Compter les tokens et estimer les coûts lors d'appels LLM en Java
Comment compter les tokens localement avec JTokkit, calculer les coûts avec BigDecimal, bloquer les requêtes hors budget et comparer avec l'utilisation réelle de Spring AI.
Streaming de réponses depuis LLM API avec Java 21 et Spring Boot
Recevoir chaque token depuis une LLM API via Server-Sent Events avec HttpClient et WebClient, puis renvoyer le flux au navigateur avec gestion d'erreurs, timeouts et tests.
Function calling / tool use par l'exemple avec Spring AI
Comprendre comment les LLM appellent les fonctions de votre application, du JSON brut à @Tool dans Spring AI. L'article inclut des exemples de recherche, d'annulation de commande et de test sans appeler le modèle réel.
Structured output : contraindre un LLM à retourner du JSON au bon schéma avec Spring AI
Comment forcer un LLM à retourner du JSON conforme au schéma dans Spring Boot : mapper dans un record avec Spring AI, activer JSON Schema natif, valider, réessayer et tester.
Prompt engineering : des techniques à appliquer tout de suite
Les techniques pratiques de prompt engineering : system prompt, délimiteurs, few-shot, structured output et température, illustrées avec Spring AI.
AI Agent, c'est quoi : la boucle observer – raisonner – agir
Comprendre l'essence d'un AI Agent via la boucle observer – raisonner – agir, implémenter un agent minimal en Java 21 et le tester avec JUnit 5.
Appeler une API LLM : temperature, top_p et max tokens
Comprenez comment temperature, top_p et max tokens contrôlent la sortie du LLM, et configurez-les correctement avec Spring AI dans une application Spring Boot 3.
Comment fonctionne une LLM : tokens, context window et sampling
Comprenez trois concepts fondamentaux des LLM : les tokens, la context window et le sampling, avec du code Java 21 pour compter les tokens, découper l'historique de chat et implémenter temperature, top-k, top-p.
Exécuter des modèles d'embedding avec sentence-transformers
Créer des vecteurs d'embedding avec sentence-transformers, calculer la similarité, effectuer une recherche sémantique et appeler le modèle depuis une application Spring Boot.
Les différences entre tool, resource et prompt en MCP
Distinguer les trois primitives MCP que sont tool, resource et prompt selon le contrôleur, avec exemples Spring AI et tests pour chacune.
RAG de A à Z : récupérer le document d'abord
Construisez un pipeline RAG complet avec Spring AI : chunking de documents, création d'embeddings, recherche vectorielle, assemblage de prompts avec sources et tests.
Qu'est-ce qu'un AI Agent ? Explication détaillée avec exemples en Java
Définition d'un AI Agent, différenciation avec les chatbots ordinaires, explication de la boucle ReAct et construction d'un agent minimal en Java, Spring AI.
Stack IA 0€ : explication détaillée avec exemples
Analyse d'une architecture IA production-grade pouvant fonctionner avec un coût de 0€, du frontend, RAG, LLM local au déploiement, avec des exemples de code pratique.
Top AI Repo GitHub 2026 : explication détaillée avec exemple
Analyse des patterns d'architecture derrière les repos AI agent les plus populaires de GitHub 2026, avec exemple de construction d'un Agent Tool-Calling en Java/Spring Boot.
5 Patterns d'AI Agent — explications détaillées et exemples Java
Découvrez les 5 patterns majeurs pour construire un AI Agent — Reflection, Tool Use, Planning, Multi-Agent, ReAct — avec des exemples Java/Spring AI fonctionnels.
Bibliothèque Datasets de Hugging Face : Charger et Traiter
Guide pratique de la bibliothèque Datasets de Hugging Face pour charger, explorer, transformer et sauvegarder des datasets destinés à l'entraînement de modèles NLP.
Corriger les documents RAG sans les écraser : versioning sûr
Quand les documents sources changent, écraser directement dans le vector store risque de créer des incohérences. L'article guide le processus de versioning sécurisé pour RAG.
Écrire votre premier serveur MCP en Java et Spring Boot
Guide pour construire un serveur MCP minimaliste en Java 21, enregistrer votre premier tool et le connecter à un client comme Claude Desktop.
Fine-tune un petit modèle avec Hugging Face Trainer
Guide pour fine-tuner un petit modèle (DistilBERT) pour la classification des reviews de produits en utilisant l'API Trainer de Hugging Face, de la préparation des données jusqu'à l'inférence.
GPT-Live : écoute et parole simultanées — fonctionnement et intégration
Explication de l'architecture d'écoute-parole simultanée (full-duplex) des modèles LLM temps réel, avec exemple d'intégration WebSocket utilisant Spring Boot.