Målgruppe: Product Owner og ledere med interesse i AI-agenter som forretningsværktøj. Der er også masser information i repo til udviklere, sikkerheds personale og database hajer.
Dette repository indeholder arkitektur, principper, eksempler og tekniske specifikationer for et AI agent-framework udviklet til CGI. Indholdet kan bruges som vidensgrundlag, præsentationsmateriale og teknisk blueprint for implementering af AI-agenter i professionelle softwareprocesser.
| Begreb | Forklaring |
|---|---|
| Agent | Kører autonomt og udfører opgaver uden menneskelig godkendelse — reagerer på triggers (fx ny Jira-opgave, email, CI-fejl) |
| Assistant | Hjælper et menneske og afventer altid godkendelse inden handling |
| Orchestrator | Koordinerer arbejdsflowet — modtager events og delegerer til de rette agenter |
| Human-in-the-loop | Kritiske beslutningspunkter hvor mennesket altid er suveræn |
| SKILL.md | Kontrakten for hver agent: hvad den må, ikke må, hvilke metrics den overvåges på |
Frameworket adresserer tre kernegevinster:
- Mindre manuelt arbejde — Rutineopgaver (triage, analyse, dokumentation, PR-forberedelse) udføres automatisk.
- Hurtigere leverance — Koden skrives, testes og reviewes i en kontinuerlig pipeline uden ventetid mellem handoffs.
- Højere kvalitet — Agenter er forpligtet på TDD (Test-Driven Development): tests skrives før kode, og ingen leverance passerer uden grøn test.
Postgres-løsningen bruger AI kun til reel inferens. Alt andet — databehandling, routing, kontekst-levering — er deterministisk kode med 0 tokens.
| Metrik | Postgres-løsning | Traditionel AI-swarm | Forskel |
|---|---|---|---|
| Token-forbrug per opgave | 8000-15.000 | 25.000-45.000 | 65-73% reduktion |
| Token-effektivitetsindeks | 70% | 22-40% | 3,2× bedre |
| LLM-omkostning (10.000 opgaver/md) | $800-1.200/md | $2.100-3.600/md | $1.500-2.000/md spart |
| Total besparelse (enterprise, 100k/md) | — | — | $18.000-23.000/md |
Kerneprincip: 70% af hvert token bruges på reel AI-værdi. I en traditionel AI-swarm er det kun 22-40%. Range-estimater reflekterer opgave-kompleksitet. Se Efficiency.md sektion 11 for validering af claims og Cost_analysis.md for fuld ROI-analyse.
| Dokument | Indhold |
|---|---|
| CGI_Agent/Intro | Introduktion til AI-agenter — hvad de er, hvad de ikke er, og grundreglerne der styrer dem |
| CGI_Agent/Advanced | Avanceret pipeline med alle roller, TDD-flow, fejlhåndtering og governance via SKILL.md-kontrakten |
| CGI_Agent/Modeller | Visuel reference — alle Mermaid-diagrammer fra introduktion og avanceret niveau samlet ét sted |
| CGI_Agent/Postgres_løsningen | Postgres som systemets "hjerne": deterministisk orkestrering, auditabilitet og kontrol over AI-inferens |
| CGI_Agent/TDD_skill | Test-Driven Development som SKILL — regler og praksis for agenter og udviklere |
| Dokument | Scenarie |
|---|---|
| CGI_Agent/Eksempler/Lederen | CGI CFO modtager RFP (50M DKK) på email — systemet analyserer, udarbejder tilbud og indsender, med CFO som beslutningsejer ved kritiske punkter |
| CGI_Agent/Eksempler/RegNord | Kritisk bug på Aalborg Sygehus rammer 150+ kliniske brugere — fra Jira-ticket til grøn test og deployeret fix |
| CGI_Agent/Eksempler/Developer | Good practice for udviklere — mappestruktur, SKILL.md-kontrakter, MCP-adgang, fejlhåndtering, testing og anti-patterns |
| Dokument | Indhold |
|---|---|
| CGI_Agent/Technical/Architectural_overview | Event bus, multi-database isolation, MCP, SAP/A2A-protokol, orchestrator, sync scripts og semantisk søgning |
| CGI_Agent/Technical/Security_Architectue | 5-lags "fortress"-model: perimeter, netværk, applikation, data og monitoring — Zero Trust, TLS 1.3 |
| CGI_Agent/Technical/System_Resilience | Fejltolerance: retry-logik, circuit breaker, bulkhead-mønster og auto-scaling |
| CGI_Agent/Technical/MCP_Server | Komplet MCP-server med JWT-auth, tool registry, rate limiting og audit logging — agenternes eneste adgang til Postgres |
| CGI_Agent/Technical/Monitoring | Observability-setup: Prometheus, Grafana dashboards, alerting, audit trail som tracing og SQL-baseret monitoring |
| Dokument | Indhold |
|---|---|
| CGI_Agent/Effektiviseing/Efficiency | Token-effektivitetsanalyse (dansk): 5 besparelseslag, PROJ-421 eksempel, effektivitetsindeks 83% vs. 22% |
| CGI_Agent/Bonus_informationer/Cost_analysis | Komplet omkostningsanalyse: LLM-priser, infrastruktur, personale, break-even ved 24 md, ROI-beregninger og skalerings-scenarier |
| Dokument | Indhold |
|---|---|
| CGI_Agent/Step_by_step/Stage_1 | Postgres-fundament: kernetabeller, ETL-scripts, routing og embeddings |
| CGI_Agent/Step_by_step/Stage_2 | Første AI-agent: SKILL.md, kontekst-hentning, output, retry og human-in-the-loop |
| CGI_Agent/Step_by_step/Stage_3 | Event bus, multi-database isolation, circuit breaker, bulkhead og metrics |
| CGI_Agent/Step_by_step/Deployment_guide | Komplet deployment: database-setup, Docker Compose, Prometheus, Grafana og CI/CD |
| CGI_Agent/Templates/Agent_code_template | BaseAgent-klasse, TDD Agent-implementering, SKILL.md-skabelon og event bus-integration |
flowchart TD
START([Vælg din rolle]) --> PO
START --> TPO
START --> DEV
PO["👤 PO / Projektleder <br> (ikke-teknisk)"]
TPO["🏗️ Teknisk PO / Arkitekt"]
DEV["💻 Udvikler / Tech Lead"]
PO --> P1["Intro.md <br> Hvad er agenter og hvad må de?"]
P1 --> P2["Lederen.md <br> CFO-perspektiv: RFP fra email til indsendelse"]
P2 --> P3["Modeller.md <br> Visuel oversigt over flowet"]
P3 --> P4["Cost_analysis.md <br> Nøgletal"]
TPO --> T1["Intro.md <br> Hvad er agenter og hvad må de?"]
T1 --> T2["Advanced.md <br> Fuld pipeline og governance"]
T2 --> T3["Postgres_løsningen.md <br> Kontrol og deterministisk orkestrering"]
T3 --> T4["Architectural_overview.md <br> Event bus, MCP, SAP/A2A"]
T4 --> T5["Efficiency.md <br> Token-effektivitet"]
T5 --> T6["Cost_analysis.md <br> Fuld omkostningsanalyse + ROI"]
DEV --> D1["Advanced.md <br> Roller, pipeline, fejlhåndtering"]
D1 --> D2["TDD_skill.md <br> Test-Driven Development som SKILL"]
D2 --> D3["RegNord.md <br> Kritisk bugfix: <br> Jira → grøn test"]
D3 --> D4["Developer.md <br> Good practice, anti-patterns, <br> komplet agent-eksempel"]
D4 --> D5["System_Resilience.md <br> Retry, circuit breaker, auto-scaling"]
- Intro — forstå hvad agenter er og hvad de må
- Lederen — se det i praksis fra et CFO-perspektiv
- Modeller — visuel oversigt over flowet
- Cost_analysis — nøgletal: 73% token-besparelse, break-even ved 24 md, ROI-beregninger
- Intro
- Advanced — fuld pipeline og governance
- Postgres_løsningen — kontrol og deterministisk orkestrering
- Architectural_overview
- Efficiency — token-effektivitet
- Cost_analysis — fuld omkostningsanalyse med skalerings-scenarier
- Advanced
- TDD_skill
- RegNord — komplet bugfix-flow med TDD
- Developer — good practice, anti-patterns og komplet agent-eksempel
- System_Resilience
- Deployment_guide — database-setup, Docker Compose, CI/CD
Trigger (email / Jira / timer)
│
▼
Orchestrator ──► Event Bus
│
├──► Reaktiv Agent (automatisk)
│ │
│ ▼
│ Analyserende Agent (automatisk)
│ │
│ ▼
└──► Assistant ──► Menneske godkender ──► Levering
Alle handlinger logges i en immutable audit-log. Intet sker uden sporing.
- Human-in-the-loop er ikke valgfrit — alle kritiske beslutninger kræver menneskelig godkendelse
- Forbidden-sektionen i SKILL.md er governance — agenter har hårde grænser for hvad de aldrig må
- Zero Trust — ingen agent stoler implicit på en anden
- Audit trail — alle hændelser, godkendelser og eskalationer er sporbare
Dokumentationen er konceptuel og bruges som vidensdeling og præsentationsgrundlag. Kodeeksempler (Pseudo_toolset.py) er pseudokode til illustration af agenters arbejdsopgaver.