AI · AGENTS · SOFTWARE

Fra modellforståelse til pålitelige AI-systemer.

Et praktisk læringsområde for AI engineering: modeller, grounding, agenter, evaluering, produksjon, maskinlæring, Codex og Claude Code.

Sist faglig gjennomgått · 22. august 2026

AI endrer ikke bare hvordan kode skrives. Agentiske utviklingsverktøy kan undersøke en kodebase, lage en plan, endre flere filer, kjøre verktøy, tolke feil og fortsette til resultatet kan verifiseres. Utviklerens viktigste oppgave flyttes derfor gradvis fra å produsere hvert tegn til å definere mål, forme kontekst, designe grenser og vurdere bevisene.

Dette området handler om den disiplinerte varianten av AI-utvikling: tydelige oppgaver, kontrollerbar autonomi og resultater som kan testes. Det er ikke en verktøykonkurranse mellom Codex og Claude Code. De samme grunnprinsippene avgjør kvaliteten uansett hvilken agent som brukes.

01

Læringsløp i AI engineering

En komplett guide til LLM-grunnlag, grounding, agentiske systemer, evaluering, produksjonsdrift og maskinlæring.

Start læringsløpet →
02

Agentisk utvikling

Forstå agentløkken, kontekstarkitektur, verktøy, grader av autonomi, evalueringsdrevet utvikling og sikker delegering.

Lær grunnprinsippene →
03

OpenAI Codex

Arbeidsflater, AGENTS.md, skills, MCP, kodegjennomgang og en verifiserbar arbeidsflyt fra oppgave til ferdig endring.

Gå til Codex-guiden →
04

Claude Code

CLAUDE.md, planlegging, hooks, MCP, subagenter, tillatelser og Anthropic-mønstre for agentisk koding.

Gå til Claude-guiden →
05

YouTube og fagstemmer

Offisielle kanaler og et kuratert utvalg innholdsskapere for agentisk koding, AI engineering og modellforståelse.

Finn kanaler å følge →

Prinsippene som varer

Mål før prompt

Beskriv ønsket resultat, avgrensning og akseptansekriterier. En elegant prompt kan ikke kompensere for et uklart mål.

Kontekst er arkitektur

Repo-regler, relevante filer, eksempler, verktøy og tidligere beslutninger avgjør hva agenten faktisk kan få til.

Verifisering er produktet

Tester, bygg, statisk analyse, evals og menneskelig kontroll gjør agentens arbeid etterprøvbart.

Autonomi krever grenser

Sandbox, minste privilegium, nettverkskontroll og eksplisitt godkjenning begrenser konsekvensene når agenten tar feil.