Lær å utvikle og bruke KI-agenter

Kunstig intelligens har gått fra å svare til å handle. I dette kurset lærer du å bygge og bruke KI-agenter som setter egne mål, planlegger, bruker verktøy og utfører arbeidsoppgaver på en måte som kan kvalitetssikres. Vi tar utgangspunkt i Hermes Agent – en åpen kildekode-agent som har blitt svært populær fordi den kan brukes fra terminal, eget dashbord, desktop-app og chat, og fordi den støtter alle de store språkmodellene.

Den er den røde tråden gjennom hele kurset: du installerer din egen agent, får eget dashbord med oppgavekø (Kanban), kobler den til chat med Mattermost, gir den nye ferdigheter (skills) og lar flere agenter samarbeide om større oppgaver. I tillegg går vi gjennom det bredere landskapet – GPT-assistenter, AutoGen, CrewAI, LangChain, Nexus og Streamlit – og de viktige byggeklossene i et agent-system: innhenting av kunnskap, verktøybruk, resonering, planlegging, minne, evaluering og tilbakemelding. Mot slutten ser vi på agent-rammeverk i 2026 med et dagsaktuelt case, og hvordan du vurderer modenhet, kostnad og risiko før du tar et rammeverk i bruk.

Dette kurset passer godt for alle som vil utvikle og bruke KI-agenter i sin jobbhverdag.

Læringsmål
Etter gjennomgått kurs skal du kunne: utvikle og bruke KI-agenter som selvstendig løser problemer og utfører oppgaver på en kvalitetssikret måte installere, konfigurere og drifte din egen agent-plattform (Hermes) med dashbord, oppgavekø, egne ferdigheter og chat-integrasjon sette sammen flere agenter som samarbeider, med roller, delegering og oppfølging velge språkmodell og agent-rammeverk ut fra oppgaven, modenhet, kostnad og risiko.

Forkunnskaper
Erfaring med Python og GitHub vil være en fordel for å få fullt utbytte av kurset. Forøvrig krever kurset ingen spesielle forkunnskaper annet enn generell fortrolighet med å bruke en datamaskin.

Forberedelser

Du trenger en PC med internett-tilgang hvor du har rettigheter til å installere programvare. Vi bruker Visual Studio Code (VSCode), Python og git. I tillegg installerer vi Hermes Agent (åpen kildekode, gratis) og Mattermost for chat-integrasjon – alt steg for steg i kurset.

Kursinnhold

Dag 1. KI-agenter, begreper og din egen Hermes-agent

• Introduksjon til Kunstig Intelligens
• Hva er agentisk KI?
• Hva er en KI-agent?
• Anatomien til en KI-agent
• Brukergrensesnittet til en KI-agent
• Ulike typer KI-agenter – og noen av de vanligste
• Claude for AI-agenter
• Hva er en MCP-server (Model Context Protocol)?
• Øvelse: Installere og sette opp Hermes Agent på egen maskin
• Dashbordet i Hermes – oversikt, samtaler og konfigurasjon
• Kanban-tavlen i dashbordet – oppgavekø og samarbeid mellom agenter
• Øvelse: Koble Hermes til chat med Mattermost
• Hermes Skills – innebygde ferdigheter og egne installasjoner
• Risiko, etikk og ansvar ved KI-agenter

Dag 2. Store språkmodeller og GPT-assistenter

• Grunnleggende om store språkmodeller (LLMs)
• Hvordan koble seg til og bruke API-et til OpenAI
• Utforske åpne språkmodeller lokalt med LM Studio
• Valg av optimal LLM for dine behov – og for din agent
• Koble agenten til ulike leverandører og lokale modeller
• Introduksjon til OpenAI-assistenter og ChatGPT UI
• Bygge en GPT som kan tolke kode
• Utvide assistenter med egendefinerte handlinger
• Legge til kunnskap ved å laste opp filer

Dag 3. Multiagent-systemer og Hermes Bot Mode

• Bygge multiagent-systemer med AutoGen Studio
• Lage agenter som kan samarbeide via en gruppe-chat
• Lage et agent-crew og multiagent-systemer med CrewAI
• Hvordan en KI-agent utfører handlinger i andre systemer
• Definere og bruke OpenAI-funksjoner
• Bruk av semantiske funksjoner
• Instansiere et GPI-grensesnitt med en semantisk kjerne
• Øvelse: Sette opp og bruke en Hermes-agent
• Flere agenter som samarbeider – med Hermes Bot Mode
• Delegering og oppgavefordeling: fra én samtale til en oppgavekø
• Oppfølging, feilhåndtering og menneske-i-loopen

Dag 4. Agent-plattformer, profiler og rammeverk i 2026

• Bruk av rammeverket Streamlit for å bygge intelligente dashboards og KI-chat-apper
• Utvikling, testing og bruk av agent-profiler og personas
• Bygge en grunnleggende agent med egne handlinger
• Hvordan agenter håndterer minne og kunnskap
• Bruke LangChain til «retrieval augmented generation»-arbeidsflyter
• Systematisk prompt-engineering og bygging av prompt-flyter
• Hvordan lage en effektiv profil / persona – prompt
• Evaluering av profiler
• Planlegging, resonering, evaluering og feedback-mekanismer ved bygging av agentiske systemer
• Agent-rammeverk i 2026: hva er et agent-harness?
• DeepSeek Harness – et dagsaktuelt case
• Vurdere et agent-rammeverk: modenhet, kostnad og risiko