AI‑agenter i praksis: Koding hos Nordic Corporate Bank
Hos Nordic Corporate Bank har vi i Novanet bygget flere AI‑agenter som støtter ulike deler av utviklingsprosessen. En av dem, en spesialtilpasset kodeagent, har skapt ekstra stort engasjement internt i banken. I denne artikkelen får du innsikt i hvordan agenten er bygget, hvordan instruksjonssettet fungerer, og hvilke praktiske erfaringer vi har gjort oss.
Hvordan kom vi dit?
Vi har definert et spesialtilpasset instruksjonssett som beskriver hvordan agenten skal jobbe og hvilke standarder som gjelder. En typisk kommando kan være “Implementer issue 123”. Da lager agenten en plan, vurderer konsekvenser, analyserer eksisterende kode, implementerer endringer og leverer en PR. Det er veldig kult, og enda kulere blir det når man starter agenten asynkront, gjerne flere samtidig. Da får man i praksis en liten hær av agenter som jobber parallelt.
Hvordan fungerer dette egentlig?
Det finnes mange forskjellige typer AI‑agenter. Vi har laget en custom agent for GitHub Copilot, bygget på Claude Opus 4.5. En agent er ikke bare et svar fra en generativ AI‑tjeneste, men en automatisert arbeidsflyt koblet til et sett av verktøy (typisk via MCP‑er): GitHub, Azure DevOps, repos, filsystem og mer. Den følger instruksjoner for hvordan oppgaver skal utføres.
For oss betyr det at agenten kan:
- lese og forstå kodebasen
- hente tasks og epics
- lage brancher, lage commits og implementere kode
- generere PR‑er med riktig format og beskrivelse
- utføre repeterbare oppgaver raskt og konsekvent
- følge konvensjoner og guidelines
Eksempler på hva vi har definert i instruksjonssettet
- Forstå forespørselen og alltid starte med å lage en plan.
- Opprettelse av work items med riktig format og metadata
- Branch-regler: feature/<workItemId>-<description>
- Commits i imperativ form med work item-ID
- Format for PR-er med beskrivelse på 2–4 setninger (hva + hvorfor)
- Følge feature-pattern: Features har én Execute-metode
- UI injiserer kun Features – aldri DbContext eller integrasjoner
- AsNoTracking() på read-only queries
- Finn eksisterende patterns før du foreslår nye
Struktur
Instruksjonssettet består av omtrent 30 000 tokens fordelt på 21 markdown‑filer. Hver fil dekker et eget tema, som prosjektspesifikke retningslinjer, arkitektur, C# best practices, database, Azure, domene, UI, integrasjoner, Git og testing.
Modellene vi har brukt
For å finne riktig balanse mellom hastighet, konteksthåndtering og resonnering, har vi testet og brukt tre modeller:
- Sonnet 4.5 – rask og stabil for enkle scenarioer, men krever ofte oppfølging i lengre workflows
- Gemini 3 Pro – stort kontekstvindu og god på filer og analyser, men mer variabel kodekvalitet
- Opus 4.5 (nåværende) – best på flertrinnsresonnering og mest treffsikker på komplekse oppgaver. Vår soleklare favoritt!
Erfaringer
- Token-budsjett setter faktiske grenser
- applyTo-filtre gir mer presise oppgaver og lavere kost
- Eksempler og tabeller fungerer bedre enn tekst
- Anti-patterns må beskrives eksplisitt
- Instruksjoner må vedlikeholdes når arkitekturen endrer seg
- Still spørsmål hvis noe er uklart, ikke gunne på med antagelser
- Det trengs fortsatt kvalitetskontroll
Hvorfor dette er nyttig
Instruksjonene er det som forvandler en generisk agent til et ekstra medlem på teamet. Den øker kapasiteten vår. Vi i Novanet er stolte av å få jobbe sammen med en så fremoverlent kunde som Nordic Corporate Bank, og vi håper dette nye medlemmet leverer masse verdi i tiden fremover.
Ta kontakt
Hvis du er nysgjerrig på hvordan AI‑agenter kan styrke utviklingsprosessen deres, enten det gjelder kodegenerering, automatisering av repeterbare oppgaver eller mer avanserte arbeidsflyter, tar vi gjerne en prat. Vi har bygget flere agenter for ulike behov, og erfaringene fra Nordic Corporate Bank viser hvor mye verdi en godt definert agent faktisk kan levere.
