Vad är ett designmönster för agenter?

En återanvändbar lösning på ett återkommande problem i gränssnittet mellan en person och en AI-agent som vidtar åtgärder. Exempel: att visa en plan innan något görs, att lägga kontrollpunkter inne i en lång uppgift, och att producera granskningsbara leveranser som personen kan kontrollera i stället för en logg.

Hur skiljer sig det här från promptning?

Promptning formar vad en agent ombeds göra. De här mönstren formar hur en person godkänner, övervakar och verifierar arbetet. En väl promptad agent utan design för överlämning och verifiering är fortfarande en agent som folk slutar lita på efter första överraskningen.

Vad är förhandsvisad avsikt?

Ett besked om vad agenten tänker göra, formulerat med orden som den som frågade själv använder, visat innan någon åtgärd med konsekvenser, med minst tre svar tillgängliga: fortsätt, redigera planen, eller ta tillbaka uppgiften. Victor Yocco namngav och specificerade mönstret i Smashing Magazine i februari 2026, och menar att det bör vara obligatoriskt för åtgärder som är oåterkalleliga, ekonomiska eller synliga för tredje part.

Vad är ett autonomireglage?

En inställning som avgör hur mycket en agent får göra utan att fråga, på en skala med fyra steg: observera och föreslå, planera och lägga fram, agera med bekräftelse, agera självständigt. Att sätta den per uppgiftstyp i stället för en gång för hela produkten är det som hindrar en enda dålig upplevelse från att avsluta all användning av funktionen.

Bör en AI-agent be om bekräftelse vid varje steg?

Nej. Att bekräfta varje steg tar bort nyttan med att delegera. Att bekräfta bara i slutet är sämre, eftersom ett tidigt fel tvingar fram en omgörning av allt. Det testade alternativet placerar ett fåtal kontrollpunkter medvetet, med tyngdpunkt mot uppgiftens början.

Mönsterbibliotek

Designmönster för agenter

Hur en person lämnar över arbete till en AI-agent, håller sig uppdaterad medan arbetet pågår, kontrollerar vad som blev gjort och överblickar flera agenter samtidigt. Sju familjer av interaktionsmönster, hämtade från levererade produkter och publicerad forskning.

Vad som förändras när loopen öppnas

En AI-agent förändrar vad ett gränssnitt måste klara. En konversationsassistent svarar inom ett och samma tillfälle, med personen närvarande och bedömande. En agent arbetar efter att personen har stängt fönstret, vidtar åtgärder i system som personen inte kan se, och delar ibland upp jobbet på flera agenter samtidigt.

Mönstren nedan beskriver hur team hanterar det. De är hämtade från produkter som Google, Anthropic, Microsoft, LangChain, Asana och Notion har levererat, och från forskning om människa-datorinteraktion publicerad 2025 och 2026. Varje mönster namnger produkten eller artikeln det kommer från.

Emily Campbells Shape of AI är referensbiblioteket för mönster i AI-gränssnitt och täcker loopen med prompt och svar på djupet. Den här resursen täcker det separata problem som uppstår när den loopen öppnas.

Tid: arbetet lever längre än sessionen. En efterforskning, en migrering, ett nattjobb. Personen som gav uppdraget är inte där när det blir klart.
Parallellitet: en förfrågan blir flera agenter, och en agent betjänar flera personer. Inget av det ryms i en enda konversationstråd.
Initiativ: systemet startar arbete som svar på en händelse eller ett schema i stället för som svar på en prompt.
Avstånd: arbetet sker i en sandlåda, en webbläsare eller ett annat företags API, där personen inte kan se på.

Överlämningscykeln

En agentuppgift rör sig genom sex steg, och kontrollen ligger på olika ställen i vart och ett. Personen sätter uppdraget. Agenten skissar en plan och personen redigerar den. Agenten kör. Båda parter möts vid kontrollpunkter. Personen verifierar resultatet. Det systemet lär sig blir nästa uppdrag.

Produkter byggda 2025 och 2026 är genomgående starka på körsteget och tunna på uppdrag, verifiering och lärande. Den obalansen är där delegeringen stannar, eftersom en person som inte kan ange ramarna i förväg och inte kan kontrollera arbetet efteråt inte lämnar över en andra uppgift.

De sju familjerna

ÖverlämningVad exakt efterfrågades, och vad får agenten göra?: Att lägga arbetet i början är billigare än att reda ut fel resultat. Varje seriös agentprodukt byggd 2025 och 2026 har landat i någon version av detta: kom överens om planen och gränserna innan något körs.; Förhandsvisad avsikt, Redigerbar plan, Klargörande intervju, Åtskillnad mellan mål och uppgift, Autonomireglage, Budgetram, Varaktiga uppdrag,
Tillsyn under gångHur stannar en person i loopen utan att behöva bo i den?: Mänsklig uppmärksamhet är den knappa resursen i agentarbete. Tillsyn måste placeras där den bär sin kostnad snarare än läggas ut jämnt, och placeringen är ett designbeslut snarare än en användarinställning.; Schemalagd bekräftelse, Åtgärdsspärr, Ta över och lämna tillbaka, Styrning under körning, Val av detaljnivå, , Eskaleringstriaden
Verifiering och reparationHur vet någon att agenten gjorde det den säger att den gjorde?: Bördan att verifiera är ett designproblem snarare än ett noggrannhetsproblem. En agent som ber om att bli trodd kommer att bli trodd, ända till första gången den inte borde ha blivit det.; Artefakter som kvitton, Svarsverifiering, Åtgärdslogg och tidsbegränsad ångerfunktion, Motivering förankrad i tidigare fall,
Att läsa av en mängd agenterVad gör det här systemet av agenter, och var har det fastnat?: Direkt övervakning klarar inte parallellitet. Forskning om människors samspel med robotsvärmar har visat att direkt samordning av en grupp kostar minst linjärt i mänsklig ansträngning, och användarstudier visar att människor föredrar orkestrering så snart det finns mer än en agent att hålla ögonen på.; Orkestrerare och arbetare, Delegeringsuppdrag, Målhierarki, Synliggjorda konflikter, Kontrollrum, Agentidentitet
Många människor, många agenterHur delar ett team en agent utan att tappa bort vem som gjorde vad?: Produkterna ligger före forskningen här. Asana, Notion och Slack levererade versioner av samma idé inom ett år från varandra, och den akademiska litteraturen om hur grupper skapar sig en bild av arbete utfört av grupper av agenter börjar först nu komma.; Adresserbar teammedlem, Likvärdiga behörigheter, , Attribution i det gemensamma underlaget, Agentregister
Omgivande och asynkrontHur når arbete fram till en person när det inte finns någon session?: Chatten lägger en kostnad på varje utbyte och sätter ett tak för hur långt en person kan skala sig själv. Agenter som utlöses av händelser i stället för av prompter förändrar formen på gränssnittet runt dem.; Händelseutlösare, Agentinkorg, , Avbrottsbudget,
Agenter som användareKan en agent använda en produkt som är byggd för människor?: Matt Biilmann på Netlify myntade begreppet agent experience i januari 2025 och beskrev den upplevelse en agent har som användare av en produkt. Det har fyra pelare: åtkomst, kontext, verktyg och orkestrering. Det är den halva av ämnet som missas, eftersom det inte ser ut som designarbete.; Maskinläsbar kontext, Färdigheter, Protokollstacken, Generativa gränssnitt, Delegerad identitet

Gå igenom en agentfunktion med oss30 min

Var kontrollerna ska läggas

Mänsklig uppmärksamhet är den knappa resursen i agentarbete, så tillsyn måste placeras snarare än strös ut. Tre strategier finns att välja mellan och de fungerar olika bra.

Att bekräfta bara i slutet är det som gäller i dagens produkter. Det är också svagast, eftersom ett fel tidigt i en lång uppgift innebär att allt efter det måste göras om. Att bekräfta varje steg fångar fel omedelbart och tar bort hela skälet att delegera.

Att placera kontrollpunkter medvetet ligger mellan de två. Jieyu Zhou, Aryan Roy, Sneh Gupta, Daniel Weitekamp och Christopher MacLellan modellerade det som ett schemaläggningsproblem och testade det med 48 deltagare på CHI 2026. De rapporterar att 81 procent föredrog bekräftelse under vägen framför bekräftelse i slutet, och att tiden att bli klar sjönk 13,5 procent. Artikeln är arXiv:2510.05307.

Kontrollpunkter ger mest när de placeras tidigt, eftersom ett fel i steg tre är billigare att fånga än ett fel i steg elva är att reda ut.

Åtta felmönster

Det här är felen som återkommer i produkt efter produkt. Vart och ett namnger mönstret som åtgärdar det.

1
Bekräfta bara i slutet
Agenten arbetar i tjugo minuter och frågar sedan om den uppfattade uppgiften rätt.
Åtgärdas av schemalagd bekräftelse.
2
Transparensteater
En vägg av verktygsanrop presenterad som resonemang. Överbelastning läses som ogenomskinlighet, och ingen kontrollerar någonting.
Åtgärdas av val av detaljnivå.
3
En enda autonomiomkopplare för allt
En inställning som täcker varje uppgift agenten utför. En dålig upplevelse stänger av hela funktionen i stället för att skruva ner den.
Åtgärdas av ett autonomireglage per uppgiftstyp.
4
Tyst oåterkallelig åtgärd
Ingen förhandsvisning före, ingen ångerfunktion efter, och inget besked om när det slutar gå att ångra.
Åtgärdas av förhandsvisad avsikt och tidsbegränsad ångerfunktion.
5
Notisflod
Flera bakgrundsagenter som var och en avbryter enligt sitt eget schema. Folk slutar läsa, inklusive det meddelande som spelade roll.
Åtgärdas av en avbrottsbudget.
6
Chatten som behållare för allt
Parallellt arbete, bakgrundsarbete och nattarbete pressat genom en enda tråd.
Åtgärdas av en agentinkorg och ett kontrollrum.
7
Anonyma flottor
Agenter utan namn, utan ägare och utan uttalat uppdrag. Gartner gav mönstret namnet agent sprawl i april 2026.
Åtgärdas av ett agentregister.
8
Självsäkra gissningar
Tvetydighet tyst upplöst till ett rimligt svar, som kommer färdigt och formaterat.
Åtgärdas av eskaleringstriaden.

Samma åtta, med vad vart och ett kostar och mönstret som åtgärdar det, finns uppställda på sidan om felmönster.

Gå igenom en agentfunktion med oss30 min

Så används biblioteket i uppdrag

Utforskning & Riktning använder det som checklista för en agentfunktion innan den byggs, så att överlämning och verifiering specificeras tillsammans med själva funktionaliteten.

Implementering & Förankring använder det som diagnostik för en funktion som har levererats och inte används, där glappet oftast sitter i överlämning eller verifiering snarare än i modellens kvalitet.

Relaterat tidigare arbete

Shape of AI, av Emily Campbell, är ett mönsterbibliotek för gränssnitt i AI-produkter, publicerat under Creative Commons BY-NC-SA.

Produkter som nämns på sidan: Google Antigravity, Anthropic Claude Code och Cowork, Microsoft Magentic-UI, LangChain Agent Inbox, Asana AI Teammates, Notion Custom Agents. Forskning som nämns: Bansal med kollegor på Microsoft Research om kommunikation mellan människa och agent, Zhou med kollegor på Georgia Tech om hur ofta bekräftelse behövs, Schömbs med kollegor om interaktion med flera agenter, Lee om design av agentidentitet.

Vanliga frågor

Vad är ett designmönster för agenter?: En återanvändbar lösning på ett återkommande problem i gränssnittet mellan en person och en AI-agent som vidtar åtgärder. Exempel: att visa en plan innan något görs, att lägga kontrollpunkter inne i en lång uppgift, och att producera granskningsbara leveranser som personen kan kontrollera i stället för en logg.
Hur skiljer sig det här från promptning?: Promptning formar vad en agent ombeds göra. De här mönstren formar hur en person godkänner, övervakar och verifierar arbetet. En väl promptad agent utan design för överlämning och verifiering är fortfarande en agent som folk slutar lita på efter första överraskningen.
Vad är förhandsvisad avsikt?: Ett besked om vad agenten tänker göra, formulerat med orden som den som frågade själv använder, visat innan någon åtgärd med konsekvenser, med minst tre svar tillgängliga: fortsätt, redigera planen, eller ta tillbaka uppgiften. Victor Yocco namngav och specificerade mönstret i Smashing Magazine i februari 2026, och menar att det bör vara obligatoriskt för åtgärder som är oåterkalleliga, ekonomiska eller synliga för tredje part.
Vad är ett autonomireglage?: En inställning som avgör hur mycket en agent får göra utan att fråga, på en skala med fyra steg: observera och föreslå, planera och lägga fram, agera med bekräftelse, agera självständigt. Att sätta den per uppgiftstyp i stället för en gång för hela produkten är det som hindrar en enda dålig upplevelse från att avsluta all användning av funktionen.
Bör en AI-agent be om bekräftelse vid varje steg?: Nej. Att bekräfta varje steg tar bort nyttan med att delegera. Att bekräfta bara i slutet är sämre, eftersom ett tidigt fel tvingar fram en omgörning av allt. Det testade alternativet placerar ett fåtal kontrollpunkter medvetet, med tyngdpunkt mot uppgiftens början.

Relaterat: Promptning: ramverket RIGHT · Utforskning & Riktning · Implementering & Förankring · Rådgivning inom AI: strategi, förmåga och förankring

Gå igenom en agentfunktion med oss30 min eller skicka ett meddelande