0521 968 7740Mo–Fr, 8–17 Uhr
Eine Wissensanwendung braucht mehr als einen funktionierenden Modellaufruf. Dokumentänderungen müssen im Vector Store ankommen, Antworten benötigen einen Quellenbezug und Aktionen dürfen nur über freigegebene Funktionen laufen. Im Training entwickelst du dafür einen Spring-Boot-Service, der diese Anforderungen in einer zusammenhängenden Architektur abbildet. Der Einstieg führt über ChatClient, Spring-Boot-Konfiguration und die Adapter unterstützter Modellanbieter. Strukturierte Ausgaben geben der Anwendung einen festen Vertrag: Das Modell liefert Daten für definierte Java-Typen, während Validierung und Fehlerbehandlung ungeeignete Ergebnisse abfangen. Du prüfst dabei auch, welche Fähigkeiten ein Provider tatsächlich bereitstellt und wo eigene Optionen erforderlich sind. Für die RAG-Pipeline werden Dokumente zerlegt, mit Metadaten versehen und als Embeddings in PostgreSQL mit PGVector gespeichert. Die Suche kombiniert Vektorähnlichkeit mit Filtern, damit nur freigegebene Inhalte in den Prompt gelangen. Du verbindest Treffer und Quellenhinweise mit der erzeugten Antwort. Tool-Calling öffnet anschließend einen kontrollierten Weg zu Java-Methoden. Parameterschemas, Zeitlimits und Freigaben begrenzen, welche Aktionen das Modell auslösen darf. Conversation Memory verwaltet getrennte Sitzungen; Advisors ergänzen wiederkehrende Regeln und Kontextbausteine an einer definierten Stelle der Aufrufkette. Aus diesen Elementen entsteht ein Agent mit Schrittlimit und Abbruchbedingungen. Du bewertest die Lösung anhand eines Testdatensatzes und vergleichst Ergebnisse nach Änderungen an Prompt oder Retrieval. Logging mit Korrelations-IDs und verteiltes Tracing verbinden Modellaufruf, Datenbanksuche und Tool-Ausführung zu einem untersuchbaren Ablauf. Das fertige Projekt liefert eine Vorlage für KI-Funktionen, die sich in bestehende Java-Services übernehmen lassen.
