Microsoft vereinigt Semantic Kernel und AutoGen zu einem einheitlichen AI-Agent-Framework. Dieser Artikel erklärt die Architektur, Funktionsweise und praktische Beispiele mit Java/Spring AI.
Wenn sich Quelldokumente ändern, ist direktes Überschreiben im Vector Store fehleranfällig. Der Artikel zeigt einen sicheren Versionierungsprozess für RAG.
Anleitung zum Erstellen eines minimalen MCP servers mit Java 21, dem Registrieren eines ersten Tools und der Verbindung mit einem Client wie Claude Desktop.
Flat Search in RAG läuft in O(n) und ist absolut präzise, aber teuer bei großen Daten. Der Artikel erklärt IVF, nprobe und das Trade-off zwischen Recall und Geschwindigkeit anhand von Java-Beispielen.
Übersicht der 12 grundlegenden AI-Paper der modernen KI — von AlexNet bis RAG — mit Java-Code zur Veranschaulichung jeder Kernidee.
Übersicht über 12 Kernfunktionen von Claude Code – von CLAUDE.md, Plan Mode bis Subagents – mit praktischen Beispielen in einem Spring-Boot-Projekt.
Verstehen Sie, wie LLMs während der Inference Token für Token generieren, sowie Optimierungstechniken wie KV Cache, Batching, Quantization und Leistungsmessung mit Java/Spring Boot.
Erfahre, wie Embedding Text in Vektoren umwandelt, um semantische Übereinstimmung zu finden, angewendet auf RAG mit lauffähigen Java-Beispielen.
Anleitung zum Finden geeigneter Modelle auf Hugging Face Hub, zum Lesen von Modellkarten und zum Aufrufen von Modellen sowohl aus Python als auch aus einer Spring-Boot-Anwendung.
Vergleich von MCP, RAG und AI Agent durch Definitionen, Architektur und konkrete Java-Code-Beispiele, um zu wissen, wann man was einsetzt.
Praktischer Leitfaden zur Verwendung von LLM um Zeit beim Schreiben von Code, Tests und Dokumentation in Spring Boot zu sparen, mit funktionsfähigen Beispielen.
Erfahren Sie, wie Hugging-Face-Tokenizer funktionieren, wie Sie diese über DJL in Spring-Boot-Anwendungen integrieren, mit praktischen Encode-/Decode-Beispielen und Tests.
Zusammenfassung von 20 Grundkonzepten für die Arbeit mit LLMs — Token, Embedding, RAG, Fine-Tuning, Agent... mit verständlichen Java/Spring-AI-Codebeispielen.
Anleitung zur Verwendung der pipeline()-Funktion von Hugging Face Transformers für Sentiment-Analyse, NER, Zusammenfassung... ohne tiefe Kenntnisse der Modellarchitektur.
Relevante Passagen zu finden bedeutet nicht automatisch, eine Antwort zu haben. Dieser Artikel zeigt Pipelines mit Reranking, Hybrid Search und Grounding, damit LLMs fundiert antworten und selbstbewusst schweigen, wenn Daten fehlen.
Analyse, wie technische Teams wie Grab AI Agents für Code Review, Bug-Triage und Automatisierung wiederkehrender Aufgaben einsetzen, mit funktionierenden Java/Spring-AI-Beispielen.
