AI-agenter: fra begreb til system, der kan handle
Forstå forskellen på chatbot, workflow og agent. Lær derefter at designe værktøjer, adgang, viden, memory, godkendelser og tests, så agenten kan bruges uden at gøre systemet uforudsigeligt.
En AI-agent er først interessant, når den får lov til at gøre mere end at formulere et svar. Den kan vælge et værktøj, hente data, tage næste skridt eller foreslå en handling. Det betyder også, at fejl ikke længere kun er “et dårligt svar”. En fejl kan blive til et forkert API-kald, en forkert ændring i CRM eller en handling, der aldrig burde være udført.
Skeln mellem tre forskellige arkitekturer
Chat: modellen får input og returnerer et svar. Automation: et foruddefineret flow flytter data gennem faste regler. Agent: modellen får et mål og kan vælge mellem tilladte handlinger undervejs. Mange løsninger bliver bedre, når de kombinerer de tre i stedet for at forsøge at gøre alt agentbaseret.
Har du en proces, hvor “hvis A, så B” kan beskrives på forhånd, bør den del normalt være regelbaseret. Brug agentlogik dér, hvor systemet faktisk skal fortolke ustruktureret input, vælge blandt flere legitime muligheder eller samle information, før det kan beslutte næste forslag.
En agent består af mere end en model
Tænk i seks lag: mål, instruktioner, kontekst, værktøjer, tilstand/hukommelse og kontrol. Modellen er kun ét af lagene. Et værktøj skal have et tydeligt skema og mindst mulige rettigheder. Kontekst skal være relevant for den aktuelle opgave. Memory skal gemme noget med et eksplicit formål. Og skrive-handlinger bør ligge bag validering eller menneskelig godkendelse, når konsekvensen er høj.
Byg kun læsning før skrive
En god første agent kan ofte nøjes med at læse. Lad den fx finde en kunde, hente en gældende regel og foreslå næste handling. Når du kan se, at retrieval, værktøjsvalg og output er stabile, kan du tilføje én skrivehandling med snævre rettigheder. Det gør fejl nemmere at forstå og begrænser skaden, hvis agenten vælger forkert.
Test hele opgaven – ikke kun slutteksten
Et eval-sæt bør indeholde normale sager, uklare input, manglende data, værktøjsfejl, timeout, modstridende kilder og forsøg på prompt injection. Mål om opgaven blev løst, om de rigtige værktøjer blev valgt, om agenten respekterede stopregler, hvor ofte et menneske måtte rette den, og hvilke fejl der faktisk havde konsekvens.
Officielle kilder og dokumentation
Tag det i en rækkefølge, der bygger ovenpå
Start dér, hvor din forståelse mangler. Brug næste guide, når du kan bruge den foregående på en rigtig opgave.
System prompts: hvad er de, og hvordan bruges de?
En system prompt er en overordnet instruktion, der sætter adfærd, rolle og grænser for en model eller agent. Den bør indeholde varige regler – ikke alle detaljer fra den enkelte brugeropgave.
Prompt chaining: del komplekse opgaver op
Prompt chaining opdeler en kompleks opgave i flere kontrollerbare trin, hvor output fra ét trin bliver input til det næste. Det gør fejl lettere at opdage og giver mulighed for menneskelig godkendelse mellem faser.
ChatGPT til virksomheder
Virksomheder bør behandle ChatGPT som en kapabilitet med styring, ikke som en samling individuelle tricks. Værdi opstår, når teams deler godkendte arbejdsmønstre, datakrav og gennemgangsregler.
Kom i gang med n8n: byg dit første robuste workflow
En trin-for-trin guide til dit første n8n-workflow med trigger, data mellem nodes, test og en reel fejlvej.
n8n AI Agent: praktisk guide
En n8n AI Agent bør bruges, når modellen skal vælge mellem værktøjer eller næste handling. n8n gør det muligt at kombinere agentbaseret reasoning med faste workflowregler og menneskelig godkendelse, så hele processen ikke behøver…
Se emnet i et rigtigt flow
AI-agent med godkendelse før handling i Make
Lad agenten foreslå en handling, men kræv godkendelse før en skrivehandling.
Se workflow- 1Trigger
- 2Normalisering
- 3AI
- 4Routing / handling
Kundeservice-svar med Make og human godkendelse
Lav svarudkast og kræv godkendelse ved usikre sager
Se workflow- 1Trigger
- 2Normalisering
- 3AI
- 4Routing / handling
AI-agent med godkendelse før handling i Make
Lad agenten foreslå handling, men kræv approval før write
Se workflow- 1Trigger
- 2Normalisering
- 3AI
- 4Routing / handling
Værktøjer og beslutninger
Produktnavnet bør komme efter problemet. Brug profiler og sammenligninger til at se kompromiser og begrænsninger.
AI-agent vs chatbot: vælg arkitektur efter handling og risiko
En chatbot er ofte nok, når brugeren stiller spørgsmål og selv udfører næste handling. En agent bliver relevant, når systemet skal vælge værktøjer, holde styr på processtatus og udføre kontrollerede handlinger. Vælg den mindst komplekse arkitektur, der løser opgaven.
Se sammenligningAI-agent vs automation: hold faste regler regelbaserede
En automation følger kendte regler og branches. En AI-agent vælger næste handling ud fra mål og kontekst. De stærkeste produktionssystemer kombinerer ofte begge: regelbaseret workflow omkring et lille, velafgrænset agentbaseret trin.
Se sammenligningn8n vs Make vs Zapier: vælg den rigtige platform
Der er ikke én vinder. n8n prioriterer fleksibilitet/self-hosting, Make et visuelt scenario-canvas og Zapier hurtig SaaS-automation. Score dem på jeres egne flows, styring og driftsbehov.
Se sammenligningn8n vs Make: vælg efter kompleksitet og drift
n8n giver stor fleksibilitet, kode og self-hosting; Make prioriterer en visuel SaaS-oplevelse. Test den samme realistiske proces med fejlvej og AI-trin i begge.
Se sammenligning