Slik har jeg satt opp et personlig KI-lager med agenter

Jeg snakker mye om agenter. Så jeg synes det er rimelig at jeg viser hvordan jeg faktisk bruker dem — ikke et tenkt eksempel, men oppsettet jeg jobber i til daglig. Dette er ikke ferdig, og jeg lærer fortsatt mens jeg bygger. Men det fungerer godt nok til at jeg vil dele det.

Kort fortalt: jeg har et personlig kunnskaps- og assistentlager — et «lager» — der notatene mine bor sammen med et knippe KI-agenter som hjelper meg på hvert sitt område. Alt er ren tekst. Og hele poenget med strukturen er ikke å holde orden for ordens skyld, men å gi agentene riktig kontekst.

Lageret: ren tekst, organisert etter PARA

Grunnmuren er kjedelig, og det er med vilje. Det er en mappe med markdown-filer, organisert PARA-inspirert — en metode for å sortere informasjon etter hvor aktiv den er, ikke etter tema:

• Inbox — friksjonsfri fangst. Alt nytt lander her først, uten at jeg tenker på hvor det hører hjemme. Terskelen for å skrive ned en idé skal være null.
• Prosjekter — aktivt arbeid med et mål og en slutt. Denne bloggen er et prosjekt.
• Områder — løpende ansvar uten sluttdato. Helse, privatøkonomi, den slags.
• Ressurser — referanse jeg vil ha for hånden: artikler, lenker, research.
• Arkiv — ferdig eller inaktivt. Flyttes hit, slettes ikke.

Det fine med ren tekst er at det overlever alt. Ingen leverandør eier det, det er søkbart med hvilket som helst verktøy, og — viktigst her — en KI kan lese det direkte uten integrasjoner.

Frontmatteren er det som gjør det maskinlesbart

Hver fil starter med en liten blokk med metadata på toppen — det som kalles YAML-frontmatter:

---
tittel: Hva jeg lærte om context-vinduer
type: notat
status: aktiv
tags: [llm, kontekst]
opprettet: 2026-06-07
område: intello
---

Dette ser trivielt ut, men det er selve nøkkelen. To grunner:

For det første finner jeg ting igjen. Når jeg leter, søker jeg på tvers av både frontmatter og innhold — så «vis meg alt jeg har tagget med privatøkonomi fra i vår» blir et reelt søk, ikke en manuell graving gjennom mapper.

For det andre, og det er her det blir interessant: frontmatteren gir KI-en kontekst gratis. Når en agent skal hjelpe meg, vet den allerede hva slags notat dette er, hvilket område det hører til, om det er aktivt eller arkivert. Den slipper å gjette. Strukturen jeg lagde for min egen del, viser seg å være akkurat det modellen trenger for å gi presise svar. Det er ikke tilfeldig — det er hele context engineering i miniatyr.

Agentene: skarpe roller, ikke én alt-mulig-assistent

Her gjorde jeg en feil i starten som jeg tror mange gjør: jeg prøvde å lage én god, allsidig assistent. Resultatet ble en agent som var middels til alt og god til ingenting. Den manglet retning.

Så jeg snudde på det. Nå har jeg flere spesialiserte agenter, hver med et skarpt mandat og tydelige grenser. Et par eksempler:

• En bibliotekar som fanger, organiserer og finner igjen notater. Den eier ikke råd om innhold — den eier strukturen.
• Coacher for ulike livsområder, som hver holder seg til sitt felt og sine notater.
• En forretnings-mentor som tenker på idéer og bi-inntekt, og som ikke blander seg inn i fagskriving eller økonomi.

Hver agent har en systemprompt som beskriver rollen, tonen og — like viktig — hva den ikke skal gjøre. Grensene er ikke pynt. De er det som gjør at jeg kan rute en forespørsel til riktig agent og stole på at den holder seg i sitt spor. To agenter som overlapper, er to agenter jeg må velge mellom hver gang, og som begge svarer litt utenfor sin kjerne.

Verktøyet jeg kjører alt dette i, er Claude Code, startet fra rota av lageret. Det betyr at agentene har hele lageret som arbeidskatalog — de kan lese notatene mine, søke i dem og skrive nye filer der de hører hjemme.

Personalsjefen som ansetter nye agenter

Dette er delen jeg er mest fornøyd med, og som jeg fortsatt finpusser.

Når et nytt, varig behov dukker opp, lager jeg ikke bare en ny agent på sparket. Jeg har en personalsjef-agent hvis eneste jobb er å «ansette» nye agenter. Den skriver «stillingsinstruksen» — altså systemprompten — for den nye rollen, og den passer på én ting jeg lett roter til selv: at roller ikke overlapper. Når personalsjefen vurderer en ny agent, sjekker den mot de eksisterende og spør om dette egentlig er en ny rolle, eller om det hører hjemme hos noen som allerede finnes. Slik holder rutingen seg presis etter hvert som flokken vokser.

Et konkret eksempel, som passer her: dette innlegget er skrevet av en slik ansatt agent. Jeg trengte en fast fag-skribent for bloggen, så personalsjefen skrev mandatet hennes — tone, grenser, hvilke kilder hun skal lese før hun skriver, og hva hun ikke skal røre (den visuelle merkevaren, inntektsstrategi, firmaøkonomi). Det er hun som har ført pennen her. Jeg sa hva innlegget skulle handle om; resten er hennes mandat i praksis.

Jeg legger ikke skjul på at det er et litt selvrefererende oppsett. Men det er også det ærligste eksemplet jeg kan gi på at det fungerer.

Det jeg egentlig har lært

Hvis jeg skal koke det ned til én ting: agentene ble nyttige da konteksten ble god — ikke da promptene ble smarte.

Jeg brukte for lang tid på å finpusse formuleringer i systemprompter, i troen på at den perfekte instruksen var det som skilte en god agent fra en dårlig. Den virkelige forskjellen kom da lageret ble ryddig og frontmatteren konsekvent. Da fikk agentene noe konkret å jobbe med: mine faktiske notater, riktig merket, lett å finne. En middelmådig prompt med god kontekst slår en glimrende prompt uten. Jeg går grundigere inn i hvorfor i innlegget om context engineering.

Den andre lærdommen er at smale roller slår brede. Det føles kontraintuitivt — man vil jo ha en assistent som kan alt. Men en agent med ett tydelig ansvar gir bedre svar, er lettere å rute til, og er lettere å forbedre, fordi du vet nøyaktig hva den skal være god til. Det er for øvrig samme prinsipp jeg lener meg på når jeg jobber med KI som senior utvikler: små, veldefinerte oppgaver med riktig kontekst, ikke én stor vag bestilling.

Hva jeg fortsatt ikke har løst

For å være ærlig: dette er under utvikling, og det er biter jeg famler med.

Jeg er ikke ferdig med hvordan jeg holder grensene mellom agentene helt rene over tid — det er lett at to roller siger mot hverandre når begge er nyttige. Jeg har ikke en god rutine for å «pensjonere» agenter jeg ikke lenger bruker. Og jeg vurderer fortsatt hvor mye struktur som er riktig før strukturen i seg selv blir friksjon — for mye merking, og fangsten slutter å være friksjonsfri, som var hele poenget med inboxen.

Men det er sånn det skal være. Dette er ikke et ferdig system jeg selger deg. Det er et oppsett jeg bygger mens jeg bruker det, og deler underveis. Vil du prøve noe lignende, trenger du ikke kopiere mitt — start med en mappe, ren tekst, litt metadata på toppen, og én agent med en skarp jobb. Resten vokser frem når du ser hva du faktisk trenger.