Wiki
28 begrepp om AI-agenter — ordnade i tre nivåer från grundstenar till systemdesign.
Nivå 1Grundstenar
HallucineringHallucination
När modellen genererar information som låter övertygande men är påhittad. Det mest missförstådda problemet med språkmodeller.
KontextfönsterContext Window
Allt en agent 'ser' vid ett givet tillfälle (instruktioner, fråga, verktyg, historik) måste rymmas i kontextfönstret. Det är arbetsytan, och den har en hård gräns.
LLM / SpråkmodellLarge Language Model (LLM)
Den underliggande AI-modellen som driver en agent: råmaterialet som kan resonera, skriva och följa instruktioner, men som utan hjälp varken kan läsa filer eller komma ihåg igår.
SysteminstruktionSystem Prompt
Den osynliga instruktionen som sätter agentens roll, regler och beteende: det användaren aldrig ser men som styr allt agenten gör.
TemperaturTemperature
Parametern som styr hur förutsägbar eller kreativ modellen är: låg temperatur ger konsistenta svar, hög temperatur ger variation.
TokenToken
Grundenheten som språkmodeller arbetar med: varje ord, siffra och tecken bryts ner till tokens innan modellen bearbetar dem.
Nivå 2Agentens anatomi
BrowserautomationBrowser Automation
Förmågan att låta en agent styra en riktig webbläsare (navigera, klicka, fylla i och läsa av sidor) istället för att bara anropa API:er bakom kulisserna.
CachePrompt Caching
Mekanism som sparar och återanvänder delar av tidigare API-anrop för att drastiskt sänka kostnad och latens: upp till 90% billigare efter första anropet.
GuardrailsGuardrails
Regler som sätter gränser för vad agenten inte får göra: säkerhetsnätet som förhindrar skadliga, kostsamma eller otillåtna handlingar.
HarnessHarness
Skalet runt modellen som hanterar allt det praktiska: kontextbygge, verktygsexekvering, säkerhet, felhantering. Det osynliga lagret som avgör om agenten fungerar.
HooksHooks
Hooks är deterministiska skript som harnessen kör vid bestämda punkter i agentens arbete och som kan tillåta, spärra eller fråga innan en handling genomförs.
MCPModel Context Protocol
Model Context Protocol: den öppna standarden som gör att agenter kan ansluta till externa system via ett gemensamt gränssnitt. Tänk USB-C för AI-agenter.
MinneMemory / Persistence
Det som gör att en agent kan veta vad som hände igår: modellen har inget inbyggt minne, så persistens måste byggas utanför.
Plan modePlan mode
Plan mode är ett läge där en kodagent bara får läsa och resonera, så att den skriver en implementationsplan som människan godkänner innan någon kod ändras.
Prompt engineeringPrompt Engineering
Disciplinen att systematiskt utforma och iterera på instruktioner till en LLM så att outputen blir mätbart bättre, i kontrast till att gissa eller justera prompts på gut feel.
Prompt enrichmentPrompt Enrichment
Den automatiska kontextkonstruktionen som omvandlar en kort fråga till ett rikt API-anrop, och det som avgör mer än modellvalet.
Prompt injectionPrompt injection
En attack där en angripare gömmer instruktioner i text som agenten läser: modellen skiljer inte instruktioner från data och följer dem som om de kom från användaren.
SkillsSkills
Domänkunskap paketerad som markdown-filer som injiceras i agentens kontext vid behov: det byggmaterial som domänexperter direkt kan bidra med utan att röra kod.
TestbarhetTestability
Hur lätt en app kan verifieras av automation (typkontroll, enhetstester, API-tester eller en AI-agent), vilket avgörs av om varje lager exponerar stabila, entydiga signaler.
TracingTracing / Observability
Förmågan att följa agentens resonemang steg för steg: vilka verktyg den anropade, vad den tänkte, och varför den tog ett visst beslut.
VerktygTools / Function Calling
Det som ger en agent händer: förmågan att läsa filer, söka på webben, anropa API:er och agera i världen istället för att bara prata om den.
Nivå 3Systemdesign
AgentloopAgentic Loop
Kärnloopen som skiljer en agent från en chatbot: resonera → agera → observera → upprepa. Agenten bestämmer själv när den är klar.
EvalsEvaluations (Evals)
Systematisk testning av en agentlösning i sin helhet: hela kedjans prestation i en specifik domän, inte modellens generella förmåga.
MinneskonsolideringMemory consolidation
Processen som mellan sessioner går igenom en agents anteckningar, slår ihop dubbletter och lyfter fram mönster, så minnet blir bättre över tid istället för att bara växa.
Multi-agentMulti-Agent Systems
Arkitekturmönster där flera agenter samarbetar: en planerar, en specialiserar sig, en utvärderar. Komplexare men mer kapabelt än en ensam agent.
RAGRetrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation: mönstret där agenten först söker relevant information och sedan genererar sitt svar baserat på det den hittade.
Solution criteriaSolution Criteria
Per-case-kriterier i ett eval-dataset som beskriver vad just det här testfallet kräver: det facit som gör model gradern konsekvent i stället för drift-känslig.
Workflow vs agentWorkflow vs Agent
Två fundamentalt olika arkitekturer: workflows följer fördefinierade steg deterministiskt, agenter resonerar autonomt och väljer sina egna steg.