Курс на Stepik
Обложка курса «Spring AI: LLM-приложения на Java» на Stepik
3 500 ₽

Spring AI: LLM-приложения на Java ★ 5.000

Открыть на
STEPIK.ORG

Spring AI — фреймворк для встраивания языковых моделей в Java-приложения. Курс охватывает весь путь: первые запросы к модели, подключение собственных данных через векторный поиск, интеграция с внешними сервисами, сохранение контекста между сообщениями.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Spring AI: LLM-приложения на Java»Учеников на курсе 16
Сертификаты, выданные на курсе «Spring AI: LLM-приложения на Java»Сертификатов выдано 4
Отзывы о курсе «Spring AI: LLM-приложения на Java»Отзывов получено 3
Рейтинг курса «Spring AI: LLM-приложения на Java»Рейтинг курса 5.000
Уроки в курсе «Spring AI: LLM-приложения на Java»Количество уроков 89
Тесты в курсе «Spring AI: LLM-приложения на Java»Количество квизов 829
Время прохождения курса «Spring AI: LLM-приложения на Java»Время прохождения курса —
Стоимость курса «Spring AI: LLM-приложения на Java»Стоимость курса 3 500 ₽ —
Обновления курса «Spring AI: LLM-приложения на Java»Обновления курса — —
Дата публикации курса «Spring AI: LLM-приложения на Java»Дата публикации курса — ———
Последнее обновление курса «Spring AI: LLM-приложения на Java»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Spring AI: LLM-приложения на Java» 11 разделов Уроки в курсе «Spring AI: LLM-приложения на Java» 89 уроков Тесты в курсе «Spring AI: LLM-приложения на Java» 829 тестов Время прохождения курса «Spring AI: LLM-приложения на Java» 2 ч. Последнее обновление курса «Spring AI: LLM-приложения на Java» обн. 23 июня 2026

Введение

1 урок
1. О чем данный курс ↗

Старт: окружение и первое приложение

6 уроков
1. HTTP-клиент к LLM ↗
2. Spring AI vs LangChain4j vs голый SDK ↗
3. Готовим стенд: Java 21, Spring Boot 3.4+, Docker ↗
4. API-ключи OpenAI и Anthropic ↗
5. Ollama локально ↗
6. Знакомство с финальным проектом курса ↗

ChatClient: первый разговор с моделью

9 уроков
1. ChatClient: builder, fluent API ↗
2. ChatRequest, ChatResponse и метаданные ↗
3. Подключаем OpenAI ↗
4. Подключаем Anthropic Claude ↗
5. Локальный режим: ChatClient поверх Ollama ↗
6. Один YAML, три провайдера ↗
7. Streaming через SSE ↗
8. ChatOptions: temperature, top-p, max-tokens ↗
9. Практика: REST API с переключателем моделей ↗

Промпты и структурированный вывод

9 уроков
1. PromptTemplate: переменные и ST-синтаксис ↗
2. SystemMessage, UserMessage, AssistantMessage ↗
3. Где хранить промпты ↗
4. Structured Output: BeanOutputConverter ↗
5. entity(): коллекции и вложенные объекты ↗
6. JSON Schema и валидация ответа ↗
7. Multi-modal: картинки и PDF ↗
8. Ошибки промптов и как их чинить ↗
9. Практика: парсер вакансий ↗

Tool Calling: LLM как часть бизнес-логики

10 уроков
1. Что такое tool calling ↗
2. @Tool: декларативное описание инструментов ↗
3. Регистрация: @Bean, builder, программно ↗
4. @ToolParam и JSON-схема параметров ↗
5. ToolContext: пробрасываем контекст ↗
6. Цепочки tool-вызовов ↗
7. Безопасность tool calling ↗
8. Ошибки инструментов ↗
9. Параллельный tool calling ↗
10. Практика: AI-помощник e-commerce ↗

Память диалогов: история, которая не теряется

8 уроков
1. ChatMemory: интерфейс и реализации ↗
2. InMemoryChatMemory для прототипов ↗
3. JdbcChatMemoryRepository: история в PostgreSQL ↗
4. Альтернативы: Redis и MongoDB ↗
5. Стратегии обрезки истории ↗
6. Multi-tenant память ↗
7. Подсчёт токенов и контроль контекста ↗
8. Практика: Telegram-бот с персональной историей ↗

RAG: модель отвечает по твоим документам

16 уроков
1. Зачем RAG: галлюцинации и ограничения LLM ↗
2. EmbeddingModel: эмбеддинги в Spring AI ↗
3. Локальные vs облачные эмбеддинги ↗
4. VectorStore API: единый интерфейс ↗
5. PgVector: установка, индексы, расстояния ↗
6. Qdrant как альтернатива ↗
7. SimpleVectorStore и Chroma для прототипов ↗
8. DocumentReader: PDF, DOCX, Markdown ↗
9. DocumentTransformer: chunking и overlap ↗
10. Метаданные: фильтрация по тегам и датам ↗
11. QuestionAnswerAdvisor: базовый RAG ↗
12. Продвинутый RAG: rewriting, expansion, reranking ↗
13. RetrievalAugmentationAdvisor и кастомные стратегии ↗
14. Гибридный поиск: vector + BM25 ↗
15. Оценка качества RAG ↗
16. Практика: AI-ассистент по документации ↗

MCP: Model Context Protocol на Java

10 уроков
1. Что такое MCP и зачем он нужен ↗
2. Архитектура MCP: клиент, сервер, транспорты ↗
3. Свой MCP-сервер на Spring Boot ↗
4. @McpTool, @McpResource, @McpPrompt ↗
5. JSON Schema и валидация tool definitions ↗
6. MCP Client: подключаемся к чужим серверам ↗
7. Готовые MCP-серверы: filesystem, Brave, GitHub ↗
8. OAuth2-авторизация для MCP ↗
9. Развёртывание: standalone, Kubernetes, sidecar ↗
10. Практика: MCP-сервер для корпоративной БД ↗

Production: observability, безопасность, надёжность

11 уроков
1. Micrometer + Spring AI метрики ↗
2. Distributed tracing: Zipkin, Tempo, Jaeger ↗
3. Логирование промптов: 152-ФЗ и GDPR ↗
4. Подсчёт токенов и стоимости ↗
5. Retry, circuit breaker, fallback ↗
6. Семантический кэш на эмбеддингах ↗
7. Rate limiting: защита бюджета ↗
8. Prompt injection и jailbreaks ↗
9. PII-фильтрация перед отправкой в облако ↗
10. Evals в CI/CD: ловим деградацию ↗
11. Практика: observability и защита для RAG-проекта ↗

Финальный проект: AI-ассистент поддержки

8 уроков
1. Постановка задачи ↗
2. Архитектура: Spring AI + RAG + Tools + MCP + Memory ↗
3. Реализация ядра приложения ↗
4. Тестирование: unit, integration, e2e ↗
5. Dockerfile с правильными слоями ↗
6. docker-compose: приложение + PgVector + Ollama ↗
7. Деплой на VPS или в облако ↗
8. Мониторинг в Grafana ↗

Заключение

1 урок
1. Куда двигаться дальше ↗