AI w Javie.
Na produkcji.

Model mentalny, zanim dotkniesz API. Zrozumiesz, co model naprawdę robi - i przestaniesz zgadywać, czemu odpowiada tak, a nie inaczej.

• Jak LLM generuje tekst i skąd ma wiedzę
• Tokeny - realny koszt każdego wywołania
• Parametry samplingu i typy modeli

Pierwszy call, system prompty i structured output - z odpowiedzi modelu prosto do Java recordu. Plus obsługa błędów, bo modele zwracają malformed JSON częściej, niż byś chciał.

• ChatClient i architektura aplikacji
• Structured output do Java recordów
• Cache, per-request override, obsługa błędów

Generowanie i rozpoznawanie obrazów - w tym własny ImageModel dla providera, którego Spring AI nie wspiera. Finał: pełna pętla multimodalna, zdjęcia na wejściu, treść i grafika na wyjściu.

• ImageModel i własna implementacja providera
• Grounding generacji
• Vision - obrazy jako wejście do rozmowy

Cała drabina pamięci konwersacji: od ręcznej mapy, przez advisory i JDBC, po vector store. Do tego streaming SSE i ochrona publicznego endpointa przed prompt injection.

• Pamięć: od HashMapy po vector store
• Streaming SSE do przeglądarki
• Guardraile i moderacja treści

Tool calling od prostego @Tool po narzędzia z efektami ubocznymi. Model klika w Twoje API - a Ty kontrolujesz, co może dotknąć, przez ToolContext i wzorzec draft-approve.

• Function calling: co model naprawdę widzi
• ToolContext - dane poza zasięgiem modelu
• Ulotny store zamiast zapisów na ślepo

Zanim schowasz retrieval za abstrakcją, zobaczysz, co silnik robi pod maską. Od płaskiego document store, przez embeddingi i filtry, po hybrydę BM25 z Reciprocal Rank Fusion w jednym requeście.

• Embeddingi i wyszukiwanie semantyczne
• Payload indexes i filtry po atrybutach
• Hybryda dense + BM25 + RRF

Te same operacje przez produkcyjne abstrakcje Spring AI - na drugiej aplikacji, notebooku RAG nad PDF-ami. ETL pipeline, advisory i detale, które robią różnicę w jakości retrievalu.

• ETL: readery, splitting, metadata
• QuestionAnswerAdvisor
• Pamięć i RAG w jednym kliencie

Głos jako wejście i wyjście aplikacji. Transkrypcja mowy, TTS przez natywny SDK i przez abstrakcję Spring AI, na końcu streaming - pierwsze słowo w 300 milisekund.

• STT, także ze structured output
• TTS: natywny SDK vs abstrakcja Spring AI
• Streaming audio

Finał kursu: protokół, po którym integrują się systemy AI. Budujesz obie strony - serwer z pełnym kompletem możliwości i klienta. Na końcu dwie aplikacje kursu rozmawiają ze sobą.

• Serwer MCP: tools, resources, prompty, completion
• Klient MCP w aplikacji Spring
• Demo end-to-end: dwie aplikacje, jeden protokół