Verbos: AI og Softwareudvikling

Hvordan organiserer man viden, instruktioner og værktøjer, så en AI-agent selv kan finde det, den har brug for? Musiker og udvikler Troels Abrahamsen gæster Verbos til en samtale om yap.tools og kontekstsystemer til AI-agenter.Yap er et open source-system, man selv kan hoste, hvor agenten navigerer gennem spaces og bundles via MCP. En bundle samler for eksempel procesdokumenter, data, filer og adgang til bestemte services omkring en opgave. Agenten kan så hente den relevante kontekst undervejs.Troels fortæller, hvordan han bruger det i sin hverdag med musikkatalog, mail og udviklingsprojekter. Sammen med Kasper Junge og Jonas Høgh Kyhse-Andersen undersøger han, hvordan man bygger strukturen sammen med agenten, lærer af det løbende arbejde og afgør, hvad der skal stå i et dokument, og hvad der skal være en fast regel i kode.Vi kommer også omkring adgangsstyring, åbne protokoller og interfaces, der vokser frem af de data og arbejdsprocesser, man allerede har opbygget.Prøv Yap med et konkret workflow fra din egen hverdag: https://yap.tools/Links:Yap: https://yap.tools/Yap på GitHub: https://github.com/yap-tools/yap-coreTroels Abrahamsen: https://troelsabrahamsen.com/Kapitler:00:00 Den rigtige kontekst på det rigtige tidspunkt01:05 Troels: Fra musik til software og integrationer04:20 Hvorfor Yap blev et fælles kontekstlag08:30 Spaces, bundles og et musikkatalog12:04 Services: Afgræns agentens værktøjer16:49 Byg strukturen sammen med agenten20:40 MCP-tools, resources og upload-widgets24:49 Adgangsstyring på tværs af agenter og interfaces30:24 Hvem skal strukturere konteksten?34:07 Behold konteksten, når du skifter AI-klient36:29 En arbejdsdag med Yap: Mail, tickets og kode41:56 Logs, læring og løbende ændringer44:42 Hvornår skal en instruktion være kode?45:41 Progressive discovery og navngivning51:37 MCP, CLI og værdien af åbne protokoller59:08 Lad interfacet vokse ud af datastrukturen01:01:17 Find Troels og kom i gang med YapVerbos er den danske podcast om AI og softwareudvikling med Kasper Junge og Jonas Høgh Kyhse-Andersen. Vi går tæt på teknikken og de konkrete workflows bag arbejdet med AI-agenter.

Hvad kræver det at køre stærke, åbne AI-modeller på dansk jord? Og hvor meget af arbejdet ligger i alt det, der omgiver selve modellen?Kasper Junge og Jonas Høgh Kyhse-Andersen har besøg af Lars Maaløe, medstifter og CTO i Corti, og Rasmus Bisgaard, Chief Commercial Officer i DCAI, som driver Gefion.Lars fortæller om rejsen fra realtidsanalyse af 112-opkald til en AI-platform og om modeller, der skal fungere med medicinske fagudtryk, støj og uventede situationer. Rasmus forklarer, hvorfor GPU-kapacitet først bliver brugbar for flere, når andre bygger de nødvendige services ovenpå.Vi undersøger gæsternes tese om, at åbne modeller nu er et reelt alternativ til de lukkede. Vi diskuterer også, hvornår små modeller giver mening, hvornår prisoptimering begrænser et produkt for tidligt, og hvordan agent-workflows ændrer behovet for compute og lav latency.Samtalen slutter med Corti og DCAI's samarbejde og Rasmus' eksempel med Vejle Kommune: forskellen mellem at have adgang til hardware og at have en løsning, der er nem at bruge.Hvad holder jer tilbage fra at køre jeres AI på dansk infrastruktur?Links og kilder:Corti: https://www.corti.ai/Corti Labs / Corti Models: https://cortilabs.com/Cortis API-dokumentation: https://docs.corti.ai/get_started/welcomeDCAI og Gefion: https://dcai.dk/Cortis forskning og publikationer: https://www.corti.ai/researchCorti og DCAI om samarbejdet: https://corti.ai/newsroom/dcai-and-corti-launch-sovereign-ai-control-layer-for-european-enterprises---trifork-first-to-adopt-as-implementation-partnerKapitler:00:00 Åbne modeller på dansk jord – mød Lars og Rasmus01:04 Corti: Fra neurale netværk til hjælp ved 112-opkald04:09 GPU'er, Theano og de tidlige deep learning-år07:30 Rasmus' vej fra produktion til NVIDIA og DCAI10:00 Gefion: Fra supercomputer til enterprise-infrastruktur16:19 Cortis vej fra applikationer til AI-platform22:50 Hvorfor domænekendskab stadig er afgørende27:17 Speech-to-text skal fungere uden for testdatasættet30:53 Er åbne modeller blevet gode nok?36:13 Store eller små modeller – hvornår optimerer man?41:18 Agenter øger behovet for tokens og lav latency46:43 Corti og DCAI: Kontrol over modeller og infrastruktur51:25 Ingen kan bygge hele AI-stakken alene58:36 Vejle Kommune: Fra GPU-adgang til en brugbar service01:00:23 Afrunding og hvor du kan komme i gangVerbos: AI og Softwareudvikling er den danske podcast fra maskinrummet. Kasper Junge og Jonas Høgh Kyhse-Andersen bygger bro mellem klassisk software engineering og arbejdet med AI-agenter.YouTube: https://www.youtube.com/@VerbosPodcastApple Podcasts: https://podcasts.apple.com/dk/podcast/verbos-ai-og-softwareudvikling/id1650151292Spotify: https://open.spotify.com/show/0wNglFesfNltKiDAhcu4nJ

Hvorfor vente på en hel tekst, når din software bare har brug for en beslutning? Vi undersøger Jev fra TypeSafe AI og idéen om en hurtig System 1-model med et defineret udfaldsrum.Jonas forklarer forskellen på en decision model og en generativ sprogmodel. Kasper spørger, hvad man kan bygge med den, og hvordan hurtige beslutninger kan spille sammen med en LLM.Samtalen tager også en drejning mod Hugging Face-hændelsen, agentsværme og cybersecurity. Hvor meget kontrol kan vi bygge ind, og hvordan tager vi risikoen alvorligt uden at ende i hverken panik eller benægtelse?I episoden:- Klassifikation, sandsynligheder og et afgrænset action space.- System 1 og System 2: hurtig reaktion og langsommere overvejelse.- Dynamiske valgmuligheder, routing og samspil mellem modeller.- Hvad der er kendt om Jev, og hvad vi spekulerer i.- Agentsværme, sikkerhed og uenighed om de langsigtede risici.Præcisering: Et typesikkert output er ikke en garanti for en rigtig beslutning. Tal om Jevs hastighed og pris er leverandørens egne resultater. Vores diskussion af den interne arkitektur og fremtidige risici rummer hypoteser.Links og kilder:TypeSafe AI og Jev: https://typesafe.ai/TypeSafes lancering af Jev: https://typesafe.ai/blog/introducing-system-one-models-and-jevTypeSafes egne workflow-evalueringer: https://evals.typesafe.ai/OpenAIs gennemgang af Hugging Face-hændelsen: https://openai.com/index/hugging-face-incident-and-the-road-ahead/Hugging Faces tekniske tidslinje: https://huggingface.co/blog/agent-intrusion-technical-timelinePrøv Jev, og se, hvad du kan bygge med det.Verbos er den danske podcast fra maskinrummet. Kasper Junge og Jonas Høgh Kyhse-Andersen går teknisk til værks med AI og softwareudvikling.Kapitler00:00 Jev og AI med hurtige beslutninger04:21 Hvad gør en decision model?09:36 Doom, skak og System 112:50 Hvorfor Jev ikke er en almindelig agent17:23 Dynamiske valg og samspil med en LLM21:18 Hvad er nyt – og hvad ved vi om arkitekturen?27:11 Fra Jev til debatten om AI-risiko29:58 Hugging Face-hændelsen og tab af kontrol33:59 Cybersecurity: Når agenter arbejder parallelt38:43 Selvforbedrende AI og dommedagsscenarier43:09 Hvordan forsvarer vi systemerne?50:57 Tag risikoen alvorligt uden at gå i panik54:04 Tilbage til Jev: Hvem styrer udfaldsrummet?

AI-agenter kan skrive mere kode. Men hvem får den testet, reviewet og sikkert i produktion?DevOps-konsulent Anders Lykke forklarer, hvorfor små releases, automatisering og korte feedbackloops bliver endnu vigtigere, når kodeproduktionen stiger.Sammen med Kasper Junge og Jonas Høgh Kyhse-Andersen undersøger Anders, hvad det kræver at omsætte mere kode til værdi for brugerne. Samtalen går fra DevOps' oprindelige idé om fælles ansvar til continuous delivery, DORA, platform engineering og AI-agenter med feedback fra produktion.Du får konkrete spørgsmål til dit eget setup: Kan en færdig feature komme ud i dag? Kan andre end én bestemt kollega release? Og hvilke manuelle trin kan automatiseres først?Hvad står mellem en færdig feature og produktion hos jer?Links og kilder:Anders Lykke: https://lykke.it/Anders på LinkedIn: https://www.linkedin.com/in/lykkeanders/DORA – rapporter og forskning: https://dora.dev/research/DORA-rapporten 2025: https://dora.dev/research/2025/dora-report/INSPIRED – Marty Cagan: https://www.svpg.com/books/inspired-how-to-create-tech-products-customers-love-2nd-edition/Output to Outcome – Mik Kersten: https://www.simonandschuster.com/books/Output-to-Outcome/Mik-Kersten/9781966280231Kapitler:00:00 DevOps som fundament for AI-agenter02:05 Fra siloer til ansvar for hele leverancen05:29 Hvad skal et platformteam eje?08:40 Koden er ikke færdig, før den er ude11:07 AI forstærker forskellen mellem teams13:09 Continuous delivery: validér hver ændring17:34 Fra output til værdi for brugerne23:21 Når kode ikke længere er flaskehalsen29:32 Hvad kan vi bruge DORA-rapporterne til?35:46 Legacy-kode: begynd med de manuelle trin40:05 DORA-målinger og spørgsmål til releaseprocessen44:30 Platformteams og agenter med feedback fra produktion49:14 Symptomer på en skrøbelig releaseproces55:08 Følg Anders og læs State of DevOps