Min resa med AI-verktyg för kodning

Lee Robinson (Cursor) skrev nyligen en tankeväckande artikel om Personal Software - idén att AI-verktyg nu låter människor bygga skräddarsydda lösningar för sina specifika problem. Det är något jag känner igen starkt. Istället för att anpassa sig till generiska verktyg kan man nu beskriva sitt behov och få hjälp att bygga något som passar exakt.

Det fick mig att reflektera över hur min egen resa med AI-assisterad kodning har sett ut - från att klistra in felmeddelanden i ChatGPT till att ha en assistent som förstår hela min kodbas.

Webbgränssnitten

De första interaktionerna med LLM:er för kodning handlade mest om felsökning. Ett fel dök upp, jag kopierade stacktrace:en, klistrade in den i ett webbgränssnitt och fick tillbaka en förklaring och potentiell lösning.

Begränsningar:

• Dålig kontext - AI:n såg bara det jag klistrade in
• Större filer blev svåra att hantera
• Mycket manuellt kopierande fram och tillbaka
• Ingen förståelse för projektstrukturen
• Utdaterad kunskap - träningsdata hängde inte med i nya versioner av ramverk som Next.js och React
• Behövde manuellt klistra in dokumentation för att få korrekta svar

Det var användbart för isolerade problem, men begränsande för allt annat.

IDE-plugins

När verktyg som Supermaven (numera uppköpt av Cursor), Copilot och Cursor började dyka upp förändrades dynamiken. Plötsligt var AI:n där jag arbetade. Autokomplettering som förstod koden runt markören, möjlighet att chatta utan att lämna editorn.

Det var ett steg i rätt riktning - men fortfarande begränsat till den fil jag hade öppen.

Specialiserade verktyg

Parallellt har en kategori av specialiserade webbverktyg vuxit fram. v0 och Lovable fokuserar på snabb prototyping - från idé till fungerande UI på minuter. Vill du ha en bokningssida för ditt företag? Lovable bygger framsidan och formulären.

Chef tar det ett steg längre och genererar hela backend-systemet också - databas, API:er och logik.

Styrkor:

• Snabb visualisering av idéer
• Fokus på design och komponenter
• Enkel deploy eller copy-paste till befintliga projekt
• Lägre tröskel för icke-utvecklare

De fyller en annan roll än generella kodassistenter - mer "visa mig hur det kan se ut" än "hjälp mig bygga hela systemet".

CLI-verktyg

Nästa steg i evolutionen är CLI-baserade AI-assistenter. Här finns flera alternativ - Claude Code, Codex CLI och Gemini CLI. Jag har valt Claude Code som mitt primära verktyg.

Till skillnad från IDE-plugins arbetar dessa verktyg direkt i terminalen med tillgång till hela projektets kontext.

Det som gör skillnad:

• Projektförståelse - AI:n kan läsa filer, följa importer och bygga upp en modell av hela kodbasen
• Direkta ändringar - Istället för att föreslå kod att kopiera kan verktyget redigera filer direkt
• Verktygsintegration - Möjlighet att köra build, tester, linting och andra CLI-kommandon
• Aktiviteter utanför filen - Skapa nya filer, hantera git, söka i dokumentation

Men det stannar inte där. Claude Code kommer med ett helt ekosystem av funktioner som utökar AI-stödet:

• CLAUDE.md - Projektkontext som definierar arkitektur, kommandon och konventioner
• Hooks - Automatiserade åtgärder vid specifika händelser
• MCP (Model Context Protocol) - Integrationer med externa tjänster som dokumentation och API:er
• Skills - Fördefinierade prompts för återkommande uppgifter
• Plugins - Utökningsbarhet för specifika behov

Tillsammans skapar detta ett arbetsflöde där AI:n inte bara svarar på frågor utan aktivt kan hjälpa till att planera features, genomföra säkerhetsgranskningar, diskutera arkitektur och researcha lösningar.

---

Hur jag använder det idag

Nästan all kod jag skriver idag genereras med hjälp av AI. Det handlar inte bara om att få hjälp med syntax - det är hela arbetsflödet:

• Feature-planering - Diskutera implementation innan jag skriver en rad kod
• Arkitekturdiskussioner - Få input på strukturella beslut
• Säkerhetsgenomgångar - Automatiserad granskning av potentiella sårbarheter
• Research - Hitta rätt bibliotek, förstå API:er, jämföra lösningar
• Dokumentation - Generera och underhålla teknisk dokumentation

Hemlabbsdokumentation och automation

Mitt hemlab består av flera servrar och tjänster - allt från reverse proxy och DNS till övervakning och spelservrar. Med AI-assistenten har jag kunnat:

• Inventera servrar och läsa loggar via Bash
• Dokumentera hela infrastrukturen som Infrastructure as Code
• Integrera med tredjepartstjänster via MCP (Cloudflare, GitHub)
• Applicera en säkerhetsinriktad approach genomgående

Resultatet är ett Git-repo med fullständig dokumentation som AI:n kan referera till vid framtida ändringar.

Dotfiles med Stow

Mina dotfiles hanteras nu med GNU Stow för symlänkar. Claude Code hjälpte till att strukturera om konfigurationer och sätta upp ett underhållbart system.

Screenshot-verktyg

De screenshot-verktyg jag hittade hade antingen dålig UX eller var betaltjänster. Så jag byggde mitt eget med React och Canvas:

• Anonymisering/blur av känsliga ytor
• Presets för bakgrunder och storlekar
• Export till PNG eller WebP

Ett enkelt verktyg som gör en sak bra - precis vad jag behövde.

Web scraping

Scripts för att extrahera data från hemsidor och konvertera till användbara format. Istället för att manuellt kopiera kan jag nu köra ett script och få strukturerad data.

Features i publicerade applikationer

Amealyze - AI-driven säkerhetskontroll och code review vid pull requests. Claude Code hjälpte till att implementera och finjustera.

Matematiskt.se - Satte upp events och dashboards för webbanalys i PostHog, helt via PostHogs MCP-integration. Ingen manuell konfiguration i UI:t behövdes.

Snabb respons vid säkerhetsincidenter

När CVE-2025-29927 (Next.js middleware bypass) publicerades behövde jag snabbt verifiera att mina projekt var säkra. En prompt till Claude Code som:

1. Skannade igenom alla mina projekt
2. Skapade nödvändiga ändringar
3. Testade att allt fungerade
4. Hanterade GitHub issues
5. Publicerade uppdateringar

Det som kunde tagit en hel dag var klart på under en timme.

---

Verktyg

Framtiden

Det som fascinerar mig mest är hur snabbt utvecklingen går. För ett år sedan var copy-paste-flödet standard. Nu har jag en AI-assistent som förstår mitt projekt, kan köra kommandon, och integrerar med externa tjänster.

Frågan är inte längre om AI kommer förändra hur vi kodar - utan hur mycket och hur snabbt.