Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Vad är en AI-agent?

Lektion 1 av 18 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. AI-agenter: Bortom den enkla chattboten
  2. Vad är egentligen en agent?
  3. Perceptions- och handlingsloopen
  4. Möjligheter med Mistral Agents API
  5. Modeller som stöds
  6. Vad du kommer att lära dig
  7. Viktiga punkter

Uppdatering 2 november 2026 — Modeller. Mistral Large 3 (mistral-large-2512) och Mistral Medium 3.5 avvecklades den 31 oktober 2026 och kommer att tas bort helt den 30 april 2027. Deras utsedda efterträdare, Mistral Large 4 (mistral-large-4), har funnits tillgänglig i offentlig förhandsversion sedan den 6 oktober. Exemplen i denna kurs använder aliaset mistral-large-latest, som för närvarande pekar på Mistral Large 3 enligt dess officiella specifikationsblad (verifierat den 3 november 2026). På samma sätt pekar mistral-medium-latest på Mistral Medium 3.5. Dessa alias förblir giltiga fram till den 30 april 2027. För nya projekt bör du testa mistral-large-4, deras utsedda efterträdare.

AI-agenter: Bortom den enkla chattboten

AI-agenter representerar en stor utveckling i hur vi använder stora språkmodeller. En vanlig chattbot tar emot en fråga, returnerar ett svar och sedan avslutas interaktionen: inget förs över till nästa anrop, och modellen har inget sätt att hämta information den inte redan känner till. En agent är däremot ett autonomt system som kan planera, utföra åtgärder och arbeta mot ett komplext mål över flera steg.

Med Mistral Agents API får du ett komplett ramverk för att bygga dessa intelligenta system direkt via API:t. Du behöver inte distribuera extra infrastruktur eller skriva din egen orkestreringsloop.

Vad är egentligen en agent?

En agent är ett LLM-drivet system som utgår från övergripande instruktioner och själv räknar ut hur de ska uppfyllas. Den planerar först en sekvens av åtgärder: be den att jämföra tre hostingpaket, så bestämmer den sig för att granska var och ett separat innan den skriver en sammanfattning. Den använder verktyg – webbsökning, kodkörning, bildgenerering – eftersom text ensam inte kan verifiera ett aktuellt pris eller validera en beräkning. Den behåller tillstånd över flera turer, så att användarens tredje fråga naturligt ärver kontexten från de två första utan att du behöver skicka om historiken. Slutligen samarbetar den med andra agenter när en uppgift överstiger dess specialitet: författaren är inte nödvändigtvis kalkylatorn.

Den fundamentala skillnaden jämfört med ett enkelt chat.complete()-anrop kan sammanfattas med ett ord: agenten loopar. Den analyserar situationen, beslutar om en åtgärd, observerar resultatet och upprepar processen tills målet är nått.

Perceptions- och handlingsloopen

1

Perception

Agenten tar emot en användarförfrågan eller observerar resultatet av en tidigare åtgärd.

2

Resonemang

LLM:n analyserar kontexten och beslutar om nästa steg: anropa ett verktyg, delegera till en annan agent eller svara.

3

Åtgärd

Agenten utför den valda åtgärden: webbsökning, kodkörning, bildgenerering eller en överlämning till en annan agent.

4

Observation

Resultatet integreras i kontexten. Agenten avgör om den är klar eller behöver fortsätta loopen.

Denna cykel är inte bara en pedagogisk abstraktion: det är exakt vad som händer mellan det ögonblick du skickar en förfrågan och det ögonblick du får ett svar. Konkret, för frågan “Vilka molnpaket passar min applikation?”, uppfattar agenten förfrågan, resonerar sig fram till att den saknar prisdata, agerar genom att starta en sökning, observerar sidorna den hittar – och loopar igen eftersom den fortfarande behöver en prestandajämförelse. Det viktigaste att ta med sig är avslutningsvillkoret: det är modellen, inte du, som avgör när loopen är avslutad.

Möjligheter med Mistral Agents API

API:t för agenter och konversationer täcker hela denna cykel. Det förlitar sig på multimodala modeller som hanterar både text och bilder, specifikt mistral-medium-latest och mistral-large-latest. Det upprätthåller ihållande tillstånd: konversationshistoriken lagras på servern, så du slipper implementera egen meddelandelagring. Det erbjuder inbyggda verktyg redo att användas – webbsökning, kodtolk, bildgenerering, dokumentbibliotek – utan att du behöver hosta några egna exekveringsmiljöer. Det stöder överlämningar, vilket innebär att det kan överföra kontrollen från en agent till en annan som är mer specialiserad. Och det låter dig välja exekveringsläge: enskild modell, enskild agent eller multi-agent-orkestrering, beroende på uppgiftens faktiska komplexitet.

Modeller som stöds

Från och med idag (april 2026) är två modeller kompatibla med Agents API. mistral-medium-latest erbjuder en bra balans mellan prestanda och kostnad, vilket gör den till det självklara valet för de flesta produktionsagenter. mistral-large-latest siktar på maximal prestanda vid komplexa uppgifter: flerstegsresonemang, multi-agent-orkestrering och långa analyser. Börja med den första, och byt till den andra endast om outputkvaliteten mätbart motiverar det.

Vad du kommer att lära dig

Denna kurs följer den naturliga progressionen i ett projekt. Du börjar med att skapa och konfigurera agenter via Python-API:t, lär dig sedan hantera ihållande konversationer med tillstånd. Därefter utnyttjar du de fyra inbyggda verktygen – webbsökning, kodtolk, bildgenerering och dokumentbibliotek – innan du orkestrerar arbetsflöden med flera agenter genom överlämningar. Kursen avslutas med att säkra dina agenter med hjälp av skyddsräcken (guardrails), ett steg som team ofta skjuter upp men som är avgörande för all produktionssättning.

Viktiga punkter

  • En AI-agent är ett autonomt system som planerar, agerar och observerar i en loop
  • Mistral Agents API hanterar orkestrering på serversidan – du behöver inte implementera loopen själv
  • Agenter kan använda verktyg och samarbeta med varandra via överlämningar
  • Två modeller stöds för närvarande: mistral-medium-latest och mistral-large-latest