Agent kontra chatt: mål → plan → agera-loopen

Allt du har studerat hittills har varit en dialog: du frågar → den svarar → du bestämmer vad som är nästa. En agent tar hand om "vad som är nästa" själv. I förra lektionen kom vi överens om en arbetsdefinition av en agent; nu ska vi plocka isär mekanismen som hela kursen bygger på — loopen.

Agentloopen

1. Mål: "hitta 10 lämpliga annonsplatser och samla in deras priser i en tabell".
2. Plan: agenten bryter ner målet i steg: sök efter platser → öppna varje → hitta prislistan → skriv ner den.
3. Åtgärd: den anropar ett verktyg — en extern operation tillgänglig för modellen: sök, läs en sida, skriv till ett kalkylblad. Verktyg är de "händer" som 2022 års chatt saknade.
4. Observation: den får resultatet av åtgärden och utvärderar: fungerade det? finns det tillräckligt med data? Resultatet av varje åtgärd kallas bokstavligen en observation.
5. Upprepa — från steg 2, tills målet är uppnått (eller varvgränsen uppnås — en säkerhetsåtgärd mot oändliga loopar, som behandlas i tillförlitlighetsmodulen).

Huvudskillnaden från chatt: modellen fattar besluten inuti loopen, inte du. Du sätter målet, gränserna och verktygen — agenten bygger rutten själv.

En minispårning: tre varv genom agentens ögon

Så här ser loopen ut inifrån — för vår uppgift med annonsplatser:

• Varv 1. Tanke: Jag behöver en lista över platser. Åtgärd: sök "advertising in cooking blogs". Observation: 12 länkar, 7 ser ut som bloggar.
• Varv 2. Tanke: öppna den första. Åtgärd: öppna länk #1. Observation: sidan kunde inte laddas — fel.
• Varv 3. Tanke: död länk — markera den, ta nästa. Åtgärd: öppna länk #2. Observation: det finns en "Advertise"-sida med ett pris. Skriver det till tabellen.

Titta på varv 2: verktyget returnerade ett fel — och agenten reviderade planen istället för att envist fortsätta. Observation är det som håller loopen levande. Kommer du ihåg AutoGPT från förra lektionen? Den misslyckades precis här: den övertygade sig själv om att steget lyckades och drog med sig den påhittade "framgången" till nästa varv.

En agent är inte en ny modell

Låt oss ta bort magin: inuti en agent körs samma språkmodell som i chatt. Skillnaden är ramverket runt den: loopen, verktygen och minnet (vad agenten behåller mellan varven — en separat lektion framöver). Så agenten ärver alla modellens svagheter: den kan göra fel, den kan "se" saker som inte finns där. Och loopen förstärker både färdigheter och misstag: en felaktig observation på varv 2 blir input till varv 3.

Svaret: en chatt måste leverera allt på en gång, medan en agent kan prova, titta på resultatet och korrigera sig själv. Inte mer intelligens — fler försök, och varje nästa bygger på verkligheten (observationer), inte på en gissning.

Du har redan sett agenter

• Djupgående research — en sökagent: den planerar frågor, läser källor, sammanställer en rapport. Dess loop: fråga → läs → "vad saknas?" → ny fråga.
• Kodningsagenter (Claude Code, Replit och andra) — de skriver kod, kör den, ser felet, fixar det. Att köra koden är deras "observation".
• Agentnoden i n8n — automationsbyggaren som vår plattform behandlar i en separat kurs: noden bestämmer själv om den ska kontrollera kalkylbladet eller utföra en sökning.

Samma mönster varje gång — nu vet du dess namn och kan se dess loop.

När du behöver en agent, och när en chatt eller ett workflow räcker

• Ett enstegssvar → en chatt.
• En fast kedja av steg → ett workflow (pilar i n8n): en människa skrev rutten i förväg — billigare och mer förutsägbart.
• Steg okända i förväg, beroende på fynd → en agent.

Det klassiska nybörjarmisstaget är en agent där ett workflow skulle räcka. En agent är inte "coolare" — den är "mer flexibel till ett pris": varje varv är ett separat modellanrop, så det är dyrare, långsammare, mindre förutsägbart. En hel lektion ägnas åt detta val — direkt efter applikationskartan.

Sandbox: känn skillnaden med dina händer

Skicka två prompts efter varandra och jämför. Först en vanlig chatt:

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

Låt nu modellen agera 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 mellan det första och det andra svaret är definitionen av en agent: inte "ett svar" utan "arbete i en loop".

Gör det nu

Kör båda sandbox-prompterna. I det andra svaret, hitta ett varv där en observation ändrade planen. Om det inte finns något — lägg till raden "on turn 3 the tool returns an error" till prompten och se modellen omdirigera.