En kodningsagent på 400 rader shell och varför det är intressant

Någon byggde nyligen en komplett AI-kodningsagent i 400 rader shell-script. Inga ramverk, inga npm-paket, ingen Python. Bara `sh`, `curl` och `awk`. Den pratar med både Anthropics Claude och OpenAI:s modeller, har sju verktyg inbyggda och fungerar på i princip vilken Unix-maskin som helst.

Projektet heter Pu.sh och dök upp på Hacker News. Det är intressant av en specifik anledning: det visar hur långt du kan komma när du vägrar lägga till beroenden. Och det säger något om hur AI-kodning faktiskt fungerar i praktiken.

Vad är en kodningsagent egentligen?

En kodningsagent är ett program som låter en språkmodell skriva och köra kod på din dator. Den läser filer, ändrar dem, kör kommandon i terminalen och rapporterar tillbaka. Tänk GitHub Copilot fast med rättigheter att faktiskt göra saker, inte bara föreslå.

Skillnaden mellan en chattbot och en agent ligger i verktygen. Chattboten svarar med text. Agenten anropar funktioner: `read_file`, `write_file`, `bash`, `grep`. Modellen bestämmer själv när och hur. Resultatet skickas tillbaka som en del av samtalet, och loopen fortsätter tills uppgiften är klar.

Det är därför Pu.sh har sju verktyg: bash, read, write, edit, grep, find, ls. Det är minimibesättningen för att en agent ska kunna jobba i ett kodprojekt. Mer än så är trevligt men inte nödvändigt.

Varför 400 rader shell är imponerande

De flesta AI-agenter idag byggs i Python eller TypeScript med tunga ramverk. LangChain. LlamaIndex. AutoGen. De drar in hundratals beroenden och kräver en specifik miljö för att ens starta.

Pu.sh går åt motsatt håll. Regeln var: inga nya beroenden, under 500 rader kod. Bara verktyg som finns på varje Unix-system sedan 80-talet.

Det betyder att utvecklaren tvingades göra obekväma saker. JSON-parsning i `awk` till exempel, ett språk från 1977 som aldrig var tänkt för det. OpenAI:s tool-loop med reasoning-objekt som förs vidare mellan turer, implementerad utan ett enda externt bibliotek.

Det är teknisk envishet snarare än effektivitet. Men poängen är portabiliteten: scriptet kör på en gammal server, en Raspberry Pi, en WSL-installation eller en macOS-laptop. Inget setup-helvete.

AI som skrev koden den körs på

Här blir det filosofiskt intressant. Skaparen är öppen med att hen inte själv skrev det mesta av koden. Claude och Codex skrev awk-delarna. Systemprompten är modifierad från andra projekt. Hen erkänner att hen inte ens kan läsa stora delar av sin egen kodbas.

Det här är vibe coding i renaste form: du beskriver vad du vill ha, AI:n skriver det, du testar att det fungerar. Du går vidare. Förståelsen kommer i andra hand, om alls.

För en del programmerare är det här skrämmande. För andra är det framtiden. Det enda säkra är att det fungerar, Pu.sh kör 90 tester utan API-anrop och har features som auto-komprimering av kontext och checkpoint-funktion.

Vad du kan lära dig av projektet

Tre saker är värda att ta med sig, oavsett om du själv vill bygga något liknande:

Beroenden är skuld. Varje paket du installerar är något som kan gå sönder, behöva uppdateras eller försvinna. Pu.sh visar att du kommer förvånansvärt långt med bara systemets grundverktyg. Det gäller även vanlig webbutveckling, du behöver sällan så många npm-paket som du tror.

API:er är limmet. Hela agenten är i grunden ett program som skickar HTTP-anrop till OpenAI och Anthropic, tolkar svaret, kör verktyg lokalt, och skickar tillbaka resultatet. Om du förstår hur API:er fungerar förstår du också hur 95 % av AI-verktygen är byggda. Det är ingen magi.

Begränsningar tvingar fram kreativitet. Regeln ”max 500 rader, inga nya beroenden” är vad som gjorde projektet intressant. Utan begränsningen hade det blivit ännu en Python-agent bland tusen.

Begränsningar du inte ska ignorera

Pu.sh har medvetna luckor. Ingen TUI, ingen streaming, inget bildstöd, ingen OAuth, fungerar inte på Windows. Skaparen själv listar ”dignity” som något som inte ingår, ett halvt skämt, halvt allvarligt.

Det är ärligt. En 400-rads shell-agent är inte rätt verktyg för ett produktionsteam som behöver granskning, säkerhet och stöd för flera användare. Det är ett verktyg för någon som vill experimentera, lära sig hur agenter fungerar, eller köra något snabbt på en server utan installation.

För svenska utvecklare som vill in i AI-kodning är GitHub Copilot fortfarande den enklaste vägen. Pu.sh är intressant som studieobjekt, inte som dagligt verktyg.

Vad det säger om läget i AI-utveckling

För några år sedan hade ett sådant här projekt krävt ett team. Idag bygger en person det på fritiden, med hjälp av just de modeller agenten anropar. Det är en konstig loop: AI hjälper människor bygga verktyg som låter AI bygga mer.

Tröskeln för att skapa egna AI-verktyg har sjunkit dramatiskt. Du behöver inte längre djup kunskap i maskininlärning. Du behöver förstå API-anrop, kunna läsa dokumentation, och ha tålamod att felsöka när modellen genererar trasig kod.

Det här är varför generativ AI förändrar utveckling så snabbt. Inte för att modellerna är perfekta, det är de inte, utan för att de sänker kostnaden för experiment till nästan noll. En idé som hade tagit en månad tar nu en helg.

Pu.sh kommer förmodligen aldrig bli ett storskaligt projekt. Det behöver inte vara det. Det är ett bevis på koncept: att en kodningsagent inte kräver ett ekosystem av paket. Att shell, curl och awk är tillräckligt mäktiga för att prata med moderna språkmodeller. Och att den största begränsningen i att bygga AI-verktyg år 2026 är fantasin, inte tekniken.