Anders Gamborg — softwareudvikler & bygger

I bad om noget, I ville synes er fedt.

Så i stedet for at fortælle jer, hvad jeg kan, viser jeg jer noget, jeg har bygget.

Da de agentiske AI-modeller for alvor blev brugbare, manglede jeg et værktøj, der kunne lade en model ikke bare svare, men handle — bruge værktøjer, træffe beslutninger i flere trin og arbejde videre på egen hånd. Der fandtes rammeværk derude, men ingen der gjorde præcis det, jeg ville, på min egen hardware og under min egen kontrol. Så jeg byggede det selv.

Se hvad jeg byggede ↓ Eller spring direkte til demoen →

Scroll

Et agentisk framework — bygget fra bunden

Kort fortalt er det en ramme, der lader en sprogmodel arbejde som en agent: den ræsonnerer sig frem til, hvad der skal gøres, bruger værktøjer til at gøre det, ser på resultatet og arbejder videre — indtil opgaven er løst.

Jeg skrev det selv, fordi jeg ville have præcis den kontrol og fleksibilitet, som færdige rammeværk ikke gav mig.

ReAct-loop

Agenten ræsonnerer sig frem til, hvilke skridt og værktøjer der skal til, handler, observerer resultatet og fortsætter — i stedet for bare at give ét svar.

Multi-model routing

Den vælger mellem flere sprogmodeller afhængig af opgaven. Tunge ræsonneringsopgaver kan gå til en stor cloud-model, mens hurtige eller følsomme opgaver kan køre på en model, jeg selv hoster lokalt via vLLM og Ollama — uden at data forlader maskinen.

Subagenter

En kompleks opgave kan brydes ned og fordeles til specialiserede underagenter, der hver løser deres del og rapporterer tilbage.

Værktøjsintegration (MCP)

Agenten kobles til eksterne værktøjer og datakilder gennem et genbrugeligt mønster, så den nemt kan få nye evner uden at frameworket skal skrives om.

Vektorbaseret hukommelse

Den kan huske på tværs af sessioner ved at gemme og slå op i en vektordatabase — så viden fra tidligere opgaver kan trækkes frem, når den er relevant.

Loopet kører, indtil agenten har det, den skal bruge — ikke et fast antal trin.

Det hele kører på min egen hardware, hvis jeg vil have det til det. For mig handler det om at forstå, hvad der sker med data — og at kunne arbejde i et lukket, kontrolleret miljø uden at sende noget ud af huset.

Sådan tænker en agent

Her er et lille, ufarligt eksempel på loopet i praksis.

Agenten får en opgave, ræsonnerer sig frem til hvad den skal bruge, henter det med værktøjer, og bygger et svar oven på det, den finder undervejs. Prøv at følge med — det er præcis den måde, den bryder et problem ned på.

Opgave: Find ud af, hvor mange dage der er til projektets deadline, og vurder om vi når det.

Dette eksempel er scriptet og kører helt lokalt i din browser. Intet sendes nogen steder.

Sådan arbejder jeg

Frameworket blev ikke til, fordi nogen bad om det. Det blev til, fordi jeg så et behov og byggede løsningen.

Det er ret præcist sådan, jeg arbejder — og da jeg læste jeres opslag, var der tre ting, der ramte mig.

»Vi har ikke en fast tech-stack.«

Godt. Jeg er ikke bundet til ét sprog eller én måde at gøre tingene på. C#/.NET er mit fundament efter 20+ år, men jeg vælger det værktøj, opgaven kræver — og jeg har bygget i alt fra TypeScript og Vue til Go og Python. Bredden er en styrke, når stakken skal passe til problemet frem for omvendt.

»Muligheden for selv at bygge det, du mangler.«

Det er sådan, jeg fungerer bedst. Jeg venter ikke på, at nogen laver værktøjet — jeg bygger det. Frameworket er ét eksempel; jeg har også bygget automatiseringer, der håndterer mine egne arbejdsgange, og lokal AI-infrastruktur til at afprøve modeller, før jeg stoler på dem.

»Omsætte dine kollegers ønsker til brugbare løsninger.«

Det er nok det, jeg er allerbedst til. Jeg er god til at tage et løst formuleret ønske, stille de rigtige spørgsmål, og gøre det til noget, der virker i praksis. Jeg lærer hurtigt, når der er noget konkret at bygge — og jeg går op i, at det, jeg laver, faktisk hjælper dem, det er lavet til.

Jeg arbejder AI-first, bygger hurtigt, og er ærlig omkring, hvad jeg kan og ikke kan. Jeg er ikke offensiv sikkerhedsspecialist — I har hackerne. Jeg er ham, der bygger de værktøjer, de har brug for, og som gør det godt.

Kort om mig

Jeg hedder Anders Gamborg og har arbejdet med softwareudvikling i over 20 år. Mit fundament er C#/.NET, men jeg er generalist af lyst — jeg bevæger mig hjemmevant mellem backend, frontend, integration og infrastruktur, og de sidste år har AI været mit primære fokus.

Jeg er teknisk nysgerrig helt ind til benet. Jeg kan lide at fordybe mig i noget komplekst, forstå hvordan det hænger sammen, og bygge noget, der virker. Og jeg er hjælpsom af natur — jeg går op i, at vi lykkes som hold, og at det, jeg bygger, rent faktisk gør en forskel for dem, det er til.

Ærlighed og gennemsigtighed betyder meget for mig. Jeg siger tingene, som de er, også når det er nemmere at lade være — for jeg tror på, at det er dét, der bygger tillid over tid. Uden for arbejdet er jeg passioneret landevejscyklist og bruger 8-10 timer om ugen på cyklen; det er der, jeg tænker bedst.

20+ års erfaring C#/.NET AI-first med Claude Code Sikkerhedsgodkendt til HEMMELIGT

Sikkerhedsgodkendelsen er opnået gennem arbejde for en dansk offentlig styrelse. Jeg er indforstået med, at stillingen kræver godkendelse til yderst hemmeligt.

Lad os tage en snak

Hvis I synes, det her var interessant, vil jeg meget gerne fortælle mere — og gerne demonstrere frameworket i praksis, hvis I er nysgerrige.

Tanken om at bygge in-house værktøjer i tæt samspil med jeres hackere og udviklere, i et miljø hvor arbejdet betyder noget, er præcis den slags opgave, jeg leder efter.

Bygget fra bunden — som det jeg ville bygge for jer.