Agentisk kodning med OpenCode och Pi

Agentiska kodverktyg som Claude Code och Codex har på kort tid gått från experiment till en självklar del av många utvecklares vardag. De gör verklig nytta. Samtidigt skickas allt de rör vid till en amerikansk leverantör för bearbetning: varje prompt och varje fil agenten öppnar, vilket i praktiken är hela kodbasen.

För den som bryr sig om digital suveränitet är det ett problem. För många organisationer är källkoden en av de känsligaste tillgångarna som finns, och i samma stund som den passerar en amerikansk molntjänst hamnar den under en annan jurisdiktion, med andra regler för vem som får begära ut den. Till det kommer beroendet. Priser, villkor och själva tillgången till verktyget bestäms någon annanstans.

Numera går det att slippa det utan några större uppoffringar. De öppna verktygen och modellerna har knappat in det senaste året, och idag går det att jobba i stort sett som förut, fast med koden kvar i Sverige.

Två öppna agentiska klienter

Nyckeln är att skilja på klienten och modellen. Klienten (agent harness) är det som läser filer, redigerar kod och kör kommandon i terminalen; modellen är intelligensen bakom. Claude Code och Codex är hårt knutna till sin egen leverantörs modell, så där är det redan avgjort vart koden tar vägen. Det vi vill ha är en klient som är likgiltig för vem som kör modellen, så att vi själva bestämmer var prompten och filerna hamnar.

Det finns en handfull projekt som tar sig an det, men två har vi fastnat för: OpenCode och Pi. Båda är öppen källkod, och i båda byter man modell genom att peka om en rad i konfigen. De är dessutom små nog att man hinner läsa igenom källkoden på en eftermiddag om man vill veta exakt vad de gör.

OpenCode

OpenCode är en agentisk kodklient med öppen källkod som körs i terminalen. Den jobbar ungefär som Claude Code och Codex: läser och redigerar filer, kör kommandon och arbetar i flera steg. Skillnaden är att den inte är låst till en leverantör. Den stödjer över 75 modelleverantörer och kan dessutom prata med lokala modeller, så du pekar den dit du vill.

Pi

Pi tar sig an samma problem från andra hållet. Mario Zechner har byggt den medvetet avskalad: en systemprompt under tusen tokens och fyra verktyg (read, write, edit, bash). Det finns inget dolt under huven att hålla reda på, varken subagenter med egen kontext, inbyggda att-göra-listor eller MCP-lager. pi-ai-skiktet pratar med Ollama, vLLM, llama.cpp, LM Studio och vilken OpenAI-kompatibel endpoint som helst.

Av de två ligger OpenCode närmast Claude Code i känsla, medan Pi är råare och mer hackbar.

Var ska modellen köras?

Berget AI

Berget AI kör öppna modeller som Kimi-K2.6 och Mistral-Medium-3.5-128B på OpenAI-kompatibla endpoints i Sverige, under svensk jurisdiktion. För OpenCode och Pi räcker det att lägga till en provider i konfigurationen. Nedan ser du hur det sätts upp i respektive klient.

json~/.config/opencode/opencode.json

{
  "provider": {
    "Berget.AI": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Berget.AI",
      "options": {
        "baseURL": "https://api.berget.ai/v1",
        "apiKey": "sk_ber_xxxxx"
      },
      "models": {
        "moonshotai/Kimi-K2.6": {},
        "mistralai/Mistral-Medium-3.5-128B": {}
      }
    }
  }
}

json~/.pi/agent/models.json

{
  "providers": {
    "Berget.AI": {
      "baseUrl": "https://api.berget.ai/v1",
      "api": "openai-completions",
      "apiKey": "sk_ber_xxxxx",
      "models": [
        { "id": "moonshotai/Kimi-K2.6" },
        { "id": "mistralai/Mistral-Medium-3.5-128B" }
      ]
    }
  }
}

Lokalt på egen maskin

På en laptop kommer man bara en bit på vägen. En MacBook Pro med 64 GB minne kör en mindre modell som Qwen3-Coder-30B-A3B via Ollama eller LM Studio, och svaren kommer snabbt nog för interaktivt arbete. Det fungerar på tåget, på flyget eller i ett trögt nätverk, utan att något alls lämnar maskinen. Men modellen är betydligt mindre än de Berget kör, och skillnaden märks så fort uppgiften blir det minsta krävande.

Vill man köra samma klass av modeller lokalt som Berget erbjuder krävs betydligt mer hårdvara. De stora öppna modellerna behöver hundratals gigabyte minne, och då räcker det inte med en laptop. Då handlar det om ett kluster av exempelvis Mac Studios med maximalt unified memory, vilket lätt landar på flera hundra tusen kronor. Den globala bristen på framför allt minne har inte direkt gjort saken billigare.

Så fördelar vi arbetet

Det här har landat i en ganska tydlig arbetsfördelning för oss. Det allra lättaste körs lokalt på den egna maskinen, där latensen är minimal och inget lämnar laptopen: autocomplete, förslag på enstaka kodrader och de snabba frågorna mitt i flödet. Det mesta av det dagliga arbetet går istället till Berget, som kör modeller i en helt annan klass men håller datan inom Sverige. Dit hör refaktoreringar, buggfixar, ändringar över flera filer och hela sessioner i en stor kodbas.

Kvar blir det absolut tyngsta. De största proprietära modellerna, Claude Opus 4.8 och GPT-5.5, är fortfarande vassare på långa planeringskedjor över hela kodbasen, riktigt svår debugging och jobb i mindre vanliga språk. Dem tar vi fram när uppgiften verkligen kräver det, men då gör vi det medvetet och med vetskapen om att datan lämnar Sverige.

Gränsen har flyttats rejält det senaste året. För ett år sedan var de öppna modellerna ett kompromissval. Idag är de förstaval för det mesta vi gör, och det proprietära alternativet plockas fram först när det verkligen behövs.

Vad det kräver

Själva bytet från Claude Code eller Codex till OpenCode eller Pi går snabbt, oavsett om modellen ligger hos Berget eller i Ollama. Det som tar längre tid är att kalibrera om magkänslan för vad som kan lämnas till den lokala modellen, vad som ska till Berget och vad som ändå hör hemma hos en proprietär modell. När den känslan väl sitter har man ett flöde som fungerar minst lika bra som tidigare, med skillnaden att promptar, kostnader och kod för det mesta stannar i landet.