Monsteropgaver i kode: Sådan skalerer AI-agenter uden at miste overblikket

Du kender det. Du beder en AI-agent om at omskrive dit autentificeringssystem. Halvtimen senere er den helt på vildspor. Den har glemt de oprindelige krav midt i filer og kontekst-vinduer. Pludselig sidder du og rettedyrker en agent, der gætter sig frem.

Det finnes bedre metoder. Uden at du skal skrive hver detalje selv eller passe på hele tiden.

Det oversete problem med kontekst-vinduet

AI-agenter rocker små, præcise opgaver. Refaktorér den her funktion. Optimer den forespørgsel. Tilføj de tests. Det klarer de uden besvær.

Men en kæmpe omskrivning af hele kodebasen? Så bliver det kaos. Selv med 200K tokens i konteksten kæmper du mod historik, noter og kodebidder. Agenten drukner i detaljer og mister fokus.

Koordinator-mønsteret løser det

Forestil dig i stedet:

• En koordinator-agent, der holder øje med det store billede og laver en plan
• Flere specialiserede worker-agenter, der tager sig af ét stykke ad gangen
• En ekstern revisor, der tjekker af ved milepæle

Det er gammel klogskab fra distribuerede systemer. Parret med nutidens LLM'er? Det er magi.

Koordinatoren har det let:

1. Del opgaven i faser med klare afhængigheder
2. Følg med i, hvad der er færdigt eller blokeret
3. Hold planen i hukommelsen – ikke koden
4. Start nye worker-faser, når forudsætningerne er på plads

Hver worker kører i sit eget miljø. Et separat git worktree. Prompten er skarp: "Omskriv den modul til dependency injection. Her er koden, her er målet."

Ingen unødvendig kontekst. Ingen vildfarer i anden kode. Kun fakta.

Kraften i fælles gennemgang

Det smarte sker før og efter arbejdet. En ekstern revisor – anden model eller frisk kontekst – udfordrer planen og tjekker resultatet.

Koordinatoren foreslår: "Adskil autentificering fra autorisation. Træk roller ud. Tilføj cache til rettigheder." Revisor siger: "Fase tre kræver fase to. Har du tænkt på DB-migrationen?"

Det holder tingene på skinner. Fanger fejl tidligt, før de spreder sig. Som en lead-developer, der godkender planen først.

Efter kodning tjekker revisoren diffen. Leverede fasen? Sideeffekter? Kvalitet okay?

Hvornår skal du bruge det (og undlade det)

Perfekt til store refaktoringer:

• Klare mål: Koden kører som før, bare renere
• Færre gæt: Ingen ny business-logik at opfinde
• Flere vinkler: Forskellige agenter giver stærkere løsninger

Men til en simpel formular? Spar dig besværet. Brug det til de 50-fils-monstre, der tager en uge manuelt.

Hvordan det ændrer din kodeflow

Du kan smide store jobs til AI uden at styre konstant. Koordinator-worker skalerer til projekter, der ellers kræver babysitting.

Hos NameOcean – og andre steder – åbner det døre:

• Infrastruktur: Fra monolitisk Terraform til modulære komponenter
• Legacy-opdatering: Trinsvis migration til moderne mønstre
• API-rydning: Bryt koblede endpoints op i rene services

Nøglen? Opdeling og isolation modvirker kontekst-kollaps. Gælder for AI som for mennesker.

Sådan gør du det i praksis

Ingen fancy værktøjer nødvendige:

1. Isoler arbejdsmiljøer (git worktrees rocks)
2. Koordinator – agent, script eller smart prompting
3. Indbygget review-trin
4. Præcise specifikationer uden irrelevant baggrund

På NameOcean driver vi Vibe Hostings AI-dev med præcis det her. AI skalerer til produktionsniveau. Arbejd med kontekst-begrænsningerne, ikke imod.

Næste gang du står foran en kæmpe kodeoverhaul: Del op. Koordinér. Review. Lad workerne gøre, hvad de er bedst til – små, skarpe ændringer.

Din kontekst (og fornuft) bliver taknemmelig.