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

• 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
  • Antwortübertragung in Echtzeit

• Tool Calling mit Spring AI
  • Tool-Integration mit @Tool
  • Ablauf: Modell -> Tool-Auswahl -> Ergebnis-Integration
  • Integration von realTime APIs

• MCP - Model Control Protocol
  • Standardisierter Zugriff auf externe Tools und Ressourcen
  • Strukturierter Einsatz in komplexen KI-Anwendungen

• Integration eigener Daten & APIs
  • Grounding und Prompt Stuffing zur Datenanreicherung

• RAG - Retrieval Augmented Generation
  • Konzept: Daten + Kontext -> intelligente Antwortgenerierung

• Embeddings API
  • Vektor-Datenbanken mit Pgvector
  • Document Loader und ETL Pipelines
  • Konversationsspeicherung mit Chat Memory

• Entwicklung intelligenter, handlungsfähiger KI-Agenten mit Spring AI
  • Einführung in Agentenlogik: Decision Making, Agentic Loop

• Agentic Workflows
  • ChainWorker, OrchestratorWorker, ParallelWorker
  • Modellgesteuerte Workflows und effektive Agenten

• Verwendung lokaler Modelle (Ollama, chat4all)
  • Vorteile lokaler Modelle: Datenschutz, Kostenkontrolle, Offlinefähigkeit

• Testing & Entwicklung
  • Testcontainers und Mocking generativer Antworten

LernzieleNach diesem Seminar beherrschen Sie die Konzepte und Techniken zur Integration von LLMs in Java-Microservices mit Spring AI und LangChain4j. Sie entwickeln eigene KI-gestützte Microservices, binden externe Datenquellen ein, nutzen Prompt Engineering gezielt und bauen Agenten-Workflows auf. Sie verstehen sowohl den konzeptionellen Hintergrund als auch die konkrete Implementierung und sind in der Lage, KI-Funktionen sicher und effektiv in produktive Anwendungen zu überführen.ZielgruppenDas Seminar richtet sich an Java-Entwicklerinnen und Entwickler, Softwarearchitekten sowie technische Projektleiter, die generative KI in moderne Microservice-Architekturen integrieren möchten. Besonders angesprochen sind Teams aus dem Backend-Bereich, die auf Spring Boot setzen und Interesse an zukunftsorientierten Technologien wie LLMs, Vektor-Datenbanken oder agentengestützten Systemen haben.Teilnahmevoraussetzungen:Sie benötigen Grundkenntnisse im Umgang mit Netzwerken.Sie haben Erfahrung mit Java und Spring Boot.Sie bringen idealerweise erste Berührungspunkte mit Microservice-Architekturen mit.Ein grundlegendes Verständnis von REST APIs und JSON-Formaten ist hilfreich.Kenntnisse zu IntelliJ IDEA und Build-Tools wie Maven oder Gradle werden vorausgesetzt.