Inhalt
0. Setup und Tooling
- IntelliJ AI-Setup: Dependency Management, Artifact-Repositories
- ChatGPT-Plugin für IntelliJ vs. ChatGPT-Webversion
- IntelliJ AI Assistant vs. Inline-AI-Coding
1. Einführung & Zielsetzung
- AI-Themen: AI, ML, LLM, NLP, Generative AI, GPTs
- Einsatz von AI in der Softwareentwicklung
- Einordnung von LLMs in Enterprise-Anwendungen
2. LLM-Grundlagen & Spring AI Einstieg
- Überblick über LLMs & Chat-Modelle
- Einstieg in Spring AI, Integration in Spring Boot
- Spring-AI-Setup (BOM, Starter, AutoConfig)
3. Prompt Engineering & Prompt Templates
- Verstehen von Prompt Injection,
- Few-Shot, Zero-Shot, Chain-of-Thought,
- Prompt-Strategien: Q&A, Pro/Con, StepwiseChain
- Structured Output: OutputParser, JSON-Mapping,
4. Advisors API zur Vor- und Nachverarbeitung,
SimpleLoggerAdvisor, und Custom Advisor Sample
5. AI-gestützte Microservices
- Microservice-Architekturen mit LLM-Integration
- Spring AI `ChatClient` API als zentrale Schnittstelle
→ Unterstützung von Prompt-Komposition, `call()`,
`stream()`, Rollen (`user`, `system`, `assistant`)
6. AI-gestützte reaktive Microservices
- Spring AI `ChatClient`: Streaming Model: Statt einer vollständigen Antwort nach
Verarbeitungsende wird hier die Botschaft der KI stückchenweise übertragen.
7. Tool Calling mit Spring AI
- Tool-Integration mit `@Tool`,
- Allowing AI applications to augment their capabilities
- Ablauf: Modell → Tool-Auswahl → Ergebnis Integration
- integrate realTime API
8. MCP – Model Control Protocol
- The Model Context Protocol (MCP) is a standardized protocol that enables AI models
to interact with external tools and resources in a structured way.
9. Integration eigener Daten & APIs: Grounding, Prompt Stuffing
10. RAG – Retrieval Augmented Generation
- Konzept: Daten + Kontext → intelligente Antwort
11 - Embeddings API
- Vector Databases (Pgvector),
- Document Loaders & ETL Pipelines
- Chat Memory zur Konversationspersistenz
12. Entwicklung intelligenter, handlungsfähiger KI-Agenten mit Spring AI
- Einführung in Agentenlogik: Decision Making, Agentic Loop
13. Agentic Workflows:
- ChainWorker,
- OrchestratorWorker,
- ParallelWorker,
Effektive Agenten bauen, Modellgesteuerte Workflows,
14. Verwendung lokaler Modelle (Ollama, chat4all)
- Vorteile: Datenschutz, Kosten, Offlinefähigkeit
15. Testing & Entwicklung
- Testcontainers & Mocking generativer Antworten