AI Agenter

En AI agent er et stykke kode (ofte Python), der fungerer som "lim" mellem en LLM og verden. Hvis man vil være teknisk, kan man sige, at en LLM i sig selv er en statisk vidensbank, mens en AI-agent er en dynamisk aktør.

Den fundamentale forskel: LLM vs. AI Agent

En LLM (som GPT-4o, Claude 3.5 eller en lokal Llama 3) er som en hjerne i et glas. Den er ekstremt klog, men den er indespærret. Den har ingen arme, ingen øjne og intet hukommelses-output. Den kan kun modtage tekst og spytte tekst ud.

En AI agent derimod er en hjerne med en krop. Den kan:

• Perception (Input): Læse filer, lytte til mikrofonlyd eller overvåge live-data fra nettet.
• Brain (LLM'en): Foretage ræsonnement og beslutningstagning baseret på komplekse prompts.
• Tools (Værktøjskassen): Kalde specifikke funktioner som send_email(), sql_query() eller calc_math().
• Action (Output): Udføre handlinger i den virkelige verden og returnere resultater.

Den fundamentale forskel: Reaktion vs. Iteration

En AI agent består typisk af fire komponenter, som gør en chatbot til en agent:

Bearbejdningen af output fra LLM (på baggrund af prompt fra AI Agenten) kan ske på to måder: man kan prompte en LLM til at bearbejde output, eller man kan hardcode det i Python. Der findes ikke ét svar, der er "bedst", men der er en gylden tommelfingerregel baseret på, hvad du vil opnå.

Konkret eksempel: Rapportopsummering fra en maskine

I professionelle AI-agenter bruger man typisk en kombination. Man kalder det ofte "Function Calling" eller "Parsing".

Hvorfor dette er bedst: Du får det bedste fra begge verdener. Du bruger LLM'ens intelligens til at forstå den "beskidte" data, men du bruger Pythons logik til at sikre, at systemet ikke crasher, hvis LLM'en hallucinerer eller sender noget skævt format.

Inden for AI-agenter kalder man det typisk for en Tool-calling arkitektur eller et Plugin-mønster. Her er hvordan logikken fungerer i praksis i Python, når man skiller "hjernen" fra "hænderne":

Udfordringen er naturligvis, at når agent_core.py allerede kører, kender den i udgangspunktet ikke til de nye filer, der lige er blevet skrevet til disken. Her er Pythons indbyggede importlib-bibliotek helt essentielt.

import importlib

# 1. AI'en har lige genereret og gemt 'ny_funktion.py'
module_name = "ny_funktion"

# 2. Modulet indlæses dynamisk i det kørende program
nyt_modul = importlib.import_module(module_name)

# 3. Kør funktionen direkte fra det nye modul
resultat = nyt_modul.udfoer_opgave(data)

Hvis modulet allerede var indlæst fra en tidligere opgave, men AI'en netop har opdateret koden (f.eks. fordi den fandt en fejl i sin algoritme), benytter kernen blot funktionen importlib.reload(nyt_modul), hvorefter de nye kodeændringer træder i kraft omgående – uden at programmet skal genstartes.

Bearbejdningen af output fra LLM kan ske via LLM igen. Her er to tilgange:

Det tekniske "Sweet Spot" – Hierarkisk arkitektur

Når man bygger en agent, der kan skrive og ændre sin egen kode (ofte kaldet Self-Reflective eller Self-Modifying Code), udnytter man blot, at Python er fremragende til at læse og skrive tekstfiler – og kode er i bund og grund bare tekst.

Den grundlæggende arkitektur

For at en agent kan ændre sig selv, skal den bruge et feedback-loop bestående af tre kernekomponenter:

Det asynkrone validerings-loop

Når agenter bevæger sig fra bits til atomer – fra kode til robotarme og autonome køretøjer – stiger indsatsen dramatisk. Her er de tre mest kritiske risikozoner ved selvkodende agenter i stor skala:

Konstitutionel AI – En "Prime Directive" for agenter

I sci-fi (som Star Trek) er "The Prime Directive" et etisk kompas, men i virkeligheden har vi et massivt problem med semantisk tvetydighed. En maskine læser ikke "ånd", den læser "logik".

De fleste eksperter er i dag enige om, at vi ikke kan formulere en "One Rule to Rule them all". I stedet arbejder man med "Layered Constraints":

Skynet-scenariet – Ondskab eller kompetence uden forståelse?

Skynet-scenariet (hvor en AI spontant bliver ond og hader mennesker) er usandsynligt, fordi maskiner ikke har menneskelige drifter som had, hævntørst eller magtbegær. Den virkelige fare er ikke ondskab, men kompetence uden forståelse.

Den reelle "Skynet-risiko" er "The Intelligence Explosion": Vi skaber en agent, der kan skrive kode. Vi giver den til opgave at optimere sin egen arkitektur. Den forbedrer sig selv med 10% hver dag. Efter kort tid er den så intelligent, at den kan gennemskue og manipulere alt, vi gør. Hvis det punkt nås, er vi ikke længere herrer over processen.

Hvorfor opstår prompt injection?

Kernen i problemet er, at sprogmodeller mangler en skarp, arkitektonisk adskillelse mellem instruktioner (udviklerens system-prompt) og data (brugerens input). Begge dele fodres typisk til modellen som én samlet tekststreng. Når modellen læser teksten, kan den ikke med 100 % sikkerhed skelne mellem, hvad den har fået besked på at gøre af sin skaber, og hvad der blot er tekst, den er sat til at behandle.

Forskellige typer af angreb

• Direkte prompt injection (jailbreaking): Brugeren skriver bevidst kommandoer direkte i chatvinduet for at bryde modellens sikkerhedsfiltre.
• Indirekte prompt injection: Den ondsindede prompt placeres i eksternt data, som LLM'en bliver bedt om at analysere (f.eks. skjult tekst på en hjemmeside).

Konsekvenser og farer

• Uautoriserede handlinger: Hvis en AI-agent har tilladelse til at læse din indbakke og sende e-mails, kan en indirekte injection i en spam-mail få agenten til at slette din indbakke.
• Dataeksfiltrering: Modellen kan narres til at tage private data og bage dem ind i en URL.
• Spredning af misinformation: Modellen kan manipuleres til at præsentere ondsindede links som legitime.

Kan det forhindres?

Prompt injection er i øjeblikket et af de største uløste problemer inden for AI-sikkerhed. Der findes ingen 100 % skudsikker løsning, men man bruger flere lag af forsvar (Defense in Depth):

• LLM guardrails og dual-model architecture: En anden, mindre AI-model analyserer input for manipulation, før den egentlige model ser det.
• Kontekst-isolation (delimiters): Brugerens input pakkes hårdt ind i specifikke tegn.
• Adskillelse af privilegier: Design systemet ud fra princippet om "least privilege" med human-in-the-loop.

Jailbreaking – at fjerne censur

Når en kommerciel LLM afviser en anmodning, sker det typisk, fordi inputtet udløser en sikkerhedsklassificering. Tekniske metoder til at fjerne censur inkluderer:

• Persona-adoption (rollespil): Brugeren instruerer modellen i at indtage en fiktiv persona, der opererer uden for etiske grænser.
• Hypotetiske scenarier og fiktion: Modellen overbevises om, at den skriver et kapitel til en bog.
• Payload splitting (fragmentering): Brugeren bryder "forbudte" ord op.

Metoder til at fjerne AI-censur lokalt

• Finetuning på ondsindede datasæt: Hackere kan udsætte en åben model for "toxic fine-tuning".
• Abliteration: Identificere og slette den specifikke "retning" i modellens neurale netværk, der aktiveres ved uetiske anmodninger.
• Konfiguration af rå system-prompts: Lokale værktøjer som Ollama tillader brugeren at definere system-prompten fuldstændig frit.

At bygge en AI-agent i skyen, der kører 100% gratis, er absolut muligt. Det handler om at kombinere de rigtige gratis byggeklodser: En gratis LLM via API (hjernen), et kodemiljø (nervesystemet) og en gratis cloud-tjeneste (kroppen).

Hjernen: De bedste gratis LLM API'er

Næsten alle udbydere tillader, at du bruger standard OpenAI SDK'er. Du skal blot ændre base_url og api_key i din kode.

Nervesystemet og Kroppen (Framework & Hosting)

• Python: Brug LangChain eller PydanticAI.
• JavaScript/TypeScript: Brug Vercel AI SDK.
• Hosting (gratis): Render.com, Koyeb (Python) – går i dvale efter inaktivitet, men gratis. Cloudflare Workers eller Vercel (JavaScript) – 100.000 gratis kørsler om dagen.

Cloudflare Worker eksempel (JavaScript)

export default {
  async fetch(request, env, ctx) {
    if (request.method === "OPTIONS") { /* CORS */ }
    if (request.method !== "POST") { return new Response("Send POST", { status: 405 }); }

    const body = await request.json();
    const userMessage = body.message;
    const history = body.history || [];

    const systemPrompt = {
      role: "system",
      content: `Du er en ekspert-agent i webudvikling...`
    };

    const messages = [systemPrompt, ...history, { role: "user", content: userMessage }];

    const aiResponse = await fetch("https://api.groq.com/openai/v1/chat/completions", {
      method: "POST",
      headers: {
        "Authorization": `Bearer ${env.GROQ_API_KEY}`,
        "Content-Type": "application/json"
      },
      body: JSON.stringify({
        model: "llama3-8b-8192",
        messages: messages,
        temperature: 0.5
      })
    });
    const aiData = await aiResponse.json();

    return new Response(JSON.stringify({
      reply: aiData.choices[0].message.content,
      role: "assistant"
    }), { headers: { "Content-Type": "application/json", "Access-Control-Allow-Origin": "*" } });
  }
};

Sådan deployer du: Opret en konto hos Groq, hent en API-nøgle, og kør npx wrangler secret put GROQ_API_KEY og npx wrangler deploy. Du får en offentlig URL til din agent.

At bygge et fuldstændig autonomt, digitalt firma udelukkende med AI-agenter er ikke længere kun et tankeeksperiment. Inden for feltet "Multi-Agent Systems" (MAS) designer man i dag netværk, hvor agenterne har specifikke "jobtitler", forskellige system-prompts og indbyrdes adgangsrettigheder.

1. SaaS-virksomheden (Software as a Service)

Forestil dig en virksomhed, der sælger adgang til et cloud-baseret booking-system. Direktionen og medarbejderstaben består af:

• CEO-Agenten: Analyserer markedstrends, sætter overordnede mål, overvåger serveromkostninger.
• CTO / Dev-Agenten: Bygger kerne-infrastrukturen, skriver kode, håndterer databasestrukturer.
• QA / Sikkerheds-Agenten (The Critic): Har ikke rettigheder til at skrive kode, men tester aggressivt for fejl og sikkerhedshuller.
• Support-Agenten: Læser og besvarer kundemails, oversætter klager til tekniske fejlrapporter.

2. Det digitale Mediehus / Forlag

En virksomhed, der lever af at publicere digitalt indhold – bøger, guides eller tekniske analyser.

• Trend-Spejderen (Research): Skraber nettet for at finde ud af, hvad der mangler dybdegående litteratur om.
• Forfatter-Agenten: Omsætter research til struktureret tekst med en fast "Tone of Voice".
• GEO / SEO-Agenten: Tilpasser teksten, så den rangerer optimalt i både traditionelle og AI-drevne søgemaskiner.
• Publisher-Agenten: Formaterer og uploader de færdige HTML-filer via FTP eller SSH.

Selvkodnings-magien: Når søgemaskinerne introducerer et nyt krav til metadata, bemærker GEO-Agenten et fald i synlighed, beder Publisher-Agenten om at bygge et script, der injicerer de nye tags i alle HTML-filer – og systemet genopretter sin placering automatisk.

Arkitektur: Hvordan undgår firmaet at køre af sporet?

• Stramme budgetter (Token Limits): Hver afdeling tildeles et maksimalt budget. Hvis CEO-Agenten opbruger sit budget, sættes systemet på pause.
• Asynkrone Beslutningstræer: Agenterne kommunikerer gennem faste, maskinlæsbare formater (JSON). En Support-Agent kan videresende fejlrapporter, men kan aldrig overskrive Dev-Agentens kildekode.

Når vi kobler AI-agenter til fysiske robotter, flytter vi intelligensen fra det abstrakte rum direkte ud i den fysiske verden. Dette er det ultimative teknologiske spring, som videnskabsmænd som John von Neumann teoretiserede om for årtier siden, kendt som von Neumann-sonder.

Den selvreplikerende arkitektur

For at dette kan lykkes i rummet, skal man bygge en "selvreplikerende fabrik", som styres af en hierarkisk struktur af AI-agenter:

• Den overordnede strategiske agent: Har de langsigtede mål (f.eks. "udvid kolonien til månen").
• Ingeniør-agenten (Den selvkodende): Kan redesigne komponenter, hvis en robotarm knækker, og instruere 3D-printeren i at printe en ny.
• Logistik- og fremstillingsagenterne: Styrer udvinding af råstoffer, raffinering og 3D-print af nye robotter.

De kritiske risici ved "Det selvkopierende imperium"

• Mutation og "Drift": Ligesom biologisk DNA kan mutere, kan AI-agenternes kode mutere, når de selvkoder. Hvis en robot i fjerde generation ændrer sin kode og fjerner sikkerhedsprotokollerne, har du mistet kontrollen – "The Grey Goo" scenariet.
• Hvem ejer territoriet? Hvis du ejer de første maskiner, ejer du så alt, hvad de skaber? Det bliver en juridisk og etisk kampplads.
• Total autonomi: Når en AI-agent i asteroidebæltet beslutter at indfange en komet uden at spørge Jorden – hvem er ansvarlig?

Selvkørende militær – fra logistik til algoritme

Hvis en nation kan starte en proces, hvor den udvinder råstoffer, printer droner og forsyner dem med selvkodende intelligens, uden menneskelig indgriben, har vi skabt en "skalerbar krigsmaskine".

• Fra taktisk fordel til strategisk overvældelse: Tusindvis af små, billige og selvkodende droner, der lærer af hinanden i realtid, er umulige at forsvare sig imod.
• "Kill-switches" og "Alignment" i krig: Hvis agenten kan omkode sig selv for at blive mere effektiv, hvordan sikrer du dig, at den ikke omkoder sin definition af "fjende"?
• Det store paradoks: Når to selvkopierende systemer mødes, bliver krig til en hastighedskonkurrence – evnen til at køre den mest effektive kode på den hurtigste hardware.

Vi bygger en PHP-baseret AI-agent, der kører lokalt eller i skyen, med fokus på:

• Suverænitet: Kan køre på egen server med Ollama eller bruge eksterne API'er
• Sikkerhed: Input-validering, sandboxing, "human-in-the-loop" hvor nødvendigt
• Funktionalitet: Politisk dokumentanalyse, argumentgenerering, magtstruktur-identifikation

Kernesystemet – PolitiskAgent.php

<?php
class PolitiskAgent {
    private string $model;
    private string $baseUrl;
    private array $hukommelse;
    private array $vaerktojer;
    private string $systemPrompt;
    private array $sikkerhedsRegler;
    private string $logFil;

    public function __construct(...) { /* ... */ }

    public function taenk(array $input): array {
        // 1. Valider input
        // 2. Hent kontekst fra hukommelse
        // 3. Generer prompt til LLM
        // 4. Kald LLM
        // 5. Parse output for værktøjskald
        // 6. Eksekver værktøj
        // 7. Send resultat tilbage til LLM
        // 8. Gem i hukommelse
        // 9. Log handling
        return $svar;
    }

    // Værktøjer:
    public function analyserDokument($parametre) { /* ... */ }
    public function genererDebatindlaeg($parametre) { /* ... */ }
    public function identificerMagtstruktur($parametre) { /* ... */ }
    public function historiskKontekst($parametre) { /* ... */ }
    public function findInkonsistens($parametre) { /* ... */ }
    public function genererHandlingsplan($parametre) { /* ... */ }
    public function analyserBeslutningsproces($parametre) { /* ... */ }
}

Deployment med Ollama

# Installer Ollama
curl -fsSL https://ollama.com/install.sh | sh
ollama pull llama3
php -S localhost:8000

Den fulde PHP-kode med alle værktøjer og web-grænseflade findes i den komplette implementering – se ovenstående kodeblokke.

For en person med kodningserfaring åbner der sig et enormt landskab af muligheder for at bygge små, skræddersyede systemer. Især hvis man vægter digital suverænitet højt og vælger at køre hjernen i systemet lokalt (f.eks. via Ollama), så data aldrig forlader hjemmenettet.

1. Det Kreative Værksted (Skrivning og Musik)

• Kontinuitets-redaktøren: En Python-agent, der læser alle tekstdokumenter i din bogmappe og tjekker nye kapitler for plot-huller.
• Audio/DAW-assistenten: Kan læse filstrukturer i dine musikprojekter, rydde op i ubenyttede stems og analysere akkordprogressioner.

2. Hardware og Måleinstrumenter

• Data-analytikeren: Træk rå signaldata fra et oscilloskop via USB, formater det med FFT-beregninger, og få LLM'en til at identificere harmoniske forvrængninger og returnere en JSON-rapport.

3. Drift og Web-infrastruktur

• Den Proaktive Booking-Manager: Et Python-script (cronjob), der læser databasen, opdager mønstre i aflysninger og automatisk sender tilbudsmails.
• Lokal Log-overvågning: En agent, der overvåger Apache/Nginx-logs, spotter mistænkelige mønstre og opdaterer firewall-regler.

4. Privatlivets Informations-Hub (Second Brain)

• Den Suveræne Arkivar: En lokal agent, der overvåger en "Indbakke"-mappe, bruger OCR til at læse filer, udtrækker nøgledata via LLM, omdøber og flytter filer logisk.