Automatische vertaling
Dit artikel is automatisch vertaald vanuit de oorspronkelijke Engelse versie.
Blog
- Runtime voor langlopende AI-agents in 2026: sessies, sandboxes, checkpoints en harnesses
- RAG evalueren: metrics voor elke fase van een production RAG-systeem
- AI-agentbeveiliging in 2026: Guardrails, rechten, sandboxes en MCP-bedreigingen
- De definitieve gids voor NER in 2026: encoders, LLM's en de 3-laagse productiearchitectuur
- Gebruik van tools door AI-agents in 2026: MCP, CLI, Skills en code-uitvoering
- LLM Engineering-gids: 45 concepten voor inferentie, training, architectuur en operations
- De definitieve gids voor OCR in 2026: van pipelines naar VLM's
- Moderne dataverwerkingsengines vergeleken: Polars, DataFusion, Daft, Ray Data, Pandas en Spark
- AI-agentgeheugenarchitectuur in 2026: checkpoints, vector stores en bestandsgebaseerd geheugen
- Search Ranking Stack in 2026: BM25, Embeddings, Cross-Encoders en LLM-reranking
- AI-agent reasoning loops in 2026: ReAct vs ReWOO vs Plan-and-Execute
- Manifold-Constrained Hyper-Connections (mHC): Residuele schaling in DeepSeek uitgelegd
- Enterprise RAG Challenge 3 (ECR3): Winnende AI-agentarchitecturen
- Handleiding voor LLM-fine-tuning: LoRA, QLoRA, DoRA, Unsloth, Axolotl en deployment
- Schema-Guided Reasoning op vLLM: Structured Outputs met xgrammar en Pydantic
- LoRAX Serving-gids: Duizenden LoRA-adapters op Kubernetes
- Domain-Driven Design voor AI-agents: begrensde contexten, tools en bedrijfsregels
- Context engineering voor AI-agents: context windows, geheugen, tools en guardrails
- MCP Server-tutorial met uv en FastMCP: bouw een FeatureStoreLite-server
- Open-source LLM-varianten en bestandsformaten: Instruct, GGUF, GPTQ, AWQ en MoE
- Lokale LLM's op macOS: Ollama, LM Studio, llama.cpp, MLX en Apple Silicon
- Stable Diffusion op macOS: Draw Things, DiffusionBee, ComfyUI, A1111 en Fooocus
- `pyproject.toml`-gids: Python-packaging, afhankelijkheden en toolconfiguratie
- Zsh-opstartbestanden: `~/.zprofile` vs `~/.zshrc` op macOS en Linux
- MLOps vs LLMOps: Infrastructuur voor foundation models en LLM-systemen
- Grote taalmodellen schalen: multi-GPU- en multi-node-strategieën die in de praktijk standhouden
- MacBook-setup voor AI engineering: macOS-tools, Python, Docker en terminalworkflow
- uv op macOS: Python-versies, projecten en tools beheren