Bygg riktiga appar på språkmodeller — inte bara ett API-anrop för skojs skull

Från ett löst API-anrop till en LLM-app som går stabilt: du lär dig skriva effektiva prompter i skala, hålla koll på tokens, kostnad och svarstid, bygga en RAG-pipeline på egna dokument, sätta ihop en agent som kan använda verktyg, och ta fram en utvärdering så att appen inte tyst blir sämre. Detta är den mest kodtunga kursen i sviten.

Se kursinnehållet

4
Moduler: 9
Praktiska lektioner: 100%
Gratis: 1-1
Coach rättar dina uppgifter

Känns det igen?

Du anropar en modells API och varje körning ger ett nytt resultat — ibland precis rätt, ibland helt ute i det blå, och du vet inte var i prompten du ska ändra för att få det stabilt.

Din app "funkar", men token-notan bara växer, svarstiden hoppar, och du vill låta AI svara utifrån företagets interna dokument men vet inte var RAG ens börjar.

Värst av allt: appen blir tyst sämre utan att du märker det, för du har ingen utvärdering som mäter det — och du hårdkodar fortfarande API-nyckeln i koden, med en gnagande oro för dagen den läcker ut.

Efter kursen kan du

Anropa ett LLM-API med en effektiv system-prompt och få tillbaka konsekventa resultat redan från första försöket
Hålla koll på tokens, kostnad och svarstid — veta vad din app kostar och var den är snabb eller trög
Bygga en RAG-pipeline på egna dokument: embeddings, vektordatabas, kontexthämtning och källhänvisningar som minskar hallucinationer
Sätta ihop en agent som använder verktyg via function calling, och lägga till guardrails så att den håller sig säker
Bygga en utvärdering (eval) som fångar när appen blir sämre, i stället för att upptäcka det via användarnas klagomål

Kursinnehåll

1
Modul 1 — Grunderna: bygg applikationer med LLM
Byt tankesätt från 'användare av en modell' till 'ingenjör som kapslar in en icke-deterministisk komponent'. Anropa modellens API med kod, designa systemprompten och behärska fyra tekniska villkor: token, kostnad, latens och icke-determinism.
2
Modul 2 — RAG och egen kunskap
Låt modellen svara utifrån DINA egna dokument — inte träningsminnet. Embeddings, hämtning av relevant kontext, vektordatabas, källhänvisningar och färre hallucinationer.
3
Modul 3 — Agenter, verktyg och utvärdering
Låt modellen HANDLA, inte bara prata: tool-use / function calling och agent-loopen. Kapsla in med skyddsräcken (guardrails). Och bygg en utvärdering (eval) så att appen inte tyst blir sämre.
4
Modul 4 — Slutprojekt: bygg en komplett LLM-applikation
Foga ihop alla delar till en liten men komplett LLM-applikation, hela vägen: en RAG-chattbot som svarar på dina egna dokument, med källhänvisningar, skyddsräcken och en utvärdering.

Vem är kursen för?

Mjukvaruingenjörer som vill bygga riktiga appar på språkmodeller, inte stanna vid att testa några prompter
Backend- och full stack-utvecklare som är vana vid kod och vill lägga in AI i sin produkt
Du som har anropat ett modell-API men blivit frustrerad över ojämna resultat och svårförutsedd kostnad
Data- och MLOps-ingenjörer som vill greppa RAG, agenter och hur man utvärderar en LLM-app

Varför kursen är annorlunda

Praktisk, mest kod av alla

Detta är den tyngsta kursen i sviten: varje lektion har körbar kod — anropa API, bygga RAG, skriva en agent — inte teoretiska slides.

En coach rättar dina uppgifter

De viktiga koduppgifterna och pipeline-designerna läses och kommenteras av en coach, så du får veta var något är ooptimerat eller osäkert.

Helt gratis

Hela kursen är gratis. Det enda du behöver satsa är din tid, en kodeditor och ditt allvar.

Vad studenterna säger

Förr anropade jag API:et på ren tur. Efter kursen skriver jag stabila system-prompter och har kapat nästan halva token-kostnaden för projektet.

FFredrik Ahlberg · Backend-ingenjör, Stockholm

RAG-delen var det jag behövde mest. Nu svarar företagets chatbot utifrån interna dokument och hänvisar till källor, och kunderna litar på den betydligt mer.

LLinnéa Sandström · Full stack-utvecklare, Malmö

Lektionen om eval öppnade ögonen på mig — appen blev sämre utan att någon mätte det. Nu kör jag utvärderingen varje gång jag ändrar en prompt.

OOskar Wikström · AI-applikationsingenjör, Göteborg

Vanliga frågor

Hur mycket kod behöver jag kunna för att hänga med?

Du bör vara van vid att skriva kod och göra grundläggande API-anrop (till exempel i Python eller JavaScript). Detta är den mest kodtunga kursen i sviten, så en programmeringsgrund hjälper dig att komma framåt fort.

Är kursen verkligen gratis?

Ja. Allt innehåll, alla koduppgifter och rättningen är gratis. Det enda du behöver är ett konto för att spara din framgång.

Vad är RAG och varför lär kursen ut det så grundligt?

RAG är sättet att låta AI svara utifrån dina egna dokument i stället för bara modellens inbyggda kunskap. Kursen tar dig genom embeddings, vektordatabas, kontexthämtning och källhänvisningar för att minska hallucinationer.

Måste jag hårdkoda API-nyckeln i uppgifterna?

Nej, och det är något kursen trycker på. Du lär dig hantera API-nycklar och hemligheter via miljövariabler, aldrig lägga in dem direkt i källkoden — av samma skäl som varje LLM-app behöver en utvärdering för att inte tyst bli sämre.

Vad behöver jag förbereda för att öva?

En dator med internet, en kodeditor och en API-nyckel till den modell du vill använda. Kursen visar hur du konfigurerar den säkert redan från första lektionen.

Redo att bygga en LLM-app som går på riktigt?

Gå med gratis idag och skriv ditt första API-anrop med en vettig system-prompt på under 20 minuter. Därifrån går du rakt vidare till RAG, agenter och utvärdering.