Agentskola

Ja, det stämmer.
Men å andra sidan kan det vara lite olika hur vi definierar intelligens. Vi prata ju inte om myror som intelligenta varelser, eller dagsländor.
Men jag håller med.

Edit: och på samma vis är allt organiskt liv intelligent i olika utsträckning

På 50-talet tolkade man att if-satser och while-satser samt logik i datorer är AI.
Dom kunde liksom ta ett beslut.

Intressant. Så satserna du nämnde blir lite som på det viset vi diskriminerar information? Det blir ju nästan som att man kan föreställa sig dessa funktioner inbakade i princip allt.positivt eller negativt energi. Ta eller ge. Etta eller nolla.
Tack för bra vägledning. Det är betydligt intressantare att lära sig.., epistemologi, i brist på bättre ord.

Tips: Lär dig Modern C++

Du kommer tacka dig själv.

Här finns kompatibelt lager med openAI om du hellre föredrar att arbeta mot Claudes modeller senare.

https://platform.claude.com/docs/en/cli-sdks-libraries/libraries/openai-sdk

Det började på riktigt i år när OpenClaw släpptes, nu för tiden använder de flesta Hermes. Man installerar den, väljer vilken motor man vill använda (en LLM som en ChatGPT modell tex, finns flera gratis och nästan gratis alternativ). Sen installerar man skills, som är som uppgifter den kan göra åt dig, tex söka igenom internet och börsmarknaden och hitta bra aktier att köpa. Finns massor av saker den kan göra, det är ofta att söka information, göra digitala arbeten som att skriva, programmera, skapa videor, hantera sociala medier, etc.

Ja, jo.
Det låter ju väldigt bra
Min tanke var liksom att för att bli lite mer insatt i ämnet så skulle jag behöva göra något praktiskt. Men jag har egentligen ingen direkt nytta av någon agent.
Att läsa på lite om hur kodningen fungerar gör en hel del för mig som egentligen är mer intresserad av människor.
Men tack för bidraget. Det är säkert många där ute som gärna skulle vill ha sig en liten agent.

En agent och ett agentiskt flöde är egentligen bara att modellen (AI hjärnan) läser en textfil med instruktioner som säger Gör det här - sen det här -sen det . . osv och sätter det i en loop.
Man kan ha olika modeller som gör olika uppgifter som man väljer genom sk modell routing (Open routing, Huggingface mfl) och agenten kan i sin tur skapa sub-agenter som utgör uppgifter om det behövs. Man kan också göra kodscript som driver funktioner i kedjan.
Man behöver inte kunna koda men man bör förstå systemet och arkitekturen. Det bugger på lager av funktionalitet. Orkestreringslager som dirigerar allt, semantiskt lager som ser till att datan betuder lika överallt, kontextlager som beskriver nyttan etc.

En AI-agent kan mer än en vanlig chatbot. En enkel chatbot kan i grunden bara svara på det du skriver i chattfönstret, en prompt i taget. En AI-agent kan dessutom kommunicera med omvärlden och agera i ditt ställe med hjälp av olika verktyg. Du kan till exempel be den lägga in händelser i din kalender, bevaka dina mejl, utföra uppgifter på olika webbplatser och i databaser, forska åt dig och skriva långa dokument.

En AI-agent kan också vara mer självständig än en chatbot. Den behöver inte alltid vänta på att du skriver en ny prompt, utan kan till exempel startas vid en viss tid eller när en händelse inträffar. Den skulle exempelvis kunna reagera när en viss kategori av mejl kommer in, bedöma om något behöver göras och sedan utföra en uppgift.

En modern AI-agent innehåller vanligen en LLM, precis som en chatbot, men också programlogik runt modellen. Denna brukar ibland kallas agentens **harness**. Den genererar promptar i LLM:et steg för steg och använder olika verktyg. Ett vanligt arbetssätt kallas **ReAct (Reason + Act)**: modellen växlar mellan att resonera om nästa steg och att utföra en handling, till exempel att söka information eller anropa ett verktyg. Resultatet från handlingen analyseras och används sedan för att avgöra nästa steg. Om målet inte nås kan agenten därför prova en annan väg om och om igen eller be användaren om hjälp.

En relaterad teknik är RAG (Retrieval-Augmented Generation). Det innebär att språkmodellen först söker relevant information från databaser stora filer eller från genom webbsökning, och sedan använder informationen när den skapar sitt svar. På så sätt kan en agent exempelvis använda information från organisationens egna dokument i stället för att bara förlita sig på kunskapen i språkmodellen. Man kan därmed begränsa vilken information användaren har rätt att fråga om.

För att en agent ska kunna kommunicera med informationssystem använder den ofta MCP (Model Context Protocol) eller Rest-API, exempelvis för att din agent ska komma åt dina filer på Google Drive eller Microsoft Teams.

AI-agenter är risky business eftersom de har stora friheter. Många säkerhetsincidenter har inträffat. Viktigare säkerhetsåtgärder är bland annat isolerade körmiljöer, begränsade behörigheter till olika användare i databsaer, loggning och att både en mer avancerad LLM och en människa måste godkänna riskfyllda handlingar, exempelvis att skicka känsliga uppgifter, radera data eller genomföra ekonomiska transaktioner.

Gränsen mellan chatbotar, AI-assistenter och AI-agenter är suddig, eftersom vanliga AI-chattjänster får allt fler agentiska funktioner. Man kan exempelvis koppla dem till mejl, kalender och andra tjänster och låta dem utföra uppgifter. Man behöver inte kunna programmera för att använda sådana funktioner eller bygga enklare egna agenter. Exempel på tjänster och plattformar för att enkelt skapa agenter utan att programmera är Microsoft Copilot Studio, ChaGPT Agent, ChatGPT Work.

En särskild form av agenter är **kodagenter**, som bland annat kan användas för vibe-kodning. De är mer avancerade än vanliga kodassistenter. I stället för att bara föreslå en bit kod varje gång du promptar, så kan en kodagent till exempel läsa ett helt projekt, ändra flera filer, köra programmet eller testerna, upptäcka fel och sedan ändra koden om och om igen, steg för steg, tills uppgiften är löst eller den behöver hjälp. Exempel på kodagenter är **OpenAI Codex** och andra agentiska utvecklingsverktyg.

Med en tjänst som svenskutvecklade **Lovable** kan man dessutom skapa en egen app utan att själv behöva skriva all programkod. Appen kan i sin tur innehålla agentiska funktioner.

Man kan även programmera en agent själv. Python är ett vanligt programspråk för detta, och man kan antingen bygga logiken från grunden eller använda färdiga bibliotek och ramverk. Ett exempel är **LangGraph**, som är ett Pythonramverk för att bygga flerstegsagenter och arbetsflöden. Google erbjuder **Agent Development Kit (ADK)**.

Testade lokal AI med en tidning på svenska
https://www.pcforalla.se/article/3210234/lokal-ai-sa-fungerar-det.html

Körde en chat med LLM 26 B med RTX 3090 men även utan bara 20 cuda i processorn i5-11400 som svarade genom RAM istället för VRAM men då med fyra token i sekunden och inte så praktiskt kanske.
Learningtree hade en kurs men den intresserade kan säkert knåpa ihop nåt själv.
Att köra lokalt med LM Studio eller LM Studio Bionic kan vara säkrare då det är lokalt.
Var ChatGPT är bra på är att föreslå programsatser men dessa fungerar inte i praktiken utan har syntaxfel och gör inget som utlovats av ChatGPT. Här vill man ha hjälp av en agent ju. Finns en väg framåt enligt dig.

Agent harness: https://pi.dev/
Installeras på din dator.
Kostar gratis.

Den måste kopplas till en LLM antingen på vilda webben eller en lokal modell. (Ex. Har du ett opanai konto så kan pi använda det.)

Kan avändas för att skapa program eller script eller lite vad som helst egentligen.

Du skriver ett recept pi förverkligar (via kopplad llm).

Min begåvning i ämnet är "några månader".

Ja, det va i stort sett så jag tänkte att det funkade. Jag var egentligen mest intresserad av att försöka förstå. Och blev liksom först lite häktad av idén att automatisera vissa praktiska uppgifter. Men det svalnade ganska snabbt när jag började kontemplera effekten.