Skräddarsydda AI-agenter för verkliga projekt

Den mest intressanta delen av Claude Code är inte att den kan skriva kod. Det verkliga värdet ligger i möjligheten att bygga specialiserade AI-agenter som förstår ett specifikt projekt – dess arkitektur, tekniska val och begränsningar.

När fokus flyttas från enskilda prompter till agenter som versionshanteras förändras också arbetssättet. I stället för generella instruktioner kan man skapa agenter som är anpassade efter hur systemet faktiskt är byggt och hur teamet arbetar.

Ett team av specialiserade agenter

Det är relativt enkelt att ta fram egna agenter och börja experimentera i ett konkret projekt.

• code-improver granskar kod med fokus på läsbarhet, prestanda och etablerade best practices
• security-reviewer analyserar säkerhetsrisker med kunskap om projektets autentiseringsflöde via en central API Gateway och databasval (MongoDB, med fokus på NoSQL-relaterade risker)
• test-writer genererar tester som följer projektets teststack: JUnit och TestContainers på backend samt Vitest och Testing Library på frontend
• migration-helper kartlägger konsekvenser av dependency updates genom att läsa officiella migreringsguider och därefter analysera den faktiska kodbasen

Gemensamt för agenterna är att de inte fungerar som generella rådgivare, utan kapslar in projektkunskap som annars ofta bara finns hos utvecklarna. Kunskapen blir därmed både återanvändbar och tillgänglig för hela teamet.

Varför kontext gör skillnad

En generell prompt ger generella svar. En agent med projektkontext kan däremot resonera utifrån hur systemet faktiskt fungerar.

Till exempel vet agenten att backend-endpoints inte behöver egen autentiseringsvalidering eftersom detta hanteras av vår API Gateway, men att auktorisering på resursnivå fortfarande måste implementeras korrekt. Agenten vet också att tester ska använda @ServiceConnection med TestContainers i stället för manuell MongoDB-konfiguration, och att en dependency updates måste analyseras mot den faktiska kodbasen – inte bara mot en lista med breaking changes.

Det är i den här typen av detaljer som våra specialiserade agenter blir verkligt användbara.

Agenter och skills fyller olika roller

Agenter är specialiserade, autonoma sub processer som lämpar sig för analys, research och kartläggning. De kan läsa kod, söka dokumentation och sammanställa konsekvenser. I det här fallet har agenterna endast read-only-verktyg (Glob, Grep, Read, WebFetch, WebSearch), eftersom de är rådgivande. Själva implementationen sker därefter av huvudagenten.

Skills är däremot återanvändbara promptmallar som anropas direkt i konversationen. Ett exempel är en skill som säkerställer att alla commits följer en viss standard, med rätt scope anpassat för projektet.

Tillsammans skapar agenter och skills en tydlig struktur för hur AI används i utvecklingsarbetet.

Ett konkret exempel: Storybook-uppgradering

Det började med en enkel prompt till Claude: ”Se över om det finns några CVE:er i koden.”

Huvudagenten hämtade säkerhetsvarningar från GitHub, en Explore-agent inventerade beroenden. Fem öppna sårbarheter. Två allvarliga i ett routing-bibliotek — snabb uppgradering, build, 25 tester gröna.

De tre återstående var knepigare. Huvudagenten spårade dem till transitiva beroenden via Storybook. Enda vägen framåt var att uppgradera Storybook två major-versioner.

Migration-helper-agenten tog vid. Den sökte officiella migreringsguider, läste alla 44 story-filer och matchade varje breaking change mot faktisk kod. Rapporten var detaljerad: importändringar, konfigurationsstädning, TypeScript-justeringar. Men längst ner, en rad som ändrade allt:

msw-storybook-addon (HIGH RISK) — saknar vid tillfället verifierat stöd för Storybook 10.

Biblioteket som kopplar ihop vår API-mockning med Storybook har inte släppt en kompatibel version, vilket omöjliggör uppgraderingen utan att tappa funktionalitet. Beslut: parkera.

Routing-fixen committades med commit-format-skillen och pushades. Migrationsplanen ligger redo för den dag ekosystemet hinner ikapp.

Det här är ett bra exempel på hur en agent inte bara hjälper till att genomföra förändringar, utan också kan bidra till att undvika arbete som inte går att slutföra.

Låg tröskel, högt värde

Att sätta upp en agent tar i praktiken runt tio minuter. Genom att versionshantera agenterna blir kunskapen delad och reproducerbar för hela teamet.

Specialiserade AI-agenter ersätter inte utvecklarens omdöme, men de kan fungera som ett kraftfullt komplement – särskilt i en komplex kodbas där kontext är minst lika viktig som själva koden.

Det här är också anledningen till att värdet inte ligger i att AI kan skriva kod, utan i att den kan bära och återanvända projektkontext.