Kursbeschreibung
Zielgruppe
Java-Programmierer, die ihre Microservices mit KI-Funktionalitäten auf das nächste Level bringen wollen.
Voraussetzung für die Schulung
- Gute Java-Kenntnisse: sicherer Umgang mit Java und Spring Boot
- Grundverständnis von Microservice-Architekturen
- Basiswissen zu REST-APIs und Datenbanken
- Erfahrung mit IntelliJ, VS Code, neovim oder einer vergleichbaren IDE
Kursinhalte
Setup und Tooling
- IntelliJ AI-Setup: Dependency Management, Artifact-Repositories
- ChatGPT-Plugin für IntelliJ vs. ChatGPT-Webversion
- IntelliJ AI Assistant vs. Inline-AI-Coding
Einführung & Zielsetzung
- Überblick über zentrale AI-Themen: AI, ML, LLM, NLP, Generative AI, GPTs
- Einsatzmöglichkeiten von KI in der Softwareentwicklung
- Einordnung von LLMs in modernen Enterprise-Anwendungen
LLM-Grundlagen & Einstieg in Spring AI
- Grundlagen von LLMs & Chat-Modellen
- Integration von Spring AI in Spring Boot
- Spring-AI-Setup (BOM, Starter, AutoConfig)
Prompt Engineering & Templates
- Schutz vor Prompt Injection
- Strategien: Few-Shot, Zero-Shot, Chain-of-Thought
- Praktische Einsatzszenarien: Q&A, Pro/Con, StepwiseChain
- Strukturierte Ausgaben mit OutputParser & JSON-Mapping
Advisors API
- Vor- und Nachverarbeitung von Eingaben
- SimpleLoggerAdvisor und Custom Advisor-Beispiele
KI-gestützte Microservices
- Architekturkonzepte mit LLM-Integration
- Spring AI
ChatClientAPI als zentrale Schnittstelle - Unterstützung für Prompt-Komposition,
call(),stream()sowie Rollen (user,system,assistant)
Reaktive KI-Microservices
- Einsatz von Streaming Models mit dem Spring AI
ChatClient - Antworten der KI werden stückweise während der Verarbeitung übertragen
Tool Calling mit Spring AI
- Integration externer Tools via
@Tool - Erweiterung der KI-Funktionalitäten durch Tool-Anbindung
- Ablauf: Modell → Tool-Auswahl → Ergebnisintegration
- Nutzung von realTime APIs
MCP – Model Control Protocol
- Standardisiertes Protokoll für die strukturierte Interaktion von KI-Modellen mit externen Tools & Ressourcen
Integration eigener Daten & APIs
- Grounding und Prompt Stuffing für kontextspezifische Antworten
Retrieval Augmented Generation (RAG)
- Konzept: Daten + Kontext = intelligente Antwort
Embeddings & Datenbanken
- Nutzung der Embeddings API
- Vector-Datenbanken (z. B. Pgvector)
- Document Loaders & ETL-Pipelines
- Chat Memory für kontextbasierte Konversationspersistenz
Entwicklung intelligenter KI-Agenten mit Spring AI
- Einführung in Agentenlogik: Decision Making, Agentic Loop
Agentic Workflows
- ChainWorker, OrchestratorWorker, ParallelWorker
- Effektiver Aufbau von Agenten & modellgesteuerten Workflows
Lokale Modelle
- Einsatz von Ollama & chat4all
- Vorteile: Datenschutz, Kostenoptimierung, Offlinefähigkeit
Testing & Entwicklung
- Arbeiten mit Testcontainers
- Mocking generativer Antworten für verlässliche Tests
