Java-Microservices mit KI-Power: Coding mit Spring AI & LangChain4j – JMKIP

In diesem Training lernen Sie, KI-Modelle direkt in Microservices mit Spring AI & LangChain4j zu integrieren und gestalten so intelligente, kontextbezogene Fachanwendungen.

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

  • Java Programmierer*innen
Nicht verfügbar

Was werden Sie in diesem Training erlernen?

In diesem Training lernen die Teilnehmer*innen, AI / KI in Microservices zu integrieren und AI / KI Schnittstellen mit Spring AI und LangChain4j effizient in der Praxis einzusetzen. 

Agenda

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
AI-Themen: AI, ML, LLM, NLP, Generative AI, GPTs
Einsatz von AI in der Softwareentwicklung
Einordnung von LLMs in Enterprise-Anwendungen
LLM-Grundlagen & Spring AI Einstieg
Überblick über LLMs & Chat-Modelle
Einstieg in Spring AI, Integration in Spring Boot
Spring-AI-Setup (BOM, Starter, AutoConfig)
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,
Advisors API zur Vor- und Nachverarbeitung,
SimpleLoggerAdvisor, und Custom Advisor Sample
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`)
AI-gestützte reaktive Microservices
Spring AI `ChatClient`: Streaming Model: Statt einer vollständigen Antwort nach
Verarbeitungsende wird hier die Botschaft der KI stückchenweise übertragen.
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
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.
Integration eigener Daten & APIs: Grounding, Prompt Stuffing
RAG – Retrieval Augmented Generation
Konzept: Daten + Kontext → intelligente Antwort
Embeddings API
Vector Databases (Pgvector),
Document Loaders & ETL Pipelines
Chat Memory zur Konversationspersistenz
Entwicklung intelligenter, handlungsfähiger KI-Agenten mit Spring AI
Einführung in Agentenlogik: Decision Making, Agentic Loop
Agentic Workflows:
ChainWorker
OrchestratorWorker
ParallelWorker
Effektive Agenten bauen, Modellgesteuerte Workflows
Verwendung lokaler Modelle (Ollama, chat4all)
Vorteile: Datenschutz, Kosten, Offlinefähigkeit
Testing & Entwicklung
Testcontainers & Mocking generativer Antworten

Dein Training im Überblick

Dauer 3 Tage
Trainingssprache Deutsch
Nicht verfügbar

1.790,00 €

Startdatum und Ort wählen

Terminübersicht