Från Bash-skript till AI-CTO

Från Bash-skript till AI-CTO

Prateek Karnal hade inte som mål att bygga en AI som kunde hantera mjukvaruteam. Som de flesta byggare började han med en specifik smärtpunkt: att koordinera flera AI-kodningsagenter utan att de skulle trampa på varandras arbete eller fastna i oändliga loopar. [7]

Det traditionella tillvägagångssättet—ReAct-loopar där agenter resonerar, agerar och observerar i sekvens—fungerar bra för uppgifter med en enda agent. Men skala upp till flera agenter som arbetar på samma kodbas, och du stöter på omedelbara problem. Agenter skriver över varandras ändringar. De kan inte hantera merge-konflikter. När CI misslyckas finns det ingen tydlig eskaleringsväg. Mest kritiskt är att de arbetar isolerat utan att lära sig av varandras framgångar och misslyckanden.

Composios genombrott var att inse att koordination mellan flera agenter är fundamentalt annorlunda än intelligens hos en enskild agent. Istället för att göra enskilda agenter smartare byggde de infrastruktur för att göra agentteam mer effektiva. Resultatet är ett system som autonomt kan fixa 84,6% av CI-fel över 41 testfall och hantera 68% av kodgranskningsproblem utan mänsklig intervention. [3]

Men den verkliga valideringen kom när de vände systemet mot sig själv. "Det som byggdes var det som hanterade sin egen konstruktion," förklarar Karnal. "Vi ville se om ett AI-system inte bara kunde skriva kod, utan hantera en hel mjukvaruutvecklingsprocess." [2]

Arkitektur: Orkestreringslagret

I sin kärna löser Agent Orchestrator tre grundläggande problem som bryter traditionella system med flera agenter: isolering, feedback-routing och upptäckt av fastnade agenter. [4]

Isolering sker genom Git-arbetsträd—varje agent får sin egen gren och arbetsyta, vilket eliminerar filkonflikterna som plågar naiva uppsättningar med flera agenter. När Agent A refaktorerar autentiseringssystemet medan Agent B lägger till nya API-endpoints arbetar de i helt separata miljöer fram till merge-tiden.

Feedback-routing säkerställer att CI-fel, kodgranskningskommentarer och merge-konflikter når rätt agenter. Istället för att sända varje händelse till varje agent (dyrt och bullrigt) eller hoppas att agenter kommer att polla för uppdateringar (opålitligt), upprätthåller orkestratorn en riktad graf över vilka agenter som bryr sig om vilka händelser. När ett test misslyckas får endast de agenter som är ansvariga för den kodvägen besked.

Upptäckt av fastnade agenter använder JSONL-händelsespårning för att identifiera när agenter slutar göra framsteg. Traditionella system förlitar sig på timeouts eller manuell intervention. Agent Orchestrator bevakar mönster—en agent som gör samma API-anrop upprepade gånger, eller genererar identiska kodändringar—och eskalerar eller omtilldelar automatiskt arbete.

Plugin-arkitekturen gör detta praktiskt för riktiga ingenjörsteam. Åtta utbytbara platser hanterar allt från körningsmiljöer (tmux, Docker, Kubernetes) till agenttyper (Claude Code, Aider, Codex) till arbetsytehantering (arbetsträd, kloner) till ärendespårning (GitHub, Linear). [1]

Konfiguration sker genom YAML-filer som definierar reaktiva arbetsflöden. När CI misslyckas, försök igen två gånger med samma agent, eskalera sedan till en senior agent, ring sedan en människa om det fortfarande misslyckas. När en PR får granskningskommentarer, dirigera dem först till den ursprungliga författaragenten, sedan till en kodgranskningsspecialist om det inte löses inom 2 timmar.

Självbygget: 8 dagar av autonom utveckling

Den mest övertygande demonstrationen av Agent Orchestrators kapacitet är dess egen skapelsehistoria. Från 13-20 februari 2026 byggde systemet sig själv med minimal mänsklig intervention—ett verkligt stresstest av koordination mellan flera agenter i stor skala. [2]

Siffrorna berättar historien: 30 samtidiga agenter som mest, 747 commits, 102 pull requests med 86% skapade av AI och 65% framgångsrikt mergade, 700 granskningskommentarer med 99% hanterade av AI. Claude Opus 4.6 bidrog med 512 commits medan Sonnet 4.5 lade till 373. Mänsklig insats: ungefär 3 fokuserade dagar av övergripande riktning och eskaleringshantering.

Men de intressanta insikterna kommer från felmoden. Merge-konflikter bröt initialt systemet tills agenter lärde sig att koordinera genom orkestratorns konfliktlösningsarbetsflöden. Kodgranskningscykler skapade oändliga loopar tills timeout- och eskaleringslogik lades till. Testfel kaskaderade över agenter tills isolerade arbetsträd och riktad feedback-routing begränsade skadan.

"Orkestrering spelar större roll än någon förbättring av enskilda agenter," reflekterar Karnal. "Frågan är inte hur smarta vi kan göra en agent, utan hur bra ett system kan bli på att distribuera, observera och förbättra dussintals agenter som arbetar parallellt." [2]

Självbygget avslöjade också framväxande beteenden som inte var explicit programmerade. Agenter började specialisera sig—några fokuserade på frontend-komponenter, andra på backend-tjänster, ytterligare andra på testning och dokumentation. De utvecklade informella överlämningsprotokoll, med agenter som lämnade detaljerade commit-meddelanden och PR-beskrivningar för sina kollegor.

Bortom ReAct: Strukturerade arbetsflöden för produktion

Traditionella AI-agenter förlitar sig på ReAct-loopar—resonera om problemet, vidta en åtgärd, observera resultatet, upprepa. Detta fungerar för isolerade uppgifter men bryter samman i komplexa, flerstegiga arbetsflöden där åtgärder har beroenden och sidoeffekter. [3]

Agent Orchestrator introducerar strukturerade tillståndsfulla arbetsflöden med explicit separation mellan planerare och exekverare. Istället för att varje agent resonerar om allt från grunden kartlägger en central planerare arbetet och tilldelar specifika, avgränsade uppgifter till exekveringsagenter. Detta minskar den kognitiva belastningen på enskilda agenter samtidigt som global sammanhållning bibehålls.

Just-in-time-verktygsrouting innebär att agenter endast får tillgång till de verktyg de behöver för sin aktuella uppgift. En agent som arbetar med frontend-styling behöver inte databasmigrationsverktyg. En agent som fixar CI-fel behöver inte tillgång till distributionspipelinen. Detta minskar både kostnad (färre tokens i kontext) och risk (färre sätt för agenter att orsaka oavsiktliga sidoeffekter).

Felåterställningsgrenar hanterar verkligheten att AI-agenter misslyckas på oförutsägbara sätt. Istället för att hoppas att agenter elegant kommer att hantera varje kantfall definierar orkestratorn explicita återställningsvägar. Om en agent inte kan lösa en merge-konflikt efter 3 försök, eskalera till en människa. Om CI fortsätter att misslyckas på samma test, tilldela en annan agent med färsk kontext.

Resultatet är observerbarhet som faktiskt hjälper till att felsöka system med flera agenter. Traditionella uppsättningar ger dig en vägg av agentloggar utan tydlig berättelse. Agent Orchestrator tillhandahåller en tidslinjevy som visar vilka agenter som arbetade med vad, när de överlämnade arbete, var de fastnade och hur konflikter löstes.

Byggarens guide: Från kaos till koordination

Att komma igång med Agent Orchestrator är medvetet enkelt: ao start <repo> startar en grundläggande konfiguration med förnuftiga standardvärden. Men kraften kommer från anpassning för dina specifika utvecklingsarbetsflöden. [4]

Konfiguration börjar med att definiera dina agentroller. Kasta inte bara generiska kodningsagenter på problem. Skapa specialister: en frontend-agent som förstår ditt komponentbibliotek, en backend-agent som är bekant med dina API-mönster, en testningsagent som känner dina kvalitetsstandarder, en DevOps-agent som förstår din distributionspipeline.

Eskaleringsvägar är kritiska för produktionsanvändning. Definiera tydliga överlämningsregler: när ger en agent upp och ber om hjälp? Hur länge ska en agent arbeta med ett problem innan den eskalerar? Vem får larm när systemet inte kan göra framsteg? Självbygget avslöjade att de flesta fel inträffar vid gränser—merge-konflikter, integrationstester, distributionsproblem—där tydlig eskalering förhindrar oändliga loopar.

Feedback-loopar behöver noggrann justering. För mycket feedback skapar brus och förvirring. För lite lämnar agenter att arbeta med inaktuell information. Den optimala punkten är riktad, handlingsbar feedback dirigerad till de specifika agenter som kan agera på den. CI-fel går till de agenter som rörde den felande koden. Kodgranskningskommentarer går till de ursprungliga författarna. Prestandaregressioner går till optimeringsspecialisterna.

Människa-i-loopen bör vara minimal men strategisk. Agenter hanterar rutinmässig exekvering. Människor hanterar arkitektoniska beslut, kravförtydligande och komplex felsökning. Målet är inte att eliminera mänskligt omdöme utan att fokusera det på de beslut som spelar störst roll.

Vad förändras när AI bygger mjukvaran

Agent Orchestrator pekar mot en grundläggande förskjutning i hur mjukvara byggs. Vi rör oss från individuella produktivitetsverktyg (Copilot, Cursor) till autonoma utvecklingsteam där människor ger riktning och agenter hanterar exekvering.

Detta handlar inte bara om hastighet—även om produktivitetsvinster är betydande. Det handlar om att förändra mjukvaruutvecklingsarbetets natur. När agenter kan hantera rutinmässig kodning, testning och distribution blir mänskliga utvecklare arkitekter, produktdesigners och systemintegratörer. Flaskhalsen förskjuts från att skriva kod till att fatta beslut om vad som ska byggas och hur det ska organiseras.

Nordiska företag är särskilt väl positionerade för denna övergång. Regionens betoning på automatisering, systematiskt tänkande och människocentrerad design stämmer perfekt överens med orkestrerad AI-utveckling. Medan Silicon Valley jagar de senaste modellförbättringarna fokuserar nordiska byggare på att göra AI-system tillförlitliga, förutsägbara och användbara för riktiga ingenjörsteam.

Implikationerna sträcker sig bortom enskilda företag. När mjukvaruutveckling främst handlar om orkestrering snarare än implementation förskjuts konkurrensfördelar. De företag som vinner kommer inte nödvändigtvis att ha de bästa enskilda utvecklarna—de kommer att ha de bästa systemen för att koordinera AI-utvecklingsteam.

Öppen källkod blir ännu mer kritisk i denna värld. Agent Orchestrators framgång kommer delvis från dess öppna arkitektur—team kan anpassa, utöka och bidra med förbättringar. Proprietära agentsystem blir svarta lådor som inte kan anpassa sig till specifika arbetsflöden. Öppna orkestreringsplattformar blir grunden för hela ekosystem av specialiserade agenter och verktyg.

Post-kod-eran: Orkestrering som den nya programmeringen

Vi går in i vad Up North AI kallar post-kod-eran—inte för att kod försvinner, utan för att skriva kod blir en handelsvara. Den knappa resursen förskjuts från implementation till omdöme: vad som ska byggas, hur det ska organiseras, när det ska levereras, hur det ska underhållas.

Agent Orchestrator representerar den första produktionsklara infrastrukturen för denna övergång. Den gör exekvering till en handelsvara samtidigt som den belyser mänskligt omdöme om arkitektur, koordination och eskalering. Kod är gratis. Omdöme är det inte.

De byggare som trivs i denna miljö kommer inte att vara de snabbaste kodarna eller de mest produktiva committers. De kommer att vara de som bäst förstår hur man orkestrerar autonoma system för att uppnå mänskliga mål. De kommer att designa arbetsflöden, definiera kvalitetsstandarder och fatta arkitektoniska beslut medan agenter hanterar det mekaniska arbetet med implementation.

Detta är framtiden för mjukvaruutveckling: mänsklig kreativitet och omdöme som styr AI-exekvering och optimering. Agent Orchestrator visar oss hur den framtiden ser ut—och den anländer snabbare än de flesta inser.

Källor

1. https://github.com/ComposioHQ/agent-orchestrator
2. https://composio.dev/blog/the-self-improving-ai-system-that-built-itself
3. https://www.marktechpost.com/2026/02/23/composio-open-sources-agent-orchestrator-to-help-ai-developers-build-scalable-multi-agent-workflows-beyond-the-traditional-react-loops
4. https://mintlify.com/ComposioHQ/agent-orchestrator/introduction
5. https://composio.dev/
6. https://www.reddit.com/r/machinelearningnews/comments/1rd8cfk/composio_open_sources_agent_orchestrator_to_help
7. https://pkarnal.com/blog/open-sourcing-agent-orchestrator