LLMCompter 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.
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.
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.
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.
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.
12 papiers IA qui ont tout changé : explications détaillées avec exemples
Synthèse des 12 papiers fondamentaux de l'IA moderne — d'AlexNet à RAG — avec code Java illustrant chaque idée clé.
AI Inference Engineering: explication détaillée avec exemples
Apprenez comment les LLM génèrent chaque token lors de l'inference, les techniques d'optimisation comme le KV cache, le batching, la quantization et comment mesurer les performances avec Java/Spring Boot.
Top 20 concepts IA dans les LLM : explications détaillées
Synthèse de 20 concepts fondamentaux pour travailler avec les LLM — token, embedding, RAG, fine-tuning, agent... avec des exemples de code Java/Spring AI.
Utiliser l'IA pour Gagner du Temps en Dev: Explications Détaillées
Guide pratique pour utiliser les LLM et réduire le temps de rédaction de code, tests et documentation dans des projets Spring Boot, avec des exemples fonctionnels.