Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Hvad er en AI-agent?

Lektion 1 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. AI-agenter: Ud over den simple chatbot
  2. Hvad er en agent præcis?
  3. Perception-Action-løkken
  4. Funktioner i Mistral Agents API
  5. Understøttede modeller
  6. Hvad du vil lære
  7. Vigtige pointer

Opdatering 2. november 2026 — Modeller. Mistral Large 3 (mistral-large-2512) og Mistral Medium 3.5 blev udfaset den 31. oktober 2026 og vil blive trukket tilbage den 30. april 2027. Deres udpegede efterfølger, Mistral Large 4 (mistral-large-4), har været i offentlig forhåndsvisning siden den 6. oktober. Eksemplerne i dette kursus bruger aliaset mistral-large-latest, som i øjeblikket peger på Mistral Large 3 i henhold til dets officielle specifikationsside (verificeret 3. november 2026). Tilsvarende peger mistral-medium-latest på Mistral Medium 3.5. Disse aliaser forbliver gyldige indtil den 30. april 2027. Til nye projekter bør du teste mistral-large-4, som er deres udpegede efterfølger.

AI-agenter: Ud over den simple chatbot

AI-agenter repræsenterer en stor udvikling i måden, vi bruger store sprogmodeller på. En standard chatbot modtager et spørgsmål, returnerer et svar, og interaktionen slutter: intet overføres til næste kald, og modellen har ingen måde at hente information, den ikke allerede kender. En agent er derimod et autonomt system, der er i stand til at planlægge, udføre handlinger og forfølge et komplekst mål over flere trin.

Med Mistral Agents API får du et komplet framework til at bygge disse intelligente systemer direkte via API’et. Du behøver ikke at udrulle ekstra infrastruktur eller skrive din egen orkestreringsløkke.

Hvad er en agent præcis?

En agent er et LLM-drevet system, der starter med overordnede instrukser og finder ud af, hvordan de skal opfyldes. Den planlægger først en række handlinger: bed den om at sammenligne tre hosting-pakker, og den beslutter at undersøge hver enkelt separat, før den udarbejder en sammenfatning. Den bruger værktøjer – websøgning, kodeeksekvering, billedgenerering – fordi tekst alene ikke kan verificere en aktuelle pris eller validere en beregning. Den opretholder tilstand på tværs af flere turer, så dit brugers tredje spørgsmål naturligt arver kontekst fra de to første, uden at du behøver at gensende historikken. Endelig samarbejder den med andre agenter, når en opgave overstiger dens speciale: forfatteren er ikke nødvendigvis regnemaskinen.

Den fundamentale forskel fra et simpelt chat.complete()-kald kan koges ned til ét ord: agenten løkker. Den analyserer situationen, beslutter en handling, observerer resultatet og gentager, indtil den når sit mål.

Perception-Action-løkken

1

Perception

Agenten modtager en brugeranmodning eller observerer resultatet af en tidligere handling.

2

Ræsonnement

LLM'en analyserer konteksten og beslutter næste skridt: kald et værktøj, deleger til en anden agent, eller svar.

3

Handling

Agenten udfører den valgte handling: websøgning, kodeeksekvering, billedgenerering eller en overdragelse til en anden agent.

4

Observation

Resultatet integreres i konteksten. Agenten beslutter, om den er færdig, eller om den skal fortsætte løkken.

Denne cyklus er ikke bare en pædagogisk abstraktion: det er præcis, hvad der sker mellem det øjeblik, du sender en anmodning, og det øjeblik, du modtager et svar. Konkret, for spørgsmålet „Hvilke cloud-pakker passer til min applikation?”, percepierer agenten anmodningen, ræsonnerer sig frem til, at den mangler prisdata, handler ved at starte en søgning, observerer de sider, den finder – og løkker igen, fordi den stadig har brug for en ydelsessammenligning. Det vigtigste takeaway er exit-betingelsen: modellen, ikke dig, beslutter, hvornår løkken er afsluttet.

Funktioner i Mistral Agents API

Agents & Conversations API dækker hele denne cyklus. Det stole på multimodale modeller, der håndterer både tekst og billeder, specifikt mistral-medium-latest og mistral-large-latest. Det opretholder vedvarende tilstand: samtalehistorikken lever på serveren, så du behøver ikke implementere din egen beskedlagring. Det leverer indbyggede værktøjer, der er klar til brug – websøgning, kodefortolker, billedgenerering, dokumentbibliotek – uden at kræve, at du hoster nogen eksekveringsmiljøer. Det understøtter overdragelser (handoffs), hvilket betyder, at det kan overføre kontrollen fra én agent til en anden, der er mere specialiseret. Og det lader dig vælge eksekveringstilstand: enkelt model, enkelt agent eller multi-agent orkestrering, afhængigt af opgavens faktiske kompleksitet.

Understøttede modeller

Fra i dag (april 2026) er to modeller kompatible med Agents API. mistral-medium-latest tilbyder en god balance mellem ydelse og omkostninger, hvilket gør den til det standardvalg for de fleste produktionsagenter. mistral-large-latest sigter mod maksimal ydelse ved komplekse opgaver: flerstegs ræsonnement, multi-agent orkestrering og lange analyser. Start med den første, og skift kun til den anden, når outputkvaliteten måleligt berettiger det.

Hvad du vil lære

Dette kursus følger projektets naturlige progression. Du starter med at oprette og konfigurere agenter via Python API’et, lærer derefter at administrere vedvarende samtaler med tilstand. Dernæst vil du udnytte de fire indbyggede værktøjer – websøgning, kodefortolker, billedgenerering og dokumentbibliotek – før du orkestrerer multi-agent arbejdsgange med overdragelser. Kurset afsluttes med at sikre dine agenter ved hjælp af guardrails, et skridt som teams ofte udskyder, men som er essentielt for enhver produktionssætning.

Vigtige pointer

  • En AI-agent er et autonomt system, der planlægger, handler og observerer i en løkke
  • Mistral Agents API håndterer server-side orkestrering – du behøver ikke selv implementere løkken
  • Agenter kan bruge værktøjer og samarbejde med hinanden via overdragelser
  • To modeller understøttes i øjeblikket: mistral-medium-latest og mistral-large-latest