programvaren og maskinvaren den kjører på, dataene den har tilgang til, og reglene den må følge.

For en kundestøtteagent kan dette være en plattform for brukerstøtte, en kunnskapsbase og interne API-er. * A: Handlingsmuligheter: Hvordan handler agenten? Dette er verktøyene den bruker for å påvirke omgivelsene.

Den kan for eksempel sende en e-post, oppdatere en databasepost eller kalle et eksternt API. * S: Sensorer: Hvordan oppfatter agenten omgivelsene? Sensorene er agentens inndata. Det kan være en innkommende e-post, en chatmelding fra en bruker eller nye data fra et overvåkingsverktøy.

La oss gjøre det konkret med en agent som bestiller møterom. * Resultat: Bestille et rom som oppfyller alle krav til tidspunkt, kapasitet og audiovisuelt utstyr på under 60 sekunder, samtidig som bookingkonflikter minimeres. * Omgivelser: Selskapets Google Calendar, et API for rombestilling og et Slack-grensesnitt for brukerne.

* Handlingsmuligheter: Calendar API (for å opprette hendelser) og Slack API (for å sende bekreftelser). * Sensorer: Brukermeldinger i Slack og Calendar API (for å sjekke ledige tider).

PEAS-rammeverket gir deg en tydelig avgrensning og et målbart mål. Det er ikke et valgfritt tillegg, men det første avgjørende steget i et seriøst prosjekt.

Trinn 2: Bygg agentens kjerne med Python og et rammeverk

Nå som planen er klar, kan vi begynne å bygge.

Dette er ikke bare teori. Nå skal vi skrive kode og bygge din første agent. Vi bruker Python, det ledende språket for KI-utvikling, og CrewAI, et agentrammeverk vi foretrekker i de fleste prosjekter innen arbeidsflytautomatisering.

Hvorfor CrewAI?

Det passer godt for nybegynnere fordi oppbygningen er lett å forstå. Hele rammeverket bygger på en gruppe agenter der hver agent har en bestemt rolle, og de samarbeider om å nå et mål. Det gjør det enklere å holde orden på prosjektet fra starten.

Vi skal bygge en enkel researchagent. Brukeren oppgir et emne, og agentgruppen undersøker det og skriver en kort rapport. Ikke undervurder denne tilnærmingen: Nye data viser at 85 % av utviklere allerede bruker kodeagenter, og at agentene skriver 46 % av koden for brukerne sine.

Mulighetene er der.

Klargjør prosjektet 1. Installer biblioteker: Du trenger `crewai`, `crewai-tools` og et bibliotek for språkmodellen du velger. Vi bruker OpenAI.

pip install crewai crewai-tools 'crewai[openai]'

1. Legg inn API-nøkkelen: Opprett en fil som heter `.env` i prosjektmappen, og legg inn API-nøkkelen din for OpenAI.

OPENAI_API_KEY="your-api-key-here"

Skriv koden Opprett en Python-fil, for eksempel `main.py`. Hele agenten kan bygges med under 40 linjer kode.

import os
from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool


# Load environment variables
from dotenv import load_dotenv
load_dotenv()


# Set the model you want to use
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"


# 1. Define Tools
# We'll use a search tool for our researcher
search_tool = SerperDevTool()


# 2. Create Agents
# First, a researcher agent
researcher = Agent(
 role='Senior Research Analyst',
 goal='Uncover groundbreaking technologies and trends',
 backstory='You are a master of sniffing out emerging tech and analyzing its impact.',
 verbose=True,
 tools=[search_tool]
)


# Second, a writer agent
writer = Agent(
 role='Tech Content Strategist',
 goal='Craft compelling content on tech advancements',
 backstory='You turn complex technical concepts into engaging, easy-to-understand narratives.',
 verbose=True
)


# 3. Define Tasks
# A research task for the researcher agent
research_task = Task(
 description='Identify the top 3 most exciting AI trends in 2026.',
 expected_output='A bullet-point list of the top 3 trends with a brief explanation for each.',
 agent=researcher
)


# A writing task for the writer agent
write_task = Task(
 description='Compose an insightful blog post about the top 3 AI trends identified.',
 expected_output='A well-structured blog post of about 4 paragraphs.',
 agent=writer
)


# 4. Assemble the Crew
# Create the crew with the agents and tasks
tech_crew = Crew(
 agents=[researcher, writer],
 tasks=[research_task, write_task],
 verbose=2 # Verbose output shows the agent's thought process
)


# 5. Kick off the work!
result = tech_crew.kickoff()


print("\n\n########################")
print("## Here is the result:")
print("########################\n")
print(result)

Dette enkle skriptet oppretter et team med to agenter som samarbeider. `researcher` finner informasjon, og `writer` bruker den til å skrive en ferdig rapport. Når du kjører skriptet, får du se grunnprinsippene for agentbygging i praksis og et utgangspunkt for mer komplekse prosjekter.

Trinn 3: Evaluer, sikre og rull ut KI-agenten din (AgentOps)

En agent på din egen PC er en prototype. Ikke noe mer.

For å ta den i bruk slik at den skaper reell verdi, trenger du en systematisk prosess. Vi kaller den AgentOps. Denne livssyklusen har tre trinn du ikke kan hoppe over: evaluering, sikkerhet og produksjonssetting.

Nybegynnere hopper nesten alltid over disse trinnene. Derfor får prosjektene deres sjelden noen reell effekt.

1. Evaluering Hvordan dokumenterer du at agenten fungerer? Du må måle ytelsen systematisk.

• Definer mål for suksess: Fastsett først tydelige nøkkelindikatorer (KPI-er) som henger sammen med PEAS-rammeverket ditt. Er målet å redusere tiden det tar å løse en sak, øke salgskonverteringen eller fullføre en bestemt arbeidsflyt? Det du ikke måler, kan du heller ikke forbedre.
• Lag et testsett: Sett sammen et referansesett med varierte og krevende inndata. Det må omfatte vanlige tilfeller, uvanlige grensetilfeller og eksempler laget for å få agenten til å feile.
• Automatiser evalueringen: Kjør agenten automatisk mot testsettet etter hver eneste endring. Ved å sammenligne resultatene med en referanse du vet er riktig, kan du oppdage tilbakefall med én gang og hindre at agenten gradvis blir dårligere.

2. Nødvendige sikkerhetstiltak En autonom agent med tilgang til verktøy kan gjøre stor skade.

Hvis agenten blir kompromittert, kan den slette databaser, tømme bankkontoer eller lekke sensitive data. Du må sikre den.

• Prinsippet om minste privilegium: Gi agenten bare tilgangene den trenger for å gjøre jobben. Ikke flere. Trenger den bare å lese fra en database, skal den aldri få skrivetilgang.
• Menneskelig godkjenning: Krev godkjenning fra en person før handlinger med store konsekvenser, som å behandle en refusjon på over $100 eller slette en bruker. Agenten kan gjøre alt forarbeidet og legge den siste handlingen i kø, slik at en person kan klikke på «bekreft».
• Rensing av inndata og utdata: Behandle alle inndata som potensielt skadelige. Du må rense innkommende data for å beskytte mot prompt injection, der en angriper lurer agenten til å følge angriperens instruksjoner i stedet for dine.

3. Produksjonssetting Å sette en agent i produksjon er mer enn å kjøre `python main.py` på en server.

• Bruk et skymiljø: Plattformer som AWS, Google Cloud og Azure gir deg infrastrukturen du trenger for å skalere.
• Pakk applikasjonen i en container: Legg agenten og alle avhengighetene i en Docker-container. Da kan den flyttes mellom miljøer og kjøre likt overalt.
• Sett opp logging og overvåking: Loggfør hver beslutning, hvert verktøykall og hvert resultat. Uten verktøy som gir innsyn i driftstilstanden og overvåker ytelse, kostnader og feilrater i sanntid, har du ikke oversikt.

En strukturert AgentOps-livssyklus er ikke bare god praksis. Det er forskjellen på et hobbyprosjekt og et produksjonsklart system du kan stole på.

Hvorfor de fleste nybegynnerprosjekter med KI-agenter mislykkes (og hvordan ditt kan lykkes)

Den harde sannheten er at de fleste nybegynnerprosjekter med agenter mislykkes.

Mange agentprosjekter stopper opp fordi ingen har definert arbeidsflyten, tilgangene, evalueringstilfellene eller hvem som har ansvar for driften. Valg av modell kan ikke rette opp et uavklart omfang eller manglende akseptansetester.

En nyttig prosjektbeskrivelse angir arbeidsflyten, hvordan suksess måles, hvilke handlinger agenten har lov til å utføre, hvordan saker eskaleres, og hvor mye feil som kan aksepteres. Et mål om å besvare forespørsler om ordrestatus innen et definert servicenivå kan testes. Et mål om å bygge en kundeserviceagent er for bredt.

Dette er en avgjørende ramme for utformingen, ikke noe du kan ta til slutt.

1. Ingen ramme for evaluering: Hvordan vet du om endringene hjelper eller skader? Uten et standardisert testsett, et referansesett, blir det bare gjetting. Hver gang du justerer en instruksjon eller et verktøy, risikerer du å innføre feil som ikke blir oppdaget før etter flere uker. En grundig, automatisert evalueringsprosess er helt nødvendig når løsningen skal tas i bruk.
2. Full autonomi for tidlig: Mange nybegynnere ser for seg en fullstendig autonom agent som ikke trenger menneskelig tilsyn. Det kan gå svært galt. En tryggere utrulling begynner med at agenten klargjør arbeidet for godkjenning fra en person. Gi den mer selvstendighet først når representative tester og overvåking i produksjon støtter endringen. Denne løsningen med menneskelig godkjenning bygger tillit og gir et viktig sikkerhetsnett.

Å lykkes med agenter handler ikke om å finne den perfekte instruksjonen. Det handler om grundig utviklingsarbeid, tydelige mål og en realistisk tilnærming til automatisering.

Hvordan velger du riktig rammeverk for KI-agenter?

Rammeverket du velger, har mye å si.

Det påvirker hvor raskt du kan utvikle, hva agenten kan gjøre, og hvor krevende prosjektet blir å vedlikeholde. Med så mange alternativer kan det være vanskelig å velge. La oss derfor sammenligne tre av de store: LangChain, AutoGen og CrewAI.

Valget av rammeverk avhenger av arbeidsflyten og bør prøves ut med en representativ prototype. Sammenlign håndtering av tilstand, verktøyintegrasjon, innsyn i driftstilstanden, modell for produksjonssetting, vedlikehold og lisensvilkår mot de samme akseptansetestene før du bestemmer deg.

Hvilket rammeverk bør en nybegynner velge? Hvis du følger denne veiledningen, er anbefalingen vår klar: Begynn med CrewAI.

Den rollebaserte modellen er enkel å forstå og lar deg bygge et kraftig system med flere agenter og overraskende lite kode. Enda viktigere er det at den gir prosjektet en tydelig struktur som hjelper deg å unngå vanlige feil i utformingen.

Når du har mer erfaring, kan du gå videre til LangChain (nærmere bestemt LangGraph) for mer detaljert kontroll over komplekse kjøreprosesser, eller utforske AutoGen til avansert forskning. Men hvis du vil få en fungerende agent på plass raskt og effektivt, er CrewAI det naturlige valget.