Så bygger du bättre AI-kodagenter med realtidsfeedback

De flesta som testat AI-baserade kodassistenter har stött på samma problem. Agenten skriver kod, stöter på ett fel – och sedan fastnar den. Den minns inte vad som gick fel, ser inte vilka filer som ändrades och behöver att du pekar ut loggarna.

Det handlar inte om att modellen är svag. Det handlar om hur informationen återförs till agenten.

Observability som faktiskt används

Vanligtvis samlar man loggar för att felsöka i efterhand. Men vad händer om samma data skickas tillbaka till agenten direkt, så den kan fatta bättre beslut nästa steg?

Det är kärnan i verktyg som TMA1 v2. Istället för att bara logga vad som hänt, blir informationen en del av agentens beslutsprocess.

Ett klassiskt agent-loop ser ut så här: agenten väljer åtgärd, kör verktyg, får resultat och upprepar. Men agenten får sällan veta vad som egentligen pågick runtom resultaten. Den ser inte om bygget gick igenom, vilka filer som ändrades eller om någon annan rörde vid projektet samtidigt.

Vad agenten egentligen behöver veta

Nästa generations verktyg skickar in kontext automatiskt. Det handlar om fyra huvudområden:

Build-status – Visar direkt om kommandot misslyckades, utan att agenten behöver fråga igen.
Sessionens tillstånd – Hur länge sessionen pågått, hur många tokens som gått åt och när det är dags att komprimera.
Filändringar – Skiljer mellan ändringar som agenten själv gjort och de som kommit från användaren eller en annan agent.
Avvikelser – Upptäcker mönster som tyder på att agenten kör fast, till exempel upprepade redigeringar utan att felet ändras.

När systemet ser sådana mönster kan det ge agenten en signal att byta strategi.

Samarbete mellan flera agenter

Att låta flera agenter jobba samtidigt låter bra på pappret, men gruppchatt-lösningar blir snabbt dyra och röriga. Kodarbete följer oftast en enkel cykel: planera, koda, verifiera och iterera.

Det som behövs är en gemensam observabilitetsyta. Med hjälp av protokoll som Model Context Protocol kan en agent hämta relevant information från en annan agents session utan att hela konversationen behöver delas.

Så implementerar du feedback-loopen

För att få det här att fungera krävs några tekniska byggstenar:

1. Hooks på rätt ställen – Koppla in observability vid sessionstart, före varje prompt och efter varje verktygsanrop.
2. Tydlig attribution – När en fil ändras ska systemet snabbt kunna avgöra vem som gjorde det, ofta genom att matcha fsnotify-händelser mot verktygsanrop inom ett kort tidsfönster.
3. Strukturerad kontext – Skicka in data i ett format som agenten lätt kan tolka, till exempel build-status, filhistorik och token-användning.
4. MCP-server – En Model Context Protocol-server ger agenter tillgång till projekt- och byggstatus via ett standardiserat gränssnitt.

Vad det ger i praktiken

När agenten får se vad som just hände ändras beteendet. Den återhämtar sig snabbare efter fel, undviker att upprepa samma misstag och samarbetar bättre både med människor och andra agenter. Dessutom hanterar den token-budgeten mer effektivt eftersom den vet när det är dags att komprimera.

Det är fortfarande ett ungt område, men riktningen är tydlig. Det är inte främst modellerna som behöver bli smartare – det är infrastrukturen runt dem.

Fråga dig själv: vilken information saknar agenten just nu som skulle kunna ändra dess nästa beslut? Där ligger ofta den största potentialen.