Cases

Uitdaging: Onderzoek over een groot aantal YouTube-kanalen levert precies het soort data waar tekstantwoorden slecht mee omgaan — ranglijsten, vergelijkingen, publicatiefrequenties, fragmenten uit transcripties. Een assistent kan het allemaal ophalen, maar de resultaten als lopende tekst teruglezen is trager dan het handwerk dat het verving. De bottleneck was nooit het ophalen. Het was de beoordeling.

Oplossing: Een productie-MCP server op de officiële TypeScript SDK, met 31 tools voor kanaalanalyse, videozoekopdrachten, transcriptie-extractie en keyword-indexering, met Supabase-persistentie zodat resultaten zich opbouwen in plaats van steeds opnieuw opgehaald te worden.

Het onderscheidende deel is de interface. Zeven tools declareren MCP Apps Views — HTML-interfaces die als ui:// resources geserveerd worden en via _meta op de tool-listing aangekondigd worden, zodat de AI-client het resultaat inline rendert in plaats van beschrijft. Analytics, zoekresultaten, kanaalvergelijkingen en transcripties met tijdcodes krijgen elk een eigen view in plaats van een alinea.

Belangrijkste onderdelen:

• 31 tools voor kanaalanalyse, zoeken, transcripties en keyword-indexering
• Zeven interactieve MCP Apps Views, geserveerd als ui:// resources
• Gedeelde kern achter zowel een MCP server als een losse CLI — scriptbaar zonder AI-client
• Supabase-persistentie, foutrapportage en uitsluitingslijsten voor kanalen
• Eigen host-harness en geautomatiseerde test voor de UI-build, zodat views gecontroleerd worden en niet alleen bekeken

Resultaten:

• Draait in productie op mijn eigen contentonderzoek, geen demonstrator — 50+ commits en actief onderhouden
• Draait op meerdere MCP-clients — dezelfde server is geregistreerd en actief in zowel Claude als Goose, waarmee de portabiliteitsbelofte van het protocol daadwerkelijk getoetst is
• Vergelijkende resultaten lees je, in plaats van ontcijfert — ranglijsten en kanaalvergelijkingen komen als tabel binnen en niet als alinea, en dat is precies het punt van de View-laag
• Het patroon is algemeen bruikbaar — hetzelfde View-mechanisme kan een voorgestelde wijziging als beoordeelbare diff renderen, en zo zou je een assistent veilig laten handelen op bedrijfsdata

Technologieën: TypeScript, Model Context Protocol, MCP Apps (ext-apps), Supabase, YouTube Data API, Vite

Uitdaging: AI-assistenten hadden geen directe integratie met Gamma, een populair presentatieplatform. Gebruikers moesten handmatig content kopieren tussen tools, wat hun workflow brak en productiviteit verminderde.

Oplossing: Een vroege open source MCP server genomen en uitgebouwd tot iets productiewaardigs, dat AI-assistenten (Claude Desktop, Cursor, etc.) rechtstreeks verbindt met de Gamma API, zodat AI presentaties programmatisch kan maken, bijwerken en beheren. 17 van de 21 commits in de repository zijn van mij.

Belangrijkste onderdelen:

• Nieuwe presentaties maken met AI-gegenereerde content
• Bestaande slides programmatisch bijwerken
• Presentatiedata doorzoeken en ophalen
• Volledige TypeScript-implementatie met grondige foutafhandeling
• Complete documentatie en gebruiksvoorbeelden

Resultaten:

• Ingezet in echt klantwerk — dezelfde Gamma-integratie leverde een executive deck van 15 slides en een uitgebreid intelligence-rapport op voor het bedrijfs- en sectoronderzoek van een consultancy, rechtstreeks gegenereerd uit de analysedocumenten
• Open source op GitHub in een eigen fork, ten goede van de bredere MCP-community
• Presentaties genereren werd een tool call — geen content meer kopiëren tussen assistent en deck
• Een herbruikbaar patroon om eender welke commerciële REST API als nette MCP-tools te ontsluiten, met degelijke credential-afhandeling

Technologieën: TypeScript, Model Context Protocol, Gamma API, npm packaging

Bekijk op GitHub →

Uitdaging: Ontwikkelaars worstelden met het kiezen tussen snel evoluerende AI-tools, frameworks en diensten. Informatie verspreid over blogposts, documentatie en marketingmateriaal maakte objectieve vergelijking moeilijk.

Oplossing: Een samengesteld vergelijkingskader gemaakt dat AI-tools, coding assistants en development frameworks documenteert. Gestructureerde tabellen maken vergelijking naast elkaar mogelijk met objectieve criteria.

Belangrijkste onderdelen:

• Vergelijkingen naast elkaar van de grote AI coding assistants
• Evaluaties van frameworks (CrewAI, LangChain, AutoGen, enzovoort)
• Regelmatig bijgewerkt naarmate tools evolueren
• Community-gedreven, met richtlijnen voor bijdragen
• Markdown-formaat, dus makkelijk bij te werken en te versioneren

Resultaten:

• 809 commits en nog steeds onderhouden — bijgewerkt tot in 2026 naarmate het tooling-landschap verschuift
• MIT-gelicentieerd en open voor bijdragen, met gepubliceerde contribution guidelines
• Helpt ontwikkelaars weloverwogen beslissingen te nemen op basis van objectieve criteria in plaats van marketing van leveranciers

Technologieën: Markdown, documentatie, GitHub

Bekijk op GitHub →