Spring AI: LLM-приложения на Java
О чём курс
Курс Spring AI: LLM-приложения на Java учит подключать языковые модели к Java-приложениям и создавать ассистента с поиском по документам, инструментами, памятью и мониторингом.
Что вы изучите
Работа начинается с простого клиента для общения с моделью. Вы научитесь управлять запросами, преобразовывать ответы в объекты Java, подключать вызов методов Java и сохранять контекст диалога между запросами.
В курсе вы также научитесь:
- Подключать OpenAI, Anthropic, Ollama и другие языковые модели через единый интерфейс Spring AI.
- Проектировать запросы с помощью шаблонов и получать структурированные ответы в виде объектов Java.
- Давать модели доступ к бизнес-логике через вызов инструментов и аннотацию @Tool.
- Строить системы поиска с дополнением ответов: загружать и разбивать документы на фрагменты, создавать векторные представления, использовать векторное хранилище и поиск, генерировать ответы на основе своих данных.
- Подключать внешние серверы по Model Context Protocol — открытому протоколу от Anthropic, который стандартизирует связь языковых моделей с внешними системами.
- Сохранять историю диалогов в памяти модели и применять разные стратегии ограничения её объёма.
- Настраивать наблюдаемость и сбор метрик через Micrometer, Prometheus и Grafana.
- Реализовывать ограничение частоты запросов, фильтрацию персональных данных и защитные ограничения для боевой среды.
- Собирать ассистента с поиском по документам, инструментами, памятью и мониторингом.
Для кого курс
- Java-разработчики, которые хотят добавить возможности искусственного интеллекта в приложения и работать с языковыми моделями на привычном стеке.
- Backend-инженеры экосистемы Spring, которые хотят освоить Spring AI и строить интеллектуальные сервисы без перехода на другие языки.
- Тимлиды и архитекторы, выбирающие подход к внедрению языковых моделей в продукт.
Программа обучения
- Старт: окружение и первое приложение
- HTTP-клиент к LLM.
- Spring AI vs LangChain4j vs SDK.
- Готовим стенд.
- API-ключи OpenAI и Anthropic.
- Ollama локально.
- Знакомство с финальным проектом курса.
- ChatClient: первый разговор с моделью
- ChatClient: builder, fluent API.
- ChatRequest, ChatResponse и метаданные.
- Подключаем OpenAI.
- Подключаем Anthropic Claude.
- Локальный режим.
- Один YAML, три провайдера.
- Streaming через SSE.
- ChatOptions: temperature, top-p, max-tokens.
- Практика: REST API с переключателем моделей.
- Промпты и структурированный вывод
- PromptTemplate: переменные и ST-синтаксис.
- SystemMessage, UserMessage, AssistantMessage.
- Где хранить промпты.
- Structured Output: BeanOutputConverter.
- Коллекции и вложенные объекты.
- JSON Schema и валидация ответа.
- Multi-modal: картинки и PDF.
- Ошибки промптов и как их чинить.
- Практика: парсер вакансий.
- Tool Calling: LLM как часть бизнес-логики
- Что такое tool calling.
- @Tool: декларативное описание инструментов.
- Регистрация: @Bean, builder, программно.
- @ToolParam и JSON-схема параметров.
- ToolContext: пробрасываем контекст.
- Цепочки tool-вызовов.
- Безопасность tool calling.
- Ошибки инструментов.
- Параллельный tool calling.
- Практика: AI-помощник e-commerce.
- Память диалогов: история, которая не теряется
- ChatMemory: интерфейс и реализации.
- InMemoryChatMemory для прототипов.
- JdbcChatMemoryRepository: история в PostgreSQL.
- Альтернативы: Redis и MongoDB.
- Стратегии обрезки истории.
- Multi-tenant память.
- Подсчет токенов и контроль контекста.
- Практика: Telegram-бот с персональной историей.
- RAG: модель отвечает по твоим документам
- Зачем RAG: галлюцинации и ограничения LLM.
- EmbeddingModel: эмбеддинги в Spring AI.
- Локальные vs облачные эмбеддинги.
- VectorStore API: единый интерфейс.
- PgVector: установка, индексы, расстояния.
- Qdrant как альтернатива.
- SimpleVectorStore и Chroma для прототипов.
- DocumentReader: PDF, DOCX, Markdown.
- DocumentTransformer: chunking и overlap.
- Метаданные: фильтрация по тегам и датам.
- QuestionAnswerAdvisor: базовый RAG.
- Продвинутый RAG: rewriting, expansion, reranking.
- RetrievalAugmentationAdvisor и кастомные стратегии.
- Гибридный поиск: vector + BM25.
- Оценка качества RAG.
- Практика: AI-ассистент по документации.
- MCP: Model Context Protocol на Java
- Что такое MCP и зачем он нужен.
- Архитектура MCP: клиент, сервер, транспорты.
- Свой MCP-сервер на Spring Boot.
- @McpTool, @McpResource, @McpPrompt.
- JSON Schema и валидация tool definitions.
- MCP Client: подключаемся к чужим серверам.
- Готовые MCP-серверы: filesystem, Brave, GitHub.
- OAuth2-авторизация для MCP.
- Развертывание: standalone, Kubernetes, sidecar.
- Практика: MCP-сервер для корпоративной БД.
- Production: безопасность, надежность
- Spring AI метрики.
- Distributed tracing: Zipkin, Tempo, Jaeger.
- Логирование промптов.
- Подсчет токенов и стоимости.
- Retry, circuit breaker, fallback.
- Семантический кеш на эмбеддингах.
- Rate limiting: защита бюджета.
- Prompt injection и jailbreaks.
- PII-фильтрация перед отправкой в облако.
- Evals в CI/CD: ловим деградацию.
- Практика: защита для RAG-проекта.
- Финальный проект: AI-ассистент поддержки
- Постановка задачи.
- Архитектура.
- Реализация ядра приложения.
- Тестирование.
- Dockerfile с правильными слоями.
- Docker Compose.
- Деплой на VPS.
- Мониторинг в Grafana.
Запишитесь бесплатно — цена упадёт для всех
У автора этот материал стоит 3 500 ₽. В складчине сумму делят на всех: чем больше участников, тем меньше взнос каждого.
1 Оставляете email Без оплаты и без карты. Пришлём, как занять место в складчине на нашем основном сайте.
2 Складчина набирает людей Сейчас 1 участник и взнос 350 ₽. Ещё 12 человек — и он опустится до 290 ₽.
3 Открывается сбор Присылаем итоговую цену. Устроит — платите и получаете материалы. Нет — просто не платите.
- 350 ₽ 1 уч. сейчас
- 290 ₽ 13 уч. цель
Запись ни к чему не обязывает: платите, только если итоговый взнос вас устроит.
Теги курса
Другие материалы школы 12
stepik Все материалыОтзывов пока нет. Будьте первым!
Этот курс сейчас в процессе организации складчины. Нажмите кнопку «Записаться» и ожидайте старта — вам придёт уведомление. Когда складчина стартует, в карточке курса будет указан актуальный взнос. Текущая цена пока в процессе формирования и может отличаться от финальной.
Да, мы стремимся, чтобы финальный взнос был не больше ≈10% от оригинальной цены курса. Чем больше участников записывается в складчину, тем ниже выходит взнос для каждого.
Нажмите кнопку «Записаться» и авторизуйтесь на сайте через email (через ту же почту, которую будете использовать для входа). В личном кабинете вас будут ждать инструкции, как пригласить других участников — чем больше людей записалось, тем быстрее стартует складчина и тем ниже взнос. Как только складчина готова к приобретению, вам придёт уведомление.