Voor het werken aan mijn Composable Data Stack maak ik voor een groot deel van de ontwikkeling gebruik van AI, tot nu toe vooral met GitHub Copilot. Dat begon op een laptop van ongeveer tien jaar oud; inmiddels werk ik op een Framework-laptop.
Maar ik wil van Copilot af. Niet omdat het slecht werkt, maar omdat ik minder afhankelijk wil zijn van één provider en meer grip wil krijgen op de tools, de modellen en de manier waarop mijn code en context worden gebruikt. Kortom: ik werk toe naar een meer soevereine ontwikkelworkflow.
Lokale AI-modellen waren de eerste stap, maar die waren voor mijn workflow te traag en zetten de laptop flink aan het werk. Daarna ben ik gaan experimenteren met Mistral: eerst via Continue, wat werkte maar niet snel genoeg voelde. Inmiddels werk ik met Mistral Vibe en dat bevalt een stuk beter.
Daarmee is het doel nog niet bereikt, en dat is ook niet de claim. Een externe modelprovider als Mistral brengt zelf afhankelijkheden met zich mee. Dit is een richting waarin ik stap voor stap wil groeien.
Daarbij zoek ik de balans tussen praktisch en principieel. Een lokale oplossing geeft meer controle, maar moet ook vlot genoeg werken om prettig te ontwikkelen. Een online model kan sneller en krachtiger zijn, maar brengt weer andere afhankelijkheden met zich mee. De juiste keuze hangt dus niet alleen af van het model, maar ook van de editor, de agent, de configuratie en de dagelijkse workflow.
Met Mistral Vibe heb ik op dit moment een setup die goed werkt. Nu wil ik verder onderzoeken hoe ik die slimmer kan inrichten voor mijn project: met goede projectinstructies, bruikbare context en een workflow waarin AI helpt zonder de regie over de code over te nemen.
Hoe pakken jullie dit aan? Werken jullie lokaal, met een externe modelprovider of met een combinatie? En welke aanpassingen hebben jullie workflow merkbaar beter gemaakt?
Deel je ervaringen gerust in de reacties.
#OpenSource #AI #Softwareontwikkeling #Mistral #DataEngineering #DigitaleSoevereiniteit