Facebook

from openai import OpenAI client = OpenAI( api_key="YOUR_COMETAPI_KEY", base_url="https://api.cometapi.com/v1", ) response = client.chat.completions.create( model="gpt-5-mini", messages=[{"role": "user", "content": "Build this workflow."}], ) print(response.choices[0].message.content)

Agentisk kodning — praksis med at bruge autonom AI midler at planlægge, skrive, teste og iterere på software — gik fra forskningsdemonstrationer til praktiske udviklerworkflows i 2024-2025. Med ankomsten af oktober 2025 Claude Haiku 4.5, Anthropic leverede en model, der er eksplicit optimeret til agent arbejdsbyrder: hurtige, omkostningseffektive og afstemt til underagentorkestrering og "computerbrugs"-opgaver (dvs. styring af værktøjer, editorer, CLI'er). Denne guide samler de seneste nyheder, funktionsnotater, praktiske opskrifter og bedste praksis for styring, så udviklere og tekniske ledere kan implementere agentisk kodning ansvarligt og effektivt i 2025.

Hvad er "agentisk kodning" (orkestrering, subagenter)?

refererer til LLM-brugsmønstre, hvor modellen ikke kun skriver kode, men også koordinerer handlinger, kalder værktøjer, håndterer mellemresultater og styrer underopgaver autonomt som en del af en større arbejdsgang. I praksis betyder det, at modellen kan fungere som en "programmøragent", der planlægger en række trin, delegerer arbejde til underagenter/værktøjer og forbruger deres output for at producere en endelig artefakt. Anthropic og andre bygger eksplicit modeller og værktøjsrammer for at understøtte denne stil.

# minimal_haiku_orchestrator.py # Requires: pip install anthropic aiohttp asyncio import os import asyncio from anthropic import AsyncAnthropic ANTHROPIC_KEY = os.environ.get("ANTHROPIC_API_KEY") if not ANTHROPIC_KEY: raise RuntimeError("Set ANTHROPIC_API_KEY in env") # Model names (adjust if Anthropic changes exact IDs) PLANNER_MODEL = "claude-sonnet-4-5-20250929" # high-capability planner WORKER_MODEL = "claude-haiku-4-5" # fast, cheap worker client = AsyncAnthropic(api_key=ANTHROPIC_KEY) async def plan(user_request: str) -> list: prompt = f"""You are a planner. Break the user's request into an ordered list of small executable steps. User request: \"\"\"{user_request}\"\"\" Return JSON array of step objects with "id" and "instruction".""" resp = await client.messages.create( model=PLANNER_MODEL, messages=, max_tokens=800, ) text = resp.content.strip() # naive parse: planner is expected to return JSON import json try: steps = json.loads(text) except Exception: # fallback: ask Haiku to reformat if planner returned text steps = [{"id": i+1, "instruction": line.strip()} for i, line in enumerate(text.splitlines()) if line.strip()] return steps async def worker_execute(step): # Haiku-heavy fast worker; returns a dict with result and metadata system = f"You are a fast worker. Execute this single instruction and return JSON with fields: id, output, status." prompt = f"Instruction: {step}\nReturn JSON with fields: id, output, status" resp = await client.messages.create( model=WORKER_MODEL, messages=[ {"role": "system", "content": system}, {"role": "user", "content": prompt}, ], max_tokens=512, ) # parse one-line JSON or fallback to raw import json txt = resp.content.strip() try: data = json.loads(txt) except Exception: data = {"id": step, "output": txt, "status": "ok"} return data async def evaluate_and_merge(results): # Use Sonnet again to do final synthesis/QA combined = "\n\n".join(} -> {r.get('output','')}" for r in results]) prompt = f"Given the partial results below, produce a concise final answer and mark pass/fail if any step failed.\n\n{combined}" resp = await client.messages.create( model=PLANNER_MODEL, messages=, max_tokens=600, ) return resp.content.strip() async def orchestrate(user_request: str): steps = await plan(user_request) # run workers in parallel (bounded parallelism recommended) sem = asyncio.Semaphore(8) # at most 8 concurrent Haiku workers async def guarded(step): async with sem: return await worker_execute(step) results = await asyncio.gather(*) final = await evaluate_and_merge(results) return final if __name__ == "__main__": import sys req = " ".join(sys.argv) or "Summarize the latest design doc and list 5 follow-ups." out = asyncio.run(orchestrate(req)) print("FINAL OUTPUT:\n", out)

Læs mere

Agentic Coding med Claude Haiku 4.5: En guide til udviklere i 2025

Lav det første API-kald.

Hvad er "agentisk kodning" (orkestrering, subagenter)?

Knyt denne artikel til den næste beslutning.

Orkestrering vs. underagenter

Hvorfor det betyder noget nu

Claude Haiku 4.5 — Nyheder for udviklere

Benchmarks og praktisk ydeevne

Nøglefunktioner i Claude Haiku 4.5, der muliggør agentisk kodning

Multi-Agent orkestreringsmønstre, der fungerer godt med Haiku 4.5

1) Hierarkisk orkestrering (Master/Arbejdere)

2) Arbejdsgård / Arbejdspulje

3) Pipeline (trinvise transformationer)

4) MapReduce / MapMerge

5) Evaluator-loop (QA + revision)

Systemarkitektur: en pragmatisk proxy-kodning opsætning med Haiku

Værktøjs- og beregningsovervejelser

Værktøjsindpakninger og kapacitetsadaptere

Minimalt fungerende eksempel — Python (asynkron)

Sådan får du adgang til Claude Haiku 4.5 API

Konklusion