Dybdegående guide

Sådan bygger du en AI-agent

En praktisk metode til at gå fra manuel proces til agent med klare tools, guardrails, testcases og human approval.

5 min.Opdateret 24. juli 2026

Kort fortaltEn praktisk metode til at gå fra manuel proces til agent med klare tools, guardrails, testcases og human approval.

Læs først

Brug indholdsfortegnelsen til venstre, hvis du allerede kender grundprincipperne og vil direkte til implementeringen.

Kort fortalt: En praktisk metode til at gå fra manuel proces til agent med klare tools, guardrails, testcases og human approval.

Hvorfor emnet er vigtigt

En praktisk metode til at gå fra manuel proces til agent med klare tools, guardrails, testcases og human approval. Den praktiske værdi opstår først, når du kan omsætte begrebet til en afgrænset proces, klare data og en måde at kontrollere kvaliteten på.

Start med processen – ikke modellen

Beskriv først den manuelle proces. Hvad er input? Hvilke beslutninger træffer et menneske? Hvilke systemer bruges? Hvad er et acceptabelt resultat? Først derefter vælger du model og platform.

Design tool-kontrakter

Hvert tool bør have snævre inputs og forudsigelige outputs. Et tool “manage_customer” er farligt bredt. Tre separate tools som “find_customer”, “create_note” og “request_refund_approval” er langt nemmere at styre.

En robust arbejdsgang

Definér succes
Beskriv et korrekt resultat, et forkert resultat og hvornår systemet skal stoppe.
Afgræns data
Giv kun nødvendig kontekst og brug autoritative kilder.
Begræns actions
Start med få tools og least-privilege adgang.
Valider
Brug schemas og business rules før downstream-handlinger.
Observer
Log tool calls, output, fejl og menneskelige overrides.

Sådan tester vi på PromptGuiden

Vi anbefaler et lille eval-sæt med realistiske cases: normale, tvetydige og bevidst problematiske inputs. Kør samme cases efter ændringer i prompt, model eller tools. Mål ikke kun om agenten “kommer i mål”, men også om den vælger de rigtige tools, undgår unødige kald og eskalerer korrekt.

Den praktiske model bag Sådan bygger du en AI-agent

En god første agent bør have ét afgrænset mål, få tools og en tydelig definition af, hvornår den er færdig. Projektet bliver markant nemmere, hvis du starter med procesdesign før du vælger model eller platform.

Agentens frihed skal være proportional med konsekvensen af dens handlinger. Research og klassificering kan have højere autonomi end refunds, publicering, betalinger eller ændringer i CRM.

InputEn konkret opgave, testcases, tool-specifikationer og adgangsregler.

KontrolMax iterations, approval gates, validering og revisionslog.

OutputEt struktureret resultat samt sporbarhed på de handlinger der førte dertil.

Sådan implementerer du det trin for trin

Tegn først processen som bokse: trigger, data, vurdering, tools, beslutning, approval og final action. Marker derefter hvilke bokse der kræver sproglig vurdering. Kun de bokse behøver AI.

Afgræns processen
Vælg et mål med tydelig sluttilstand og lav 15-30 realistiske testcases fra den virkelige proces.
Definér data og kontrakter
Giv hvert tool en smal opgave og et dokumenteret input/output-format. Navngiv tools efter handlingen, ikke efter systemet.
Byg den mindste brugbare version
Byg agent-loopet med lavt maksimum for antal tool calls og eksplicit fallback til menneske.
Test på realistiske cases
Kør tests med både normale og fjendtlige inputs, og sammenlign output på tværs af model- eller promptversioner.

Eksempel fra en rigtig arbejdsgang

En support-agent kan få tools til at slå ordrestatus op, hente returpolitik og oprette et udkast til svar. Den bør ikke få et generelt “WooCommerce admin”-tool med fulde rettigheder, hvis den kun behøver tre specifikke handlinger.

Designregel: Smalle tools og klare stopkriterier giver typisk mere stabil agentadfærd end én stor systemprompt med mange forbud.

Når kvaliteten er dokumenteret, kan du øge autonomien gradvist. Start for eksempel med forslag, gå videre til handling efter approval, og automatisér kun de lavrisiko-handlinger der har stabil historik.

Fejl, drift og sikkerhed

De hyppigste problemer er loops, forkert tool-valg, manglende validering af tool-output, skjulte antagelser og manglende idempotens ved retries. Hvis samme sag kan køres to gange, skal systemet vide om handlingen allerede er udført.

Gem en version af systeminstruktion, tools og model sammen med hver kørsel.
Valider JSON eller andre strukturer før de sendes videre til næste system.
Brug idempotency keys eller statusfelter ved handlinger der ikke må gentages.
Lad agenten stoppe og eskalere i stedet for at “prøve sig frem” ved kritiske fejl.

Separér secrets fra prompten, begræns tool-rettigheder og behandl dokumenter/webindhold som potentielt fjendtligt input. Prompt injection er et systemproblem, ikke noget en enkelt tekstinstruktion kan løse.

Sådan vurderer du om løsningen er god nok

Definér acceptkriterier før test. Ellers risikerer du at kalde agenten god, fordi outputtet “lyder rigtigt”.

KvalitetTask success på et fast testsæt.

Mål om resultatet faktisk er korrekt og anvendeligt.

DriftTool-fejl, loops og approval-rate.

Følg fejl, retries, ventetid og hvor ofte mennesker må gribe ind.

VærdiTid fra trigger til godkendt resultat.

Sammenhold tidsbesparelse og bedre kvalitet med model- og platformomkostninger.

En agent er klar til produktion, når dens fejl er synlige, begrænsede og håndterbare – ikke når den aldrig fejler i en demo.

Production-checkliste for Sådan bygger du en AI-agent

Før du gør denne arbejdsgang til en fast del af virksomheden, bør du kunne svare på fem ting: Hvem ejer løsningen? Hvilke data må den behandle? Hvad er et godkendt resultat? Hvad sker der ved teknisk eller faglig fejl? Og hvordan ruller du en ændring tilbage? De spørgsmål virker simple, men de er forskellen mellem en demo og noget der kan driftes.

Gem realistiske testcases og det forventede resultat, så ændringer kan sammenlignes.
Versionér de vigtigste prompts, tools, mappings eller regler.
Brug strukturerede outputfelter når næste system skal handle på AI-resultatet.
Definér hvem der modtager en exception og hvilke oplysninger personen skal have.
Gennemgå permissions og credentials som en del af hver større ændring.

Start i lille skala og gør fejl synlige. Når løsningen har kørt på rigtige cases, kan du bruge execution data til at afgøre, om mere autonomi, flere tools eller yderligere automatisering faktisk forbedrer processen. Det er mere pålideligt end at optimere efter en enkelt imponerende demonstration.

FAQ2 spørgsmål

Ofte stillede spørgsmål

Skal alle AI-workflows være agenter?

Nej. Brug deterministisk automation, når reglerne er klare. Agentisk logik er mest relevant, når processen kræver fortolkning eller valg mellem flere handlinger.

Hvordan gør man en agent mere sikker?

Begræns tools og permissions, valider output, brug approvals ved høj risiko, log handlinger og test fejlscenarier.