Gå til indholdet

01 — Teknisk arkitektur & AI-stack

Hvordan vi bygger en fuldt AI-integrerbar udviklingsinfrastruktur — vores "software-fabrik". Målet er at forstå valgene, ikke at kunne alt udenad.

1. Grundprincip: byg en fabrik, ikke et projekt

Gevinsten ved AI opstår, når vi standardiserer i stedet for at behandle hvert kundeprojekt som et snefnug:

  • Én reference-stack, vi kender ud og ind, og som agenterne er promptet til.
  • Genanvendelige byggeklodser (auth, betaling, dashboards, CRUD, rapportering).
  • Faste agent-pipelines (kravspec → kode → test → deploy).

Jo mere ensartet fabrikken er, jo mere kan AI overtage — og jo højere margin. Det er kernen i "semi-automatiseret": mennesket sætter retning, reviewer og tager ansvar; agenterne udfører det gentagne. En nyttig ramme er fem lag (+ lag 0: hosting/CI).

2. Lag 1 — Kodegenerering & prototyping (idé → udkast)

  • v0 (Vercel) — produktionsklare React-komponenter. Pr. feb. 2026 mere end frontend: sandbox-runtime, GitHub-branches/PR'er, API-routes, server actions, DB-forbindelser (Supabase, Neon, Upstash). God til ren UI/komponenter.
  • Lovable — komplette React-apps med database, auth og deploy fra prompts. Stærkest til en fuld app-skal hurtigt ($20M ARR på 2 måneder — markedet er reelt).
  • Bolt.new — hurtigst (WebContainer, kører Claude-modeller), men mangler indbygget database og kan brænde tokens på komplekse projekter.

Arbejdsgang: v0 til enkeltkomponenter → Lovable til app-skallen → AI-kodeagent til produktionsoprydning. Prototypeværktøjer er til fart og salg, ikke den endelige kodebase.

3. Lag 2 — AI-kodeagenter (værkstedet)

Værktøj Styrke Pris (indgang)
Claude Code Dyb ræsonnering, debugging, arkitekturændringer, terminal-/agent-drevet, op til 1M token kontekst på Max fra $20/md
Cursor Flow: hurtig autocomplete, in-editor chat, lav friktion fra $20/md
Codex (OpenAI) Stærk på Terminal-Bench, tæt på ChatGPT-økosystemet via ChatGPT-abonnement

Benchmarks (juli 2026, skifter konstant): Claude Opus 4.8 fører SWE-bench Verified med 88,6 %; GPT-5.5 fører Terminal-Bench 2.0. Udbredt opsætning: Cursor til daglig levering + Claude Code til de hårdeste problemer. GitHub Copilot er billigst for enkeltpersoner og har eneste rigtigt brugbare gratis-tier.

Anbefaling: Standardisér på ét primært agentværktøj (fx Claude Code for autonomi og dyb kontekst); suppleer med Cursor efter smag. Tidlige adoptanter rapporterer 40-60 % kortere feature-cyklustider.

4. Lag 3 — Backend & data

  • Convex — reaktiv backend; man skriver TS-funktioner Convex kører; dokument-DB med automatiske realtids-subscriptions. Indbygget AI Agent-komponent (message history, vector search, langtidskørende reaktive workflows) og egen MCP-server. Stærkt match for en AI-native fabrik.
  • Supabase — Postgres + auth + realtime + storage + edge functions samlet. "Den bedre platform."
  • Neon — serverless Postgres med instant branching, auto-scaling, scale-to-zero. "Den bedre database." ~80 % af nye Neon-DB'er oprettes af AI-agenter; per-agent branching er bygget til det. Stærk med Next.js/Vercel.

Tommelfingerregel: Neon = bedste database; Supabase = bedste platform; Convex = bedste AI-/realtids-backend. Anbefaling: Convex som standard for AI-agent-/realtidsprodukter; Supabase/Neon når kunden kræver "rigtig" Postgres. Hold listen kort (max 2 backends vi mestrer).

5. Lag 4 — Agent-orkestrering (AI'en inde i kundens produkt)

  • Vercel AI SDK 6 — TS-toolkit fra Next.js-folkene. Agent-abstraktion, ToolLoopAgent, plus 2026: Workflows (durable, suspend/resume — løser serverless-timeout), Sandbox (sikker kodeudførelse), AI Elements (UI-komponenter). Naturligt oven på Next.js/Vercel.
  • Mastra — de facto TS-valg 2026 (19k+ stjerner, 300k+ ugentlige downloads). Stærkeste TS-SDK; Vercel-nativ. Til flertrins, stateful workflows.
  • LangGraph — dybest orkestrering + bedste debugging/durable execution (grafnoder, checkpointing, resume-on-failure, human-in-the-loop). Sikrest til komplekse produktionsflows. (Python-tungt.)
  • CrewAI — hurtigst fra install til første multi-agent-flow. Til rolle-baserede prototyper.

Anbefaling: Bliv TS-native → Vercel AI SDK 6 + Mastra som standard. LangGraph ved tung, durable multi-agent-orkestrering med human-in-the-loop.

6. Lag 5 — Integrationslaget: MCP (limet)

MCP (Model Context Protocol) er i 2026 standarden for sikker, auditeret agent-adgang til værktøjer/data. Natively understøttet af Anthropic, OpenAI, Google, Microsoft, Amazon; 97M+ månedlige SDK-downloads (marts 2026); 10.000+ offentlige servere; 78 % af enterprise-AI-teams har MCP-agenter i produktion; enterprise auth (OAuth, RBAC, audit) tilføjet 2026; doneret til Linux Foundations Agentic AI Foundation.

Konkret for os: 1. Vores kodeagenter kobler sig på kundens systemer (Jira, GitHub, Slack, Sentry, Datadog, DB'er) via MCP i stedet for copy-paste. 2. Produkter vi bygger kan eksponere en MCP-server, så kundens/slutbrugerens AI-assistenter kan interagere sikkert — stærkt salgsargument og oplagt del af standardleverancen. 3. Convex' indbyggede MCP-server (safe-by-default: read-only i prod, ingen PII) gør det let.

Anbefaling: Gør "leveret med MCP-server" til standarddel af produktet — fremtidssikret, differentierende, matcher præmissen om at være fuldt AI-integrerbar.

7. Lag 0 — Hosting, deploy & CI/CD

  • Vercel som primær hosting/deploy for Next.js-frontend og serverless-funktioner.
  • GitHub som kildekontrol + konsolideringspunkt for dokumentation; GitHub Actions til CI/CD.
  • Backend-hosting følger backend-valget (Convex kører selv; Supabase/Neon managed).

8. Reference-stack (opsummeret)

Idé/salg : v0 + Lovable Værksted : Claude Code (primær) + Cursor (supplement) Frontend : Next.js → Vercel Backend/data : Convex (standard) | Supabase/Neon (når Postgres kræves) Agenter : Vercel AI SDK 6 + Mastra (TS) | LangGraph (tunge tilfælde) Integration : MCP-server som standard-leverance Kildekode/CI : GitHub + GitHub Actions

9. Åbne tekniske spørgsmål

  1. Én eller to backends? Anbefaling: Convex som standard + ét Postgres-alternativ; afklar med de første 1-2 pilotprojekter.
  2. Grad af automatisering. Anbefaling: menneske reviewer alt de første ~10 projekter, gradér tilliden derefter.
  3. Egen intern platform? Anbefaling: manuelt først, kodificér mønstrene når de er tydelige.
  4. Datamodel for moat. Hvordan opsamles/genbruges brancherettede data lovligt og etisk på tværs af kunder? (Se 03 — selve konkurrencefordelen.)

Kilder