Agent mot chat: mål → plan → handling-løkken

Alt du har studert så langt har vært en dialog: du spør → den svarer → du bestemmer hva som er neste. En agent tar «hva som er neste» for seg selv. I forrige leksjon ble vi enige om en arbeidsdefinisjon av en agent; nå skal vi demontere mekanismen hele kurset hviler på — løkken.

Agentløkken

1. Mål: «finn 10 passende annonseringssteder og samle prisene deres i en tabell».
2. Plan: agenten bryter målet ned i trinn: søk etter steder → åpne hver → finn prislisten → skriv det ned.
3. Handling: den kaller et verktøy — en ekstern operasjon tilgjengelig for modellen: søk, les en side, skriv til et regneark. Verktøy er «hendene» 2022-chatten manglet.
4. Observasjon: den får handlingens resultat og evaluerer: fungerte det? er det nok data? Resultatet av hver handling kalles bokstavelig talt en observasjon.
5. Gjenta — fra trinn 2, til målet er nådd (eller antall runder er nådd — en sikkerhetsmekanisme mot uendelige løkker, dekket i pålitelighetsmodulen).

Hovedforskjellen fra chat: modellen tar beslutningene inne i løkken, ikke du. Du setter målet, grensene og verktøyene — agenten bygger ruten selv.

En mini-sporing: tre runder gjennom agentens øyne

Slik ser løkken ut fra innsiden — på vår oppgave med steder:

• Runde 1. Tanke: Jeg trenger en liste over steder. Handling: søk «advertising in cooking blogs». Observasjon: 12 lenker, 7 ser ut som blogger.
• Runde 2. Tanke: åpne den første. Handling: åpne lenke #1. Observasjon: siden kunne ikke lastes — feil.
• Runde 3. Tanke: død lenke — marker den, ta den neste. Handling: åpne lenke #2. Observasjon: det er en «Advertise»-side med en pris. Skriver det til tabellen.

Se på runde 2: verktøyet returnerte en feil — og agenten reviderte planen i stedet for å hardnakket fortsette. Observasjon er det som gjør løkken levende. Husker du AutoGPT fra forrige leksjon? Den feilet akkurat her: den overbeviste seg selv om at trinnet lyktes og dro den oppfunne «suksessen» inn i de neste rundene.

En agent er ikke en ny modell

La oss fjerne magien: inne i en agent kjører den samme språkmodellen som i chat. Forskjellen er innpakningen rundt den: løkken, verktøyene og minnet (det agenten beholder mellom rundene — en egen leksjon kommer). Så agenten arver alle modellens svakheter: den kan feile, den kan «se» ting som ikke er der. Og løkken forsterker både ferdigheter og feil: en feil observasjon i runde 2 blir input i runde 3.

Svaret: en chat må levere alt på én gang, mens en agent kan prøve, se på resultatet og korrigere seg selv. Ikke mer intelligens — flere forsøk, og hvert neste forsøk baserer seg på virkeligheten (observasjoner), ikke på en gjetning.

Du har allerede sett agenter

• Dybdeforskning — en søkeagent: den planlegger spørringer, leser kilder, setter sammen en rapport. Løkken dens: spørring → les → «hva mangler?» → ny spørring.
• Kodeagenter (Claude Code, Replit og andre) — de skriver kode, kjører den, ser feilen, fikser den. Å kjøre koden er deres «observasjon».
• Agentnoden i n8n — automatiseringsbyggeren plattformen vår dekker i et eget kurs: noden selv bestemmer om den skal sjekke regnearket eller kjøre et søk.

Samme mønster hver gang — nå kjenner du navnet og kan se løkken.

Når du trenger en agent, og når en chat eller en arbeidsflyt er nok

• Et ett-trinns svar → en chat.
• En fast kjede av trinn → en arbeidsflyt (piler i n8n): et menneske skrev ruten på forhånd — billigere og mer forutsigbart.
• Trinn ukjent på forhånd, avhengig av funn → en agent.

Den klassiske nybegynnerfeilen er en agent der en arbeidsflyt ville vært nok. En agent er ikke «kulere» — den er «mer fleksibel til en pris»: hver runde er et separat modellkall, så den er dyrere, tregere, mindre forutsigbar. En hel leksjon er viet dette valget — rett etter kartet over applikasjoner.

Sandkasse: føl forskjellen med egne hender

Send to prompter etter hverandre og sammenlign. Først en vanlig chat:

Answer in one paragraph: how do I plan a new product launch?

Nå får du modellen til å agere som en agent:

Act as an autonomous agent. GOAL: plan a new product launch.
Work in a loop: Thought → Action (tool call) → Observation.
Tools are imaginary only: search(query), calendar_add(event),
send_email(to, text). Show 5 turns of the loop, invent plausible
observations. After turn 5 — STOP and a brief summary: done vs remaining.

Kontrasten mellom det første og det andre svaret er definisjonen på en agent: ikke «et svar» men «arbeid i en løkke».

Gjør det nå

Kjør begge sandkasse-promptene. I det andre svaret finner du en runde der en observasjon endret planen. Hvis det ikke er en — legg til linjen «on turn 3 the tool returns an error» i prompten og se modellen omdirigere.