Praktische field notes over de onderdelen van AI-systemen die production moeten doorstaan: agents, evals, security, memory, retrieval, model engineering en infrastructuur.
Recursive Harness Engineering onderzoekt systemen die andere AI-systemen verbeteren, van gecontroleerde configuratie-experimenten tot aanpakken zoals recursive agent harnessing.
Begin met een van de series hieronder of blader door alle artikelen per onderwerp.
Series · Delen: 6
Op volgorde. Begin bij de lus.
Veeg door de delen →
Series · Delen: 2
Bouw de harness en meet elke wijziging.
Series · Delen: 1
Gecontroleerde recursieve verbetering: één harness verbetert een andere.
Evaluatie
Evalueer agentgedrag en iedere fase van een retrieval-augmented generation-systeem.
Retrieval & taal
Bouw rankingpipelines, kies Document AI-systemen en structureer taal betrouwbaar.
Korte antwoorden
Een model, tool of aanpak kiezen? Hier vindt u een korte aanbeveling, de omstandigheden die de keuze veranderen en een link naar de volledige uitleg.
AI-agenten Deel 2
Dezelfde supporttaken als agent, agent met goedkeuring, agent in een workflow, router en workflow zonder agent, vergeleken op één testset.
· 23 min
AI-agenten Deel 1
Hoe taakeisen een agent harness vormgeven: control flow, tools, code-uitvoering, state, permissies en bewijs kiezen voordat je een framework kiest.
· 29 min
AI-agenten Deel 1
Recursive harness engineering in één kleine loop: een LLM maakt van een fout antwoord van een memory tool een geteste oplossing; een script controleert of een LLM nodig was.
· 21 min
Ontwikkelaarstools · AI-agenten
Vertaal pydantic naar Zod, FastAPI naar Hono en Celery naar een Postgres-queue, en bouw dan een streaming agent service in een pnpm TypeScript-monorepo.
· 26 min
AI-agenten Deel 6
Hoe je een getest artefact accepteert, onzekere tool calls herstelt, werk overdraagt aan een andere session en meet of een harness-component helpt.
· 21 min
Modelengineering · AI-infrastructuur
Een praktische handleiding voor het kiezen van quantization-paden voor LLM- en diffusion-models op basis van bottleneck, hardware, runtime-kernel, calibration data en controles voor deployment.
· 34 min
AI-agenten
Waarom AI agents in productie schemagestuurd geheugen nodig hebben met temporele geldigheid, herkomst en gestructureerde conflictafhandeling in plaats van vectorzoeken op ruwe tekst.
· 16 min
AI-agenten
Hoe je AI agents in productie evalueert door traces om te zetten in versioned regression datasets, trajectory metrics, gekalibreerde judges en CI-checks.
· 28 min
AI-agenten Deel 5
Zet een agent-run voort nadat workers uitvallen, reconcilieer onzekere tool-effecten en kies een runtime: queue en worker, Temporal, sandboxes of hosted agents.
· 31 min
Zoek- en taalsystemen
RAG-evaluatiemetrics voor parsing, retrieval, reranking, generatie, citaties en productietelemetrie, met code en faalpatronen.
· 46 min
AI-agenten Deel 4
Hoe je de voorgestelde actie van een agent autoriseert, de executor afschermt en de grenzen test die guardrails van het model niet kunnen afdwingen.
· 27 min
Zoek- en taalsystemen
NER in 2026 betekent kiezen tussen GLiNER, spaCy, Transformers en LLM-extractie op basis van latency, nauwkeurigheid en schemacontrole.
· 42 min
AI-agenten Deel 3
Ontwerp het actie- en resultaatcontract van een agent en kies daarna JSON calls, MCP, CLI of code execution voor het werk dat hij moet doen.
· 23 min
Modelengineering · AI-infrastructuur
Een praktijkgericht naslagwerk over 45 LLM-engineeringconcepten voor production systems, van inference, training en architectuur tot deployment en operations.
· 76 min
Zoek- en taalsystemen
OCR in 2026 betekent kiezen tussen klassieke pipelines en VLMs voor tekst, layout, tabellen en documentextractie.
· 22 min
AI-infrastructuur
Hoe Polars, DataFusion, Daft, Ray Data en Spark tabulaire en multimodale workloads uitvoeren, met code, een eerlijke benchmark en beslisregels.
· 20 min
AI-agenten Deel 2
Kies agent memory op basis van de fout die het moet voorkomen, en kies dan de tool: checkpoint savers, key-value stores, pgvector of Qdrant, bestanden of een memory-framework.
· 27 min
Zoek- en taalsystemen
Hoe je een search ranking stack bouwt met BM25, dense embeddings, hybride RRF, cross-encoder reranking en listwise reranking met een LLM op Amazon ESCI.
· 29 min
AI-agenten Deel 1
Kies tussen vaste workflows, ReAct, ReWOO en Plan-and-Execute door te vragen wanneer tool results de volgende actie moeten veranderen.
· 16 min
Modelengineering
Een technische walkthrough van DeepSeeks Manifold-Constrained Hyper-Connections (mHC), het verbreden van de residual stream, Sinkhorn-routing en trainingsstabiliteit.
· 13 min
AI-agenten
Wat openbare inzendingen voor Enterprise RAG Challenge 3 laten zien over prompt-iteratie, validatie, contextstrategie, tool wrappers en agentarchitectuur.
· 13 min
Modelengineering
Wanneer je LLMs moet fine-tunen, wanneer je RAG of prompting gebruikt, en hoe LoRA, QLoRA, DoRA, Unsloth, Axolotl, datasets, evals en deployment samenhangen.
· 30 min
AI-agenten · Modelengineering
Hoe Schema-Guided Reasoning vLLM, XGrammar, Pydantic-schema's en constrained decoding gebruikt om structureel geldige LLM-uitvoer af te dwingen.
· 17 min
Modelengineering · AI-infrastructuur
Beoordeel en deploy LoRAX voor long-tail LoRA serving, met actuele APIs, hardening van de Kubernetes chart, adapterbeveiliging, cache-aware routing en afwegingen ten opzichte van vLLM.
· 16 min
AI-agenten
Hoe Domain-Driven Design AI agents helpt met een gedeelde taal, bounded contexts, services, repositories en deterministische bedrijfsregels.
· 17 min
AI-agenten
Hoe je context engineering voor AI agents ontwerpt: context windows, instructiehiërarchie, retrieval, geheugen, tools, guardrails, provenance en compressie.
· 26 min
AI-agenten · Ontwikkelaarstools
Bouw een eigen MCP-server met uv en FastMCP, maak ML-feature-store-tools beschikbaar, test ze lokaal en verbind de server met Claude Desktop.
· 10 min
Modelengineering
Zo lees je namen van open-weight models door trainingsrol, architectuur, quantization-methode, opslagformaat, runtime en hardwarematch uit elkaar te halen.
· 15 min
Ontwikkelaarstools
Vergelijk lokale tools voor beeldgeneratie op macOS op installatie, modelondersteuning, workflowcontrole, reproduceerbaarheid, extensies en onderhoudsstatus.
· 12 min
Modelengineering · Ontwikkelaarstools
Vergelijk tools voor lokale LLMs op macOS op interface, modelformaat, geheugenruimte, API-toegang en ontwikkelworkflow op Apple Silicon.
· 12 min
Ontwikkelaarstools
Hoe pyproject.toml werkt voor build systems, projectmetadata, runtime dependencies, ontwikkelgroepen, CLI entry points en toolconfiguratie.
· 8 min
Ontwikkelaarstools
Zsh-opstartbestanden uitgelegd: wanneer ~/.zprofile en ~/.zshrc laden op macOS en Linux, wat in welk bestand thuishoort en hoe je de modus van de draaiende shell vaststelt.
· 7 min
AI-infrastructuur
Wat foundation models veranderden aan MLOps: release-eenheden, retrieval, tools, evaluatie, tracing, serving en de tools die elk van die taken uitvoeren.
· 16 min
Modelengineering · AI-infrastructuur
Hoe je LLMs over GPUs en nodes schaalt met data-, sharded, tensor-, pipeline-, context- en expert-parallellisme, en welk framework welke variant implementeert.
· 18 min
Ontwikkelaarstools
Een checklist voor een MacBook-setup voor AI engineering: Xcode-tools, Homebrew, Python met uv, Docker, terminalconfiguratie en VS Code.
· 8 min
Ontwikkelaarstools
Hoe ik uv op macOS gebruik voor Python-installaties, projectafhankelijkheden, lockfiles, inline scripts en eenmalige CLI-tools.
· 10 min
Hier staat nog niets.
