Agentic Engineering: Sådan bygger du Apps uden kaos
Kender du følelsen af at være 200 prompts dybt inde i et projekt, hvor appen skulle have taget to timer, men nu har ædt to hele dage? Man retter én fejl, og straks eksploderer tre nye steder – og man aner ærlig talt ikke hvorfor, for man har jo ikke selv skrevet en eneste linje kode. Hvis du har prøvet at bygge software med kunstig intelligens, har du med garanti ramt loftet for ren mavefornemmelse. Derfor er jeg skiftet til agentic engineering for at tage kontrollen tilbage.
Her deler jeg mine erfaringer med, hvordan en mere struktureret tilgang har forvandlet min måde at skabe software på.
Hvorfor ren mavefornemmelse fejler ved Vibe Coding
Tidligere handlede det meste om blot at beskrive en løs idé, lade sprogmodellen generere en masse kode og håbe på det bedste. Det føltes magisk i starten, fordi man hurtigt kunne fremtrylle prototyper uden teknisk baggrund.
Men problemet opstår i det øjeblik, kompleksiteten stiger: Hver gang vi affyrer en prompt uden en klar plan, tilføjer vi komponenter, vi ikke forstår. Resultatet bliver et digitalt korthus, der uundgåeligt vælter. Udvikleres tillid til rå AI-kode er faldet markant, netop fordi folk opdager, at fundamentet smuldrer. Løsningen er ikke at opgive AI, men derimod at mestre agentic engineering.
Hvad indebærer agentic engineering i praksis?
Begrebet agentic engineering dækker over to vigtige elementer. Agentic betyder, at vi dirigerer intelligente AI-agenter frem for selv at taste kildekode 99 % af tiden. Engineering understreger, at det er et reelt håndværk, man aktivt kan forbedre.
Forskellen bliver tydelig i måden, vi formulerer vores ønsker på:
- Den tilfældige prompter: Siger blot “byg et dashboard til mig” og håber på held.
- Den målrettede instruktør: Beder om “et dashboard med tre specifikke nøgletal, hentet fra denne datakilde, opdateret hvert halve minut og udstyret med en visuel loading-tilstand”.
Ved at anvende agentic engineering arbejder vi fremad mod et krystalklart mål frem for at lappe baglæns på tilfældige fejl.
Tre vaner der styrker dit workflow
Du behøver ingen datalogi-eksamen for at skifte gear; det handler udelukkende om mental klarhed og struktur:
- Definér resultatet før værktøjet åbnes: Forklar præcist i to sætninger, hvad succes er for slutbrugeren, før du beder AI om at bygge noget.
- Giv AI én afgrænset opgave ad gangen: Del dit projekt op i små bidder. Byg login-delen først, verificér den, og fortsæt derefter til næste modul.
- Test og efterprøv før næste prompt: Tjek altid, at den seneste ændring rent faktisk fungerer stabilt, før du bygger videre.
Agentic engineering er fremtidens arbejdsmetode
Jeg har for længst vinket farvel til tilfældige gæt og satser fuldt ud på agentic engineering. Målrettet styring sparer oceaner af frustrationer, spildte timer og kold kaffe. Fremtidens mest succesfulde digitale skabere bliver ikke nødvendigvis de hurtigste programmører på tastaturet, men derimod de skarpeste tænkere, som formår at definere præcist og instruere deres agenter sikkert i mål.
En hurtig tanke om GitHub
Når AI’en spytter kode ud i lyntempo, ændrer vores forhold til GitHub sig også. Det er ikke længere her, vi sveder over hver enkelt linje og mikroskopiske commits – det er blevet agendernes kontrolrum. Selvom “Agenterne” klarer det grove på to sekunder, er det stadig dig, der skal kvalitetstjekke, styre historikken og trykke på den endelige godkendelse. AI’en kan bygge korthuset, men det er dig, der sørger for, at det faktisk kan stå i den virkelige verden!
Selv bruger jeg GitHub til langt de fleste af mine projekter – for uanset hvor klog AI’en bliver, er det rart at have et sted, hvor man rent faktisk har styr på, hvad der foregår bag kulisserne.
