Agentic Primitives (Agentiske byggeklodser)

Seks primitiver: saadan er en AI-agent bygget op

1. Perception (sanselag). Perceptionsprimitiven indtager multimodale inputs: tekst, billeder, tabeldata, API-svar og sensordata. Den normaliserer disse signaler til en repræsentation, som agentens sprogmodel kan ræsonnere over. I praksis kan det være alt fra OCR-parsing af en faktura til vektorisering af et kundeserviceticket via embeddings. Perceptionslaget er det, der adskiller en agent fra en simpel chatbot: agenten kan se og tolke verden, ikke blot modtage tekst.

2. Planlægning (kognitiv motor). Planlægningsprimitiven er agentens hjerne. Den nedbryder et overordnet mål i deltrin, vælger hvilke værktøjer der skal bruges, og definerer rækkefølgen. Den mest udbredte tilgang er Chain of Thought-ræsonnering, hvor sprogmodellen tænker skridt for skridt. Mere avancerede systemer bruger goal trees, hvor agenten vedligeholder et træ af delmål og dynamisk reprioriterer, når forudsætninger ændrer sig. Google DeepMinds Gemini-modeller bruger eksempelvis intern planlægning, der kan revidere hele eksekveringsplaner midt i et forløb.

3. Hukommelse (memory). Hukommelsesprimitiven dækker tre lag. Korttidshukommelse er kontekstvinduet i den aktuelle samtale, typisk mellem 128.000 og 2.000.000 tokens afhængigt af modellen. Arbejdshukommelse er en struktureret midlertidig lagring af mellemresultater, f.eks. en liste over kandidater fundet i et søgeresultat. Langtidshukommelse er vedvarende lagring i vektordatabaser eller knowledge graphs, der giver agenten adgang til historisk information på tværs af sessioner. Uden effektiv hukommelse glemmer agenten tidligere interaktioner og gentager fejl.

4. Eksekvering (handlingslag). Eksekveringsprimitiven er der, hvor agenten rent faktisk gør noget. Den kalder eksterne API'er, skriver filer, sender e-mails eller opdaterer databaser. Tool calling er den tekniske mekanisme: agenten genererer et struktureret funktionskald, som et runtime-miljø eksekverer. Model Context Protocol (MCP) har siden 2024 standardiseret, hvordan agenter opdager og kalder værktøjer, så en agent kan tilsluttes nye MCP-servere uden kodeændringer. Google A2A-protokollen supplerer MCP med agent-til-agent-kommunikation.

5. Kommunikation (koordinering). I systemer med flere agenter er kommunikationsprimitiven afgørende. Den bestemmer, hvordan agenter udveksler information, delegerer opgaver og forhandler prioriteter. LangGraph modellerer dette som en rettet graf med tilstandsovergange. CrewAI bruger rollebaserede beskedmønstre, hvor hver agent har en rolle, et mål og en baghistorie. AutoGen (nu Microsoft Agent Framework) bruger konversationsmønstre, hvor agenter sender beskeder til hinanden som i en gruppesamtale. Valget af kommunikationsmodel afgør, hvor komplekse workflows systemet kan håndtere.

6. Feedback (evalueringssløjfe). Feedbackprimitiven evaluerer resultaterne af agentens handlinger og justerer fremtidige beslutninger. Det kan være så simpelt som at kontrollere et API-svar for fejlkoder, eller så avanceret som reinforcement learning, hvor agenten lærer optimale strategier over tid. Uden feedback loops er en agent blind for egne fejl. Produktionssystemer bruger typisk en kombination af automatiske evalueringer (SWE-Bench-scores, menneskelignende evalueringsrammer) og human-in-the-loop-feedback til kritiske beslutninger.

Hvordan primitiverne samarbejder. De seks primitiver er ikke isolerede moduler. I en velfungerende agent kører de i en loop: perception -> planlægning -> eksekvering -> feedback -> ny perception. Denne loop, ofte kaldet agent-loopet, gentages, indtil opgaven er løst, agenten rammer en begrænsning eller en menneske griber ind. Kvaliteten af hver primitiv sætter loftet for hele systemets præstation.

Arkitektoniske forskelle. Forskellige frameworks vægter primitiverne forskelligt. LangGraph giver fuld kontrol over hver primitiv via eksplicitte grafer, hvilket giver præcision, men kræver mere kode. CrewAI abstraherer kommunikation og planlægning ind i roller, hvilket er hurtigere at komme i gang med, men sværere at debugge i produktionskritiske scenarier. OpenAI Agents SDK prioriterer enkelhed med indbygget tool calling og hukommelse, men giver mindre fleksibilitet i planlægningslaget.

Vil du bygge AI-agenter med de rigtige primitiver? Vi hjælper danske virksomheder med at vælge framework, konfigurere primitiver og udrule produktionsklare agenter, der overholder EU AI Act og GDPR. Kontakt Consile for en uforpligtende vurdering af jeres agent-arkitektur.

Konkrete funktioner og erhvervseksempler

Tool calling med MCP-integration
Tool calling er den primitiv, der gør en sprogmodel til en handlende agent. Agenten genererer et struktureret JSON-kald, og et runtime-miljø eksekverer det mod en ekstern tjeneste. Med MCP-standarden kan en agent opdage tilgængelige værktøjer dynamisk. Et dansk forsikringsselskab kan f.eks. bygge en kundeserviceagent, der via MCP-servere har adgang til skadessystem, policedatabase og betalingsgateway uden at hver integration kræver custom kode.

Kontekstsensitiv hukommelse
Produktionsagenter bruger ikke længere blot rå kontekstvinduer. De kombinerer korttidshukommelse (aktuel samtale), semantisk caching (genbrug af tidligere svar på lignende spørgsmål) og langtidshukommelse via vektordatabaser. For en dansk e-commercevirksomhed betyder det, at en supportagent kan huske en kundes tidligere klager, præferencer og ordrehistorik på tværs af sessioner og kanaler.

Dynamisk planlægning med goal trees
Avancerede agenter planlægger ikke bare lineært. De bygger et træ af delmål og reprioriterer dynamisk. Når en researchangent undersøger en konkurrent, kan den opdage ny relevant information undervejs og justere sin plan uden at starte forfra. For et dansk konsulentfirma, der bruger agenter til markedsanalyse, reducerer det tiden fra dage til timer.

Multi-agent-koordinering
Kommunikationsprimitiven muliggør systemer, hvor specialiserede agenter samarbejder. En dataindhentningsagent finder information, en analyseagent bearbejder den, og en rapportagent formaterer output. Koordineringen håndteres via protokoller som A2A eller via framework-specifikke mønstre. For en dansk bank kan det betyde en compliance-pipeline, hvor en agent scanner transaktioner, en anden vurderer risiko, og en tredje genererer rapporter til Finanstilsynet.

Guardrails og policy enforcement
Guardrails er den primitiv, der holder agenten inden for acceptable rammer. De kan implementeres som præ-eksekveringschecks (blokerer farlige handlinger før de sker), posteksekveringschecks (validerer output før det sendes til brugeren) eller som permanente begrænsninger på agentens handlingsrum. For virksomheder under EU AI Act er guardrails ikke valgfrit: høj-risiko AI-systemer kræver dokumenteret risikostyring og human oversight.

Feedback og evaluering i produktion
Feedbackprimitiven i produktionssystemer kombinerer automatiske evalueringer med menneskelig gennemgang. LangSmith tilbyder trace-baseret debugging, hvor hvert skridt i agentens ræsonnering kan inspiceres. SWE-Bench og lignende benchmarks måler agentens evne til at løse konkrete opgaver. For et dansk softwarehus, der bruger kodningsagenter, giver feedback-primitiven overblik over, hvor ofte agenten løser opgaver korrekt uden menneskelig korrektion.

Perception af multimodale inputs
Moderne agenter er ikke begrænset til tekst. Perceptionsprimitiven kan behandle billeder (produktfotos, skærmskud), lyd (kundesamtaler), video og strukturerede data (regneark, API-svar). For en dansk detailkæde kan en indkøbsagent analysere billeder af butikshylder, sammenligne med planogrammet og automatisk bestille manglende varer.

Frameworks og konkurrenter i markedet

Markedet for agentiske primitiver er i 2026 domineret af fire frameworks, der hver tilbyder forskellige abstraktionsniveauer og styrker. Valget af framework afgør, hvilke primitiver der er nemme at bruge, og hvilke der kræver custom arbejde.

LangGraph (LangChain)
LangGraph modellerer agentlogik som en rettet graf af noder (modelkald, tool calls, betinget logik) og kanter (tilstandsovergange). State er eksplicit og typet. Cykler er native, så agenter kan loope, genbesøge noder og bryde ud af loops baseret på betingelser. Prismæssigt er LangGraph selv open-source. LangSmith (observability-platformen) koster 39 USD/sæde/måned på Plus-planen med 10.000 basis-traces inkluderet. Overforbrug koster 2,50 USD per 1.000 traces. Enterprise har custom priser. LangGraph Cloud koster 0,001 USD per node-eksekvering. Styrke: fuld kontrol, bedst til komplekse produktionsworkflows. Svaghed: høj indlæringskurve og mere kode krævet.

CrewAI
CrewAI definerer et crew af agenter med roller, mål og baghistorie. Frameworket infererer koordineringsmønstre automatisk. Free-planen giver 50 workflow-eksekveringer per måned. Professional koster 25 USD/måned for 100 eksekveringer. Enterprise ligger typisk på 60.000-120.000 USD årligt med compliance-certificeringer og dedikeret support. Styrke: hurtigste vej fra idé til multi-agent-system. Svaghed: rollebaserede prompts øger tokenforbruget med 30-50% sammenlignet med håndoptimeret LangGraph, og debugging af fejl i en fem-agent-pipeline kan være svært.

Microsoft Agent Framework (tidl. AutoGen)
Microsoft pensionerede AutoGen i starten af 2026 og lancerede Agent Framework som efterfølger. Det er dybt integreret med Azure AI Foundry, Dynamics 365 og Microsoft 365. Agenter defineres som konversationsenheder, der sender beskeder til hinanden. Frameworket er gratis og open-source; omkostningen ligger i tokens (Azure OpenAI) og infrastruktur (Azure Functions, Container Apps). Styrke: bedste governance-features per april 2026, stærkest når organisationen allerede er i Azure-økosystemet. Svaghed: vendor lock-in til Microsoft-stakken.

OpenAI Agents SDK
OpenAI Agents SDK er det simpleste udgangspunkt. Indbygget tool calling, hukommelse og guardrails med minimal konfiguration. Prisen er ren token-baseret via OpenAI API (GPT-4o: 2,50 USD/million input-tokens, 10 USD/million output-tokens). Styrke: lavest mulig friktion for at komme i gang. Svaghed: begrænset fleksibilitet i planlægnings- og kommunikationsprimitiver sammenlignet med LangGraph.

Hvor LangGraph er bedst. Komplekse produktionsworkflows, hvor deterministisk eksekvering og fuld observability er kritisk. Finanssektoren, sundhedssektoren og virksomheder med strenge compliance-krav vælger typisk LangGraph.

Hvor CrewAI er bedst. Hurtig prototyping og standard multi-agent-workflows. Marketing-teams, content-pipelines og interne automationshold, der har brug for resultater inden for uger snarere end måneder.

Hvor Microsoft Agent Framework er bedst. Organisationer, der allerede bruger Azure, Microsoft 365 og Dynamics 365. Governance, audit trails og enterprise-grade sikkerhed er indbygget.