Auteur

Mert Batur

Co-Founder, Techsy.io

Artikelen van Mert Batur

236 artikelen

  1. Een RAG-applicatie bouwen: Van prototype naar productie [2026]

    · 22 min leestijd leestijd

    Een progressieve gids voor het bouwen van RAG-applicaties in Python — van een werkend prototype zonder frameworks tot productiepatronen inclusief hybride zoeken, reranking, RAGAS-evaluatie en agentische RAG.

  2. Model Context Protocol: Bouw vandaag je eerste MCP-server

    · 22 min leestijd leestijd

    Een praktische ontwikkelaarsgids voor het Model Context Protocol (MCP) -- van architectuur en kernprimitieven tot het bouwen van je eerste server in Python en TypeScript. Behandelt de 2026-specificatie, Streamable HTTP, beveiliging met OAuth 2.1 en het volledige ecosysteem.

  3. Lovable vs Bolt.new vs v0: Hoe je code eruitziet achteraf

    · 18 min leestijd leestijd

    We hebben Lovable, Bolt.new en v0 met dezelfde prompt getest en de gegenereerde code, echte kosten en beveiligingspositie vergeleken. Dit is wat elk tool daadwerkelijk produceert -- en wanneer AI niet meer genoeg is.

  4. LLM's lokaal draaien in 2026: setup in 5 minuten, elke GPU

    · 22 min leestijd leestijd

    Draai elk LLM in minder dan 5 minuten op je eigen hardware. Deze gids behandelt GPU-vereisten, modelkeuze, Ollama-installatie, Apple MLX, kwantisatie en echte kostenberekening versus cloud-API's.

  5. Betrouwbare JSON van elk LLM: Pydantic + Zod-patronen voor 2026

    · 20 min leestijd leestijd

    Gestructureerde uitvoer is overgegaan van experimenteel naar productiestandaard. Deze gids behandelt constrained decoding, multi-provider implementatie (OpenAI, Anthropic, Gemini), Pydantic en Zod patronen, en de bibliotheken die dit allemaal mogelijk maken.

  6. LLM Function Calling: De complete multi-provider gids [2026]

    · 22 min leestijd leestijd

    Implementeer function calling met OpenAI, Anthropic en Google Gemini aan de hand van dezelfde get_weather tool. Code naast elkaar, parallelle aanroepmethoden, foutafhandeling, beveiligingsbest practices en een beslissingsframework: function calling vs structured outputs vs MCP.

  7. LLM-Evaluatie: Metrics, Frameworks en Wat Echt Werkt in 2026

    · 20 min leestijd leestijd

    De meeste teams die LLM-functies uitleveren hebben geen systematische manier om te weten of hun outputs goed zijn. Deze gids behandelt metrics, methoden, frameworks en pipeline-ontwerp — van buikgevoel-evaluatie naar geautomatiseerd vertrouwen — plus EU AI Act-compliance voor de deadline van augustus 2026.