Utvikling av AI-agenter
Teknisk utvikling av AI-agenter — språkmodeller som bruker verktøy for å fullføre oppgaver i flere steg, bygget med avgrensede tilganger, målbar kvalitet og drift som tåler hverdagen.
Verktøy og rammeverk vi bruker
- Claude Agent SDK
- Anthropic API
- OpenAI Responses API
- Azure AI Foundry
- Model Context Protocol (MCP)
- Strukturerte svar og JSON-skjema
- Playwright MCP
- Stagehand
- TypeScript og Zod
- Evaluering og guardrails
Hva en AI-agent er — og hva den ikke er
En AI-agent er en språkmodell som kan bruke verktøy for å fullføre en oppgave: lese et dokument, slå opp i et system, styre en nettleser eller lage et utkast som et menneske godkjenner. Det som skiller en agent som virker fra en som imponerer i en demo, er sjelden modellen. Det er verktøyene den får, grensene rundt dem og hvordan kvaliteten måles.
Vi har bygget en AI-assistent for et utviklingsteam som gjennomgår pull requests og skriver utkast til endringslogger, en personlig assistent-agent som jobber over iMessage og e-post med tilgang til verktøy, og en agentisk assistent for regnskapsarbeid med revisjonsspor og integrasjoner som bare har lesetilgang.
Arkitekturen bak en agent som tåler drift
- Smale, typede verktøy. Hvert verktøy gjør én ting, har et tydelig skjema og validerer input med Zod eller tilsvarende. Vi eksponerer dem gjerne som MCP-servere, slik at de kan gjenbrukes av flere agenter og klienter.
- Strukturerte svar. Agenten svarer i et definert JSON-format i stedet for fritekst der resultatet skal brukes videre, for eksempel som kommentarer i en pull request.
- Modellen bak et grensesnitt. Kall til Claude, OpenAI og Azure AI Foundry går gjennom ett lag, slik at modell kan byttes og sammenlignes uten å endre agentlogikken.
- Evaluering som kode. Et sett med reelle eksempler kjøres ved hver endring i instruksjoner eller modell, slik at vi ser om kvaliteten går opp eller ned.
- Logging, kostnad og godkjenning. Hvert verktøykall logges med input og resultat, tokenbruk følges per oppgave, og handlinger som endrer noe venter på et menneske.
Claude, OpenAI og Azure AI Foundry
Vi jobber med Claude via Anthropic API og Claude Agent SDK, med OpenAI Responses API og med både OpenAI- og Anthropic-modeller deployet i Azure AI Foundry. Foundry er et godt valg når dataene må behandles innenfor virksomhetens egen skyavtale og tilgangsstyring. For agenter som må bruke nettsider, har vi erfaring med nettleserautomatisering via Playwright MCP og Stagehand.
Er dere fortsatt i fasen der dere vurderer hvor AI kan gi verdi, er tjenesten AI og automatisering et bedre sted å starte.
Typiske oppdrag
Agenter i utviklingsflyten
Gjennomgang av pull requests og utkast til endringslogg, kjørt i teamets CI og vurdert av utviklerne før noe publiseres.
Assistenter med verktøy
Agenter som leser e-post, slår opp i systemer og foreslår handlinger, med lesetilgang som standard og godkjenning før noe endres.
MCP-servere for egne systemer
Kontrollerte verktøy som lar Claude, ChatGPT og interne agenter bruke virksomhetens API-er og data, med tilgangsstyring og logging.
Fra prototype til drift
Vi tar en agent som virker i en demo, og gir den evaluering, feilhåndtering, kostnadskontroll og observasjon slik at den kan brukes hver dag.
Relevant erfaring
Prosjekter og åpen kildekode der teknologien er brukt i praksis.
Vanlige spørsmål
Hva er forskjellen på en AI-agent og en chatbot?
En chatbot svarer på spørsmål. En agent kan i tillegg bruke verktøy — slå opp data, kalle API-er eller styre en nettleser — for å fullføre en oppgave i flere steg.
Hvilke språkmodeller bruker dere?
Vi bruker blant annet Claude fra Anthropic og modeller fra OpenAI, direkte eller via Azure AI Foundry. Vi bygger agentene slik at modellen kan byttes uten å skrive om resten av løsningen.
Hvordan hindrer dere at agenten gjør noe galt?
Agenten får så få og så smale verktøy som mulig, starter med lesetilgang, og alle handlinger logges. Endringer krever menneskelig godkjenning, og vi evaluerer agenten på reelle eksempler før den tas i bruk.
Hva er MCP?
Model Context Protocol er en åpen standard for å gi AI-modeller tilgang til verktøy og data. Vi bygger MCP-servere som lar agenter bruke systemene deres på en kontrollert måte.
Vi vet ikke ennå hvor AI kan hjelpe oss. Er dette riktig side?
Da passer tjenesten AI og automatisering bedre. Der starter vi med å kartlegge arbeidsflyten og finne oppgavene der AI gir målbar verdi. Denne siden handler om selve byggingen når oppgaven er valgt.
Relaterte teknologier
Del av tjenesten: AI og automatisering
Trenger dere hjelp med AI-agenter og LLM?
Fortell kort om produktet, teamet eller systemet. Vi svarer med et konkret forslag til neste steg — enten det er en hel leveranse, senior kapasitet i teamet eller tekniske råd.
- Telefon
- 920 50 946
- Sted
- Oslo, Norge