Før workshoppen

• Installer en agent (vi bruker claude som demo, men du kan bruke hva du vil)

installasjon MAC OS

• mac : brew install --cask claude-code (prøv dette først) alternativt
• Innstallasjon MAC OS
• export ANTHROPIC_API_KEY="din_api_nøkkel_her"

installasjon Windows

• Innstallasjon Windows
• export ANTHROPIC_API_KEY="din_api_nøkkel_her"

🚀 Introduksjon til Agentisk Utvikling

Agentisk utvikling handler om å bygge systemer der autonome eller semi-autonome "agenter" kan ta beslutninger, utføre oppgaver og samarbeide for å løse komplekse problemer. Disse agentene bruker ofte store språkmodeller (LLMs), verktøy og minne for å handle mer selvstendig enn tradisjonell programvare.

I stedet for at utviklere spesifiserer hver eneste regel, designer man systemer som kan resonnere, planlegge og tilpasse seg dynamisk.

Teoretiske slider med tips og råd finnes her : https://docs.google.com/presentation/d/1qQKs8Z7BUh-pL1uqy_PsXe_6NK8SNvv19kAhVV640Oc/edit?usp=sharing

---

🧠 Hva er en agent?

En agent er typisk en komponent som:

• Forstår en oppgave (prompt eller mål)
• Planlegger hvordan den skal løses
• Utfører handlinger (f.eks. API-kall, kodekjøring)
• Evaluerer resultatet og justerer seg

Eksempler:

• En AI som skriver og tester kode automatisk
• En chatbot som kan booke møter via eksterne systemer
• Et system som analyserer data og tar beslutninger kontinuerlig

---

🔥 Hvorfor er dette viktig?

Agentisk utvikling er viktig fordi:

1. Økt automatisering

Oppgaver som tidligere krevde manuell oppfølging kan nå utføres autonomt.

2. Mer robuste systemer

Agenter kan håndtere uforutsette situasjoner ved å tilpasse seg i sanntid.

3. Høyere utviklerproduktivitet

Utviklere kan fokusere på mål og arkitektur fremfor detaljerte implementasjoner.

4. Fundamentet for fremtidens applikasjoner

Mange moderne AI-systemer (Copilots, autonome workflows, AI-assistenter) er bygget på agentiske prinsipper.

---

🧩 Hva du lærer i dette repoet

Dette repoet gir deg en praktisk introduksjon til agentisk utvikling:

• Hvordan bygge en enkel agent
• Hvordan bruke verktøy (tools) i agent-systemer
• Hvordan håndtere minne og kontekst
• Hvordan strukturere agent workflows

---

📁 Eksempler/Oppgaver

Se sub kataloger for konkrete implementasjoner/maler:

• Kotlin_Java_code_QA_skill/ - Oppgave : du skal lage en egen skill som gjør kode QA av et stort repo vi vinner på nettet
• Reiseregning-automatisering/ – Oppgave : En beskrivelse av steg for å sette opp en flyt for å registrere reise regninger
• Reiseregning-demo/ – resultat : hva som skjer om man følegr oppskriften rått og brutalt uten å gjøre noen endringer, samt ikke bry seg om alt vi har snakket om i teori biten
• google-workspace-cli/ – en referanse til et eget google workspace CLI som en agent kan utnytte for å hente informasjon fra gmail, calender osv
• Get-Shit-Done/ – en referanse til GSD rammeverket som er rammeverk for utvikling, oppfølging osv.
• teacher-assistent/ - et eksempel på ren Wibe coding i Claude uten særlig mye info i claude.md fil, men en veldig! detalkert prompt

---

🛠️ Teknologier

Du kan bruke valgfri stack, men typisk:

• Python / TypeScript
• LLM API (f.eks. OpenAI)
• Rammeverk (valgfritt): LangChain, Semantic Kernel, etc.

---

🎯 Mål

Etter å ha jobbet gjennom dette repoet skal du:

• Forstå hva agentisk utvikling er
• Kunne bygge en enkel agent
• Se hvordan dette kan brukes i virkelige systemer

---

📚 Videre lesning

• Prompt engineering
• Tool calling / function calling
• Multi-agent systems
• AI orchestration

---

Happy building! 🤖