Token zählen und Kosten schätzen beim Aufrufen von LLMs in Java
Lokal Token mit JTokkit zählen, Kosten mit BigDecimal berechnen, Anfragen mit Budgetüberschreitung blockieren und mit dem tatsächlichen Verbrauch von Spring AI abgleichen.
Streaming-Antworten von LLM APIs mit Java 21 und Spring Boot
Tokens von LLM APIs über Server-Sent Events mit HttpClient und WebClient empfangen, an den Browser streamen und dabei Fehler, Timeouts und Tests handhaben.
Function calling / tool use anhand praktischer Beispiele mit Spring AI
Verstehe, wie LLMs Funktionen deiner Anwendung aufrufen – von rohes JSON bis zur @Tool-Annotation in Spring AI. Der Artikel enthält praktische Beispiele zum Abfragen von Bestellungen, zum Stornieren und zum Testen ohne echte Model-Aufrufe.
Structured Output: LLM-JSON mit korrektem Schema in Spring AI
LLMs zwingen, JSON mit passendem Schema in Spring Boot zurückzugeben: Mapping in Records mit Spring AI, natives JSON Schema aktivieren, validieren, Retry implementieren und Tests schreiben.
Prompt Engineering: Techniken zum sofort Anwenden
Praktische Prompt-Engineering-Techniken wie System Prompt, Delimiter, Few-Shot, strukturierte Ausgabe und Temperatur, mit Beispielen in Spring AI.
Embedding-Modelle mit sentence-transformers ausführen
Erstelle Vector-Embeddings mit sentence-transformers, berechne Ähnlichkeiten, führe semantische Suche durch und rufe Modelle aus Spring-Boot-Anwendungen auf.
LLM-API aufrufen: temperature, top_p und max_tokens
Verstehen Sie, wie temperature, top_p und max_tokens die LLM-Ausgabe steuern, und konfigurieren Sie diese richtig mit Spring AI in Spring-Boot-3-Anwendungen.
MCP tool, resource und prompt – wie unterscheiden sie sich
Unterscheide die MCP-Primitives tool, resource und prompt nach ihrer Kontrolle, mit Spring-AI-Beispielen und Tests für jeden Typ.
RAG von A bis Z: Dokumente abrufen, dann antworten
Erstelle eine komplette RAG-Pipeline mit Spring AI: Dokumente aufteilen, Embeddings erstellen, Vektorsuche durchführen, Prompts mit Quellenangaben zusammenstellen und Tests für jeden Schritt schreiben.
Was ist ein AI Agent: die Beobachten – Reasoning – Handeln Schleife
Verstehen Sie die Natur von AI Agents durch die Beobachten – Reasoning – Handeln Schleife, implementieren Sie einen minimalen Agent in Java 21 und testen Sie ihn mit JUnit 5.
Wie LLMs funktionieren: Token, Context Window und Sampling
Verstehen Sie die drei grundlegenden Konzepte von LLMs – Token, Context Window und Sampling – mit Java-21-Code zum Zählen von Tokens, Trimmen des Chat-Verlaufs und Implementieren von Temperature, Top-k und Top-p.
AI-Stack kostenlos: Detaillierte Erklärung mit Beispielen
Analyse einer produktionsreifen AI-Architektur, die mit 0€ Kosten läuft, von Frontend über RAG und lokalem LLM bis Deployment, mit praktischen Code-Beispielen.
Top AI Repo GitHub 2026: Detaillierte Erklärung mit Agent-Beispiel
Analyse der Architekturmuster hinter den heißesten AI-Agent-Repos auf GitHub 2026, mit Beispiel für den Bau eines Tool-Calling Agents in Java/Spring Boot.
Was ist ein AI Agent? Detaillierte Erklärung mit Java-Beispielen
Definition von AI Agent, Unterschied zu gewöhnlichen Chatbots, Erklärung der ReAct-Schleife und Bau eines minimalen Agent mit Java und Spring AI.
5 Pattern für KI-Agenten - detaillierte Erklärung mit Java-Beispielen
Lernen Sie 5 gängige Muster beim Aufbau von KI-Agenten - Reflection, Tool Use, Planning, Multi-Agent, ReAct - mit ausführbaren Java/Spring-AI-Beispielen.
Fine-Tune kleiner Modelle mit Hugging Face Trainer
Anleitung zum Fine-Tuning eines kleinen Modells (DistilBERT) für die Klassifizierung von Produktbewertungen mit der Trainer API von Hugging Face, von der Datenvorbereitung bis zur Inferenz.
GPT-Live: Echtzeit-Sprachdialog — Architektur und Java-Integration
Erklärung der Full-Duplex-Architektur (simultanes Hören und Sprechen) von Echtzeit-LLM-Modellen mit WebSocket-Integrations-Beispiel in Spring Boot.
Hugging Face Datasets Library: Laden und Verarbeiten von Daten
Anleitung zum Verwenden der Datasets-Bibliothek von Hugging Face zum Laden, Erkunden, Transformieren und Speichern von Datensätzen für das NLP-Modelltraining.
LLMs brauchen Beweis, um richtig zu antworten: RAG erklärt mit Beispielen
LLMs kennen die internen Daten deines Unternehmens nicht. Dieser Artikel erklärt den RAG-Mechanismus, warum Retrieval die Qualität bestimmt, mit funktionierendem Java-Beispiel.
MCP (Model Context Protocol) – Was ist das? Erklärung für Java
Entdecke MCP – den Standard zur Kommunikation zwischen LLM und externen Daten/Tools, mit Beispiel zum Schreiben eines MCP-Servers mit Spring AI.