Produktionsklare systemer og det fulde overblik. RAG, evaluering, omkostninger, sikkerhed og agenter, der kører over længere tid.
36 resultater
Intet matcher disse filtrePrøv en anden kategori eller et andet niveau, eller fjern filtrene for at se alt.
9 min læsningAfgør, om DGX Spark passer til din plan for private agenter, ud fra NVIDIAs angivne funktionalitet, din driftskapacitet og datagrænse, ikke markedsføringsslogans.
8 min læsningDesign en realistisk inferensvej på én Spark-node med hukommelsesbudget, softwarestak, fejltilstande og udtrykkelige kriterier for at bevare cloud som reserveløsning.
8 min læsningForbind to DGX Spark-enheder via NVIDIAs dokumenterede QSFP/ConnectX-7-vej, verificér SSH- og RoCE-parathed, og lær at rulle netværksændringer sikkert tilbage.
10 min læsningPlanlæg en evaluering af NemoClaw på DGX Spark, forstå den aktuelle opsætning og politiklagene, og definér den dokumentation for udførelse, der kræves, før rigtige data eller adgangsoplysninger bruges.
10 min læsningEvaluér, om den eksperimentelle vej til servering af DeepSeek-V4-Flash på to Sparks er levedygtig, før du designer arbejdsgange med n8n og Hermes omkring den.
12 min læsningOpsæt en portabel arbejdsgang med Codex, Claude Code og Cursor, hvor design, gennemgang og implementering overdrages gennem Markdown-aftaler og CLI-kørsler.
15 min læsningOpsæt en Linear-baseret udviklingsarbejdsgang med flere agenter, hvor Claude, Cursor og Codex overtager opgaver, arbejder parallelt, gennemgår hinandens arbejde og afslutter det med et revisionsspor.
11 min læsningDesign en sikker pipeline til dokumentindlæsning i RAG med tilladelsesmetadata, kontrol af OCR-kvalitet, kilders aktualitet, opbevaringsregler, sletteadfærd og test af indlæsningen.
10 min læsningOpret et register over fejltilstande i AI-produktion med kontroller for hallucinationer, forældet kontekst, prompt injection, usikker værktøjsbrug og svage fallbacks.
10 min læsningDesign en RAG til virksomhedsviden med tilladelsesbevidst hentning, kildeejerskab, kontrol mod datalæk og sikker afvisningsadfærd.
9 min læsningAfgør, hvornår du skal købe, konfigurere, udvide eller selv udvikle et AI-system ud fra tilpasning til arbejdsgangen, datakontrol, omkostninger, funktionalitet og strategisk værdi.
9 min læsningMål indførelsen af AI ved hjælp af arbejdsgangens ROI, kvalitet, risikokontroller og modenhedsniveauer i stedet for overfladiske målinger af værktøjsbrug.
9 min læsningOpret et praktisk AI-styringsgrundlag for en SMV, der bruger AI-værktøjer, automatiseringer eller kundevendte systemer i EU.
9 min læsningAfgør, om en stemmeagent passer til et kundeforløb, og design den første udrulning med oplysning, eskalering, test og overvågning.
10 min læsningVælg et udrulningsmønster for privat AI ud fra datafølsomhed, funktionsbehov, omkostninger, latenstid og driftskapacitet.
9 min læsningDesign et repository-bevidst AI-udviklingsworkflow, der øger leveringshastigheden uden at svække review, sikkerhed, test eller ejerskab.
13 min læsningEn praktiserende arkitekts blik på LLM-stacken i 2026 — modelniveauer, inferensudbydere, orkestreringslag, evalueringsværktøjer og de afvejninger, der faktisk betyder noget, når AI sættes i produktion.
13 min læsningStrukturerede output og funktionskald er broen fra 'LLM, der genererer tekst' til 'system, der udfører arbejde'. I produktion handler de vigtige mønstre om skemaer, fejlhåndtering, idempotens og kontrolleret forringelse — ikke kun JSON-tilstand.
12 min læsningAdskil system-, udvikler- og brugerinstruktioner, og test produktionsprompts som versionerede systemkomponenter.
13 min læsningDe fleste evalueringssuiter ser imponerende ud, men overser reelle regressioner. Det kræver omhyggelig opbygning af datasæt, følsomme målinger, kalibrering af dommermodeller og en kultur præget af tillid at bygge evalueringer, der opdager det væsentlige. Her er mønstrene fra de teams, der lykkes med det.
12 min læsningUdvid almindelig observerbarhed med flertrinsspor, henførbare omkostninger, prompt- og modelversioner, evaluerede kvalitetssignaler, databeskyttelseskontroller og advarsler baseret på arbejdsbelastningen.
14 min læsningAt bygge en produktionsklar Model Context Protocol-server kræver mere end at forbinde nogle få værktøjer. Her er mønstrene for skemadesign, godkendelse, fejlhåndtering, streaming og observabilitet samt de praktiske produktionsforhold, der gør MCP-servere nyttige i stor skala.
12 min læsningDe fleste MCP-værktøjer, vi ser, er teknisk korrekte, men praktisk talt ubrugelige. LLM'er ignorerer dem, bruger dem forkert eller foretager unødvendige kald. Her er principperne for at designe værktøjer, som LLM'er tager naturligt i brug, med eksempler på almindelige fejl og løsninger.
12 min læsningEn produktionsklar RAG-pipeline består af seks faser, hvor konkrete mønstre afgør kvaliteten. Her er arkitekturen, valgene i hver fase og den iterative evalueringsdisciplin, der adskiller velfungerende RAG fra skuffende løsninger.
12 min læsningKlassisk chunk-baseret RAG har begrænsninger. Graph RAG, agentisk RAG og RAG med lang kontekst overskrider dem på forskellige måder. Her ser vi på, hvornår hver variant er det rette værktøj, hvordan den faktisk fungerer, og hvilke afvejninger der betyder noget i produktion.
12 min læsningPrompting, RAG og finjustering er de tre store greb til at tilpasse LLM'er til dit problem. De passer hver især til nogle problemer og ikke til andre. Her er en ramme for valget, de realistiske omkostninger og de produktionsmønstre, hvor kombinationen virker bedst.
13 min læsningAfgør, om parametereffektiv finjustering er berettiget, styr dataene, fastlås et reproducerbart eksperiment, sammenlign resultater på et adskilt testsæt og i sikkerhedstests, og mål modeldriften før idriftsættelse.
13 min læsningDen mest almindelige fejl for produktionsagenter er uendelige eller næsten uendelige løkker — agenter, der prøver igen, forgrener sig og bruger tokens uden at gøre fremskridt. Her er de arkitekturmønstre, der forhindrer det og skaber agenter, som afslutter selv svære opgaver.
11 min læsningLandskabet for agentframeworks er i 2026 mere modent, men ikke mere overskueligt. LangGraph, CrewAI, Pydantic AI, OpenAI Agents SDK og direkte API passer hver til nogle teams og projekter, men ingen passer til alle. Her får du en ærlig sammenligning og en beslutningsramme.
12 min læsningDer findes kontekstvinduer på 1M tokens, men kvaliteten forringes længe før grænsen nås. Kontekstengineering er disciplinen i at bruge kontekstvinduer effektivt — hvad der skal medtages, hvad der skal sammenfattes, hvad der skal hentes på ny, og hvilke mønstre der holder kvaliteten høj, når konteksten vokser.
12 min læsningAgenter med langvarige forløb kræver et persistensdesign med en tydelig ejer: dokumenteret oprindelse, bekræftelse, isolering mellem lejere, test af søgning, regler for opbevaring, rettelse og verificerbar sletning.
12 min læsningComputerstyring og browseragenter skaber virale demoer. Produktionsklare implementeringer i stor skala ser anderledes ud — afgrænset omfang, stærke sikkerhedsforanstaltninger og fokus på brugeroplevelsen. Her er de mønstre, der virker, de fejl, vi fortsat ser, og den reelle økonomi.
14 min læsningUdarbejd en trusselsmodel for en LLM-arbejdsgang, og tilføj konkrete kontroller for indhold, der ikke er tillid til, hentning, værktøjskald, autorisation, overvågning og hændelseshåndtering.
12 min læsningByg en sporingsbaseret omkostningsmodel for inferens, optimér de største målte omkostningsposter, og dokumentér, at hver ændring bevarer opgavekvaliteten.
11 min læsningHvornår slår selvhosting API-kald? Beregningerne, de praktiske driftsforhold og de mønstre, der adskiller teams, der bør selvhoste, fra dem, der bør fortsætte med at betale for administreret inferens.
13 min læsningKortlæg fordelingen af modelanvendelse, bidragsmargin, fejlhåndtering, support og kundefastholdelse før prisfastsættelsen. Dette ark erstatter udokumenterede markedsintervaller med efterprøvelige input.
