Lær AI Agents i praksis
Lær AI Agents i praksis — Lær hvordan AI-agenter fungerer, og bygg dine egne på telefonen
Lær AI Agents i praksis er en gratis kursapp for iPhone og Android som lærer utviklere, studenter og personer som bytter karriere, hvordan AI-agenter fungerer og hvordan de bygges. Den inneholder 60 kurs og 239 korte leksjoner, fra den første LLM-løkken via tool calling, RAG, LangChain og LangGraph til orkestrering av flere agenter. I tillegg får du et Agent Lab, der du kjører en agent på en oppgave og ser hvert tool call, resultat og svar vises trinn for trinn, samt en AI Mentor du kan bruke når noe går galt.
- Pris
- Gratis, oppgradering til Pro
- Plattformer
- iOS og Android
- Språk
- 22
- Aldersgrense
- 4+
- Krever
- iOS 15.1 eller nyere
En agent er bare så god som tool call-et du faktisk kan spore.
De fleste veiledninger om agenter viser et diagram over løkken — tenk, handle, observer — og går videre. Dette læreprogrammet stopper ved hver pil: skriv funksjonen modellen har lov til å kalle, les nøyaktig hva den returnerte, og se hvor et dårlig verktøyresultat sender løkken på avveie.
Hva det er
Lær AI Agents i praksis er en gratis iOS- og Android-app for å lære hvordan AI-agenter bygges, med 60 kurs og 239 leksjoner på fem til ti minutter hver. Læreprogrammet går fra en introduksjon til LLM-baserte agenter og prompt engineering via tool calling, retrieval-augmented generation (RAG) og vektordatabaser, videre til LangChain, LangGraph og LlamaIndex, og helt frem til orkestrering av flere agenter, computer-use-agenter og utrulling i produksjon. Leksjonene inneholder Python-eksempler du kan kjøre direkte, et Agent Lab som viser hvert trinn i en agentkjøring, quizer etter hvert emne og en AI Mentor for spørsmål underveis.
Inne i appen
Slik ser den ut
Kurset
Dette lærer du i kurset AI Agents
60 kurs og 239 leksjoner fra appens eget pensum — fra den første LLM-agentløkken til orkestrering av flere agenter og utrulling i produksjon.
Agentgrunnlag
Intro to LLM Agents, Prompt Engineering for Agents, LLM APIs in Practice (OpenAI- og Anthropic-SDK-er), File System Agent Operations, Conversational Memory Basics og et første sett med praktiske prosjekter.
Bruk av verktøy og informasjonsinnhenting
Mønsteret Tool-Use / Function-Calling, API Integration for Agents, Email and Calendar Agents, Working with Embeddings, grunnleggende Retrieval-Augmented Generation, Vector Databases for Agents og Agent Observability Foundations.
Agenter for virkelige plattformer
Slack and Chat Platform Agents, GitHub and Repository Agents, Web Scraping and Data Fetching Agents, Agent CLI and Interactive Tools, Secrets and Configuration Management, LangChain Fundamentals, Structured Output and Parsing og Database Agents som gjør naturlig språk om til SQL.
Testing, feilsøking og pålitelighet
Agent Testing Fundamentals, Debugging Agent Loops, LangGraph for Stateful Agents, LlamaIndex Deep Dive, Multi-Tool Agents (ReAct-mønsteret), Building Reliable Agents og Memory Architectures for Agents.
Spesialiserte agenter
Voice and Audio Agents, Knowledge Graph Integration, Personal AI Assistant Architecture, Agent Evaluation and Benchmarking, Agent Safety and Guardrails, Cost and Latency Optimisation og Customer Service and Deep Research Agent-systemer.
Produksjon og det nyeste innen feltet
Multi-Agent Orchestration, Production Agent Deployment, Computer-Use and Browser Agents, Code-Generating Agents, Long-Horizon Planning Agents, Sandboxing and Secure Code Execution og Self-Improving Agent Systems.
Slik fungerer det
Slik foregår en AI Agents-leksjon
Kurset følger en rekkefølge for bygging — først løkken, deretter verktøy, så minne, rammeverk og til slutt hensyn knyttet til produksjon — og Agent Lab lar deg se resultatet i stedet for bare å lese om det.
Les én del av agentløkken
En leksjon dekker ett konkret trinn — hvordan et tool call ser ut på ledningen, hvordan en vektordatabase returnerer et treff, eller hvorfor en prompt trenger rolleadskillelse — forklart i klart språk og tilpasset en kort pause i løpet av dagen.
Kjør en agent og les sporet
I Agent Lab gir du en agent en oppgave og ser hvert tool call, resultat og svar vises ett trinn om gangen. Sporvisningen fungerer som en debugger, slik at du kan se nøyaktig hvor en kjøring gikk galt. Leksjonene inneholder også Python-eksempler du kan kjøre direkte i leksjonen.
Bygg din egen, og fiks den deretter
Velg en systemprompt, verktøy, et trinnbudsjett og en oppgave i Agent Builder, og lagre din egen agent. Lab-oppdragene ber deg om å foreta et første tool call, fikse et ødelagt kall, lese et spor, legge til en guardrail, rute en oppgave og fordele arbeidet mellom parallelle agenter. AI Mentor forklarer hva en modell gjorde når et spor ikke gir mening.
Hva den inneholder
Dette dekker appen
Direkte
Agent Lab med direkte kjøringer
Gi en agent en oppgave og se hvert tool call, resultat og svar vises trinn for trinn. Les deretter kjøringen i en sporvisning som er laget for å vise nøyaktig hvor den gikk galt. Et daglig antall direkte kjøringer er gratis.
60
Kurs, fra nybegynner til avansert
60 kurs og 239 leksjoner, fra den første LLM-agentløkken og prompt engineering via tool calling, RAG, vektordatabaser, LangChain og LangGraph, og videre til orkestrering av flere agenter, computer-use-agenter og utrulling i produksjon.
5
Orchestration Lab
Sammenlign fem mønstre side om side — enkeltagent, sekvensiell pipeline, router, parallell fan-out og generator med kritiker — og se hvordan hvert mønster avveier hastighet, kostnad og pålitelighet. Ett mønster er gratis; Pro låser opp resten.
Bygg
Agent Builder
Velg en systemprompt, verktøy, et trinnbudsjett og en oppgave, og lagre deretter dine egne agenter og kjør dem i Lab.
6
Lab-oppdrag og Python-eksempler
Seks agentoppdrag — første tool call, fiks et ødelagt kall, les et spor, legg til en guardrail, rut en oppgave og fordel arbeidet mellom parallelle agenter — samt Python-eksempler du kan kjøre direkte i leksjonene.
AI
AI Mentor
Spør hvorfor et tool call returnerte data i feil format, eller hvorfor agenten gikk gjennom det samme trinnet to ganger, og få et svar i klart språk på sekunder.
Bakgrunn
Hva er en AI-agent, og hva innebærer det egentlig å bygge en?
En AI-agent er et program som bruker en språkmodell til å bestemme hva den skal gjøre videre, ikke bare hva den skal si. I stedet for å returnere ett enkelt svar kjører den en løkke: les situasjonen, velg en handling, kall et verktøy — en søkeindeks, en database, et API eller et kodestykke — les resultatet, og gjenta til målet er nådd. Å bygge en slik agent handler først og fremst om engineering rundt denne løkken: å bestemme hvilke verktøy modellen har lov til å kalle, strukturere dataene den får tilbake, håndtere trinnet der et verktøy feiler eller et svar kommer tilbake i feil format, og bevare nok minne fra tidligere trinn til at agenten ikke gjentar seg selv.
Tool callingfunction calling
Mekanismen som lar en modell be om en faktisk handling — kjøre en spørring, hente en side eller sende en e-post — ved å generere et strukturert kall som koden din utfører og sender resultatet tilbake til modellen. Det er forbindelsen mellom en modell som bare predikerer tekst, og et program som faktisk gjør noe.
RAGretrieval-augmented generation
Henting av relevante dokumenter når spørsmålet stilles — vanligvis fra en vektordatabase med embeddings — og sending av dem til modellen som kontekst, slik at et svar bygger på dine egne data i stedet for det modellen memorerte under treningen.
Agent-rammeverkLangChain, LangGraph, LlamaIndex
Biblioteker som håndterer de repetitive delene av en agent — selve løkken, minne, kobling av verktøy og tilstandsbaserte flerstegsgrafer — slik at du kan konsentrere deg om logikken som er spesifikk for agenten din, i stedet for infrastrukturen under den.
Orkestrering av flere agenteragenter som bruker andre agenter
Et mønster der én agent delegerer deloppgaver til andre — en research-agent, en kodeagent og en gjennomgangsagent — der hver agent har egne verktøy og egen kontekst, koordinert av et lag som bestemmer hvem som går videre, og setter sammen det som kommer tilbake.
Passer
Hvem den er for – og ikke for
Passer godt for deg hvis du
- Vil du bygge en agent som faktisk kaller et verktøy eller en database, ikke bare gir en chatbot et prompt
- Starter du fra null når det gjelder LLM-er, og vil du forstå agentløkken før du begynner med rammeverk
- Vil du ha praktiske kurs om bestemte plattformer — Slack-boter, GitHub-agenter og databaseagenter — ikke én generell mal
- Er du utvikler og vil se LangChain og LangGraph brukt i fungerende kode, ikke bare i et diagram
- Vil du etter hvert nå orkestrering av flere agenter og utrulling i produksjon, i stedet for å stoppe ved en leketøydemo
Ikke riktig verktøy for deg hvis du
- Vil du ha hele biblioteket med 60 kurs gratis — det første kurset er gratis, mens Pro låser opp resten
- Vil du ikke ha annonser i gratisnivået? Pro fjerner dem
- Trenger du ubegrenset AI Mentor i gratisnivået, som har en daglig kvote
- Kjører du allerede agenter i produksjon og vil lese forskningsartikler i stedet for å følge et kurs i bygge‑rekkefølge
Spørsmål
Ofte stilte spørsmål
Hva er den beste appen for å lære om AI-agenter på mobilen?
Den som tar deg fra å lese om agentløkken til å se en agent kjøre. Lær AI Agents i praksis har 60 kurs, fra den første LLM-løkken via tool calling, RAG og LangChain til orkestrering av flere agenter, et Agent Lab der du kan følge hvert verktøykall og resultat i en sporing, og en AI Mentor når et verktøykall returnerer noe uventet. Du kan komme i gang gratis på iOS og Android.
Hva er en AI-agent, enkelt forklart?
En AI-agent er et program som bruker en språkmodell til å bestemme hva den skal gjøre videre, i stedet for bare hva den skal si. Den kjører i en løkke: les situasjonen, velg en handling, kall et verktøy som en søkeindeks, en database eller et API, les resultatet og gjenta. Modellen leverer vurderingen av hva som skal gjøres videre; den omkringliggende koden — delen denne appen lærer deg å skrive — leverer verktøyene og utfører handlingen.
Hva er forskjellen på en AI-agent og en chatbot?
En chatbot tar imot én melding og returnerer ett svar — tekst inn, tekst ut, og ingenting skjer i verden. En agent får et mål og fortsetter til det er nådd, mens den utfører virkelige handlinger underveis: spør en database, kaller et API, leser en fil, kontrollerer sitt eget resultat og prøver på nytt når et trinn mislykkes. Kursene i Learn AI Agents om tool calling og agentløkker handler spesifikt om dette gapet — hva som må finnes i koden for at modellens beslutning skal bli til en handling.
Må jeg kunne programmere før jeg lærer om AI-agenter?
Det er nyttig å være litt fortrolig med kode, men det første kurset krever ingen forkunnskaper og starter med hva en LLM-agentløkke faktisk er. Hver leksjon kombinerer en kort teoridel med Python-eksempler du kan kjøre inne i leksjonen, slik at du lærer programmeringen sammen med agentkonseptene i stedet for som et separat forkunnskapskrav. Lær AI Agents i praksis passer både for nybegynnere og utviklere.
Hva er RAG, og hvorfor tar et agentkurs for seg vektordatabaser?
Retrieval-augmented generation betyr at relevante dokumenter hentes inn når spørsmålet stilles, og gis til modellen som kontekst, slik at svaret bygger på dine egne data i stedet for det den husket fra treningen. Vektordatabaser er det som gjør denne innhentingen mulig i praksis — de lagrer embedding-er og returnerer de nærmeste treffene på et søk raskt. Agenter som svarer på spørsmål om en bestemt kodebase, et produkt eller en samling dokumenter, bygger nesten alltid på dette mønsteret. Derfor får det egne kurs i stedet for bare ett avsnitt.
Hva er forskjellen på LangChain, LangGraph og LlamaIndex?
LangChain setter sammen de vanlige delene av en agent — prompt-er, verktøy og minne — slik at du slipper å bygge denne infrastrukturen fra bunnen av. LangGraph legger eksplisitt tilstand og forgreninger oppå dette, noe som passer for agenter der trinnene avhenger av det som skjedde tidligere, i stedet for en enkel lineær kjede. LlamaIndex spesialiserer seg på innhentingsdelen: effektiv lasting, indeksering og søking i dine egne dokumenter. Learn AI Agents har et eget kurs for hver av dem, og kurset Multi-Tool Agents dekker ReAct-mønsteret som de ofte bygges rundt.
Er AI-agenter verdt å lære i 2026?
Agenter er et av de tydeligste områdene der en språkmodell blir til noe som fullfører arbeid, i stedet for bare å beskrive det, og de grunnleggende ferdighetene kan brukes på tvers av rammeverk: utforming av verktøy, strukturering av prompt-er, informasjonsinnhenting og å vite når en automatisert løkke bør stoppe og spørre et menneske. Lær AI Agents i praksis har kurs om agentsikkerhet, guardrails, evaluering og optimalisering av kostnader og forsinkelse — spørsmål team møter når en agent settes i produksjon.
Er Lær AI Agents i praksis gratis?
Den er gratis å laste ned og gratis å komme i gang med. Det første kurset, introduksjonen til LLM-baserte agenter, er gratis, sammen med en daglig kvote for AI Mentor, ett Orchestration Lab-mønster, ditt første Agent Builder-design og en daglig kvote med live-kjøringer. Pro låser opp alle kurs og alle orkestreringsmønstre, fjerner den daglige kjøregrensen og fjerner annonser.
Får jeg et sertifikat til slutt?
Ja. Når du består avsluttende eksamen, får du et fullføringssertifikat som du kan vise frem sammen med agentene du har bygget. Det dokumenterer arbeidet du har gjort, men er ikke en akkreditert akademisk kvalifikasjon.
Hvilke plattformer og språk støtter den, og hvorfor finnes det to navn?
Lær AI Agents i praksis fungerer på iPhone (iOS 15.1 eller nyere) og Android, har et grensesnitt på 22 språk og er rangert 4+. Oppføringen på Google Play heter Lær AI Agents i praksis, mens App Store viser den samme appen som Learn AI Agents. Den er en del av CoddyKit, en familie på over 40 kodeapper, så leksjonsformatet deles med de andre kursene i serien.
Kom i gang
Kjør din første AI-agent i dag
Gratis å komme i gang på iOS og Android, på 22 språk.
Mer fra CoddyKit
Tilgjengelig på iOS og Android.