API

AWS Kinesis har blivit en grundsten för att bygga moderna händelsestyda mikrotjänstarkitekturer, vilket möjliggör realtidsbehandling av data i stor skala med minimal driftsöverhead.

Mönstret Backend for Frontend (BFF) i kombination med GraphQL och Apollo Server skapar en kraftfull arkitektur för moderna webbapplikationer.

Elasticsearch är en kraftfull distribuerad sökmotor och analysmotor byggd på Apache Lucene. Denna omfattande snabbreferens täcker grundläggande kommandon, bästa praxis och snabba referenser för att arbeta med Elasticsearch-kluster.

Model Context Protocol (MCP) revolutionerar hur AI-assistenter interagerar med externa datorkällor och verktyg. I den här guiden kommer vi att utforska hur man bygger MCP servrar i Python, med exempel som fokuserar på webbsökning och skrapning.

Docker Model Runner (DMR) är Docks officiella lösning för att köra AI-modeller lokalt, introducerad i april 2025. Den här snabbreferensen ger en översikt över alla viktiga kommandon, konfigurationer och bästa praxis.

Körning av stora språkmodeller (LLMs) lokalt har blivit alltmer populärt för integritet, kostnadskontroll och offline-funktioner. Landskapet förändrades betydligt i april 2025 när Docker introducerade Docker Model Runner (DMR), deras officiella lösning för AI-modelldistribution.

Här har vi ett Python Lambda-exempel på SQS-meddelandehantering + REST API med API-nyckelskydd + Terraform-skript för att distribuera det för serverlös körning.

I det här inlägget kommer vi att utforska två sätt att ansluta din Python-applikation till Ollama: 1. Via HTTP REST API; 2. Via det officiella Ollama Python-biblioteket.

Här är en sida vid sida jämförelse av stöd för strukturerad utdata (att få tillförlitligt JSON tillbaka) över populära LLM-leverantörer (https://www.glukhov.org/sv/post/2025/10/structured-output-comparison-popular-llm-providers/ “strukturerad utdata över populära LLM-leverantörer”), plus minimala Python exempel