Εισαγωγή στο Generative AI - Έκδοση Java
July 2, 2026 · View on GitHub
Τι Θα Μάθετε
- Θεμελιώδη στοιχεία του Generative AI συμπεριλαμβανομένων των LLMs, μηχανικής προτροπής, tokens, embeddings και βάσεων δεδομένων διανυσμάτων
- Σύγκριση εργαλείων ανάπτυξης AI σε Java συμπεριλαμβανομένων Azure OpenAI SDK, Spring AI, και OpenAI Java SDK
- Ανακάλυψη του Πρωτοκόλλου Περιβάλλοντος Μοντέλου και του ρόλου του στην επικοινωνία μεταξύ πρακτόρων AI
Πίνακας Περιεχομένων
- Εισαγωγή
- Μια γρήγορη ανανέωση στις έννοιες Generative AI
- Ανασκόπηση μηχανικής προτροπής
- Tokens, embeddings, και πράκτορες
- Εργαλεία και βιβλιοθήκες ανάπτυξης AI για Java
- Περίληψη
- Επόμενα βήματα
Εισαγωγή
Καλώς ήρθατε στο πρώτο κεφάλαιο του Generative AI για Αρχάριους - Έκδοση Java! Αυτό το βασικό μάθημα σας εισάγει στις κύριες έννοιες του generative AI και πώς να εργάζεστε μαζί τους χρησιμοποιώντας Java. Θα μάθετε για τα απαραίτητα δομικά στοιχεία των εφαρμογών AI, συμπεριλαμβανομένων των Μεγάλων Γλωσσικών Μοντέλων (LLMs), των tokens, των embeddings, και των πρακτόρων AI. Θα εξερευνήσουμε επίσης τα κύρια εργαλεία Java που θα χρησιμοποιήσετε κατά τη διάρκεια αυτού του μαθήματος.
Μια γρήγορη ανανέωση στις έννοιες Generative AI
Το Generative AI είναι ένας τύπος τεχνητής νοημοσύνης που δημιουργεί νέο περιεχόμενο, όπως κείμενο, εικόνες ή κώδικα, βασισμένο σε πρότυπα και σχέσεις που μαθαίνει από δεδομένα. Τα μοντέλα generative AI μπορούν να παράγουν απαντήσεις που μοιάζουν ανθρώπινες, να κατανοούν το πλαίσιο, και μερικές φορές να δημιουργούν περιεχόμενο που φαίνεται ανθρώπινο.
Καθώς αναπτύσσετε τις εφαρμογές AI σας σε Java, θα εργάζεστε με γενετικά μοντέλα AI για να δημιουργήσετε περιεχόμενο. Κάποιες ικανότητες αυτών των μοντέλων περιλαμβάνουν:
- Γενετική Κειμένου: Δημιουργία κειμένου που μοιάζει με αυτό του ανθρώπου για chatbots, περιεχόμενο και συμπλήρωση κειμένου.
- Γενετική και Ανάλυση Εικόνων: Παράγωγη ρεαλιστικών εικόνων, βελτιστοποίηση φωτογραφιών και ανίχνευση αντικειμένων.
- Γενετική Κώδικα: Γραφή αποσπασμάτων κώδικα ή σεναρίων.
Υπάρχουν συγκεκριμένοι τύποι μοντέλων που είναι βελτιστοποιημένοι για διαφορετικές εργασίες. Για παράδειγμα, τόσο τα Μικρά Γλωσσικά Μοντέλα (SLMs) όσο και τα Μεγάλα Γλωσσικά Μοντέλα (LLMs) μπορούν να χειριστούν τη γενετική κειμένου, με τα LLMs συνήθως να προσφέρουν καλύτερη απόδοση για πολύπλοκες εργασίες. Για εργασίες που σχετίζονται με εικόνες, θα χρησιμοποιήσετε ειδικευμένα μοντέλα όρασης ή πολυτροπικά μοντέλα.
Φυσικά, οι απαντήσεις αυτών των μοντέλων δεν είναι τέλειες πάντα. Πιθανόν να έχετε ακούσει για μοντέλα που "παραληρούν" ή δημιουργούν ανακριβείς πληροφορίες με αυθεντικό τρόπο. Αλλά μπορείτε να βοηθήσετε στην καθοδήγηση του μοντέλου να παράγει καλύτερες απαντήσεις παρέχοντάς του σαφείς οδηγίες και πλαίσιο. Εδώ ακριβώς εμπλέκεται η μηχανική προτροπής.
Ανασκόπηση μηχανικής προτροπής
Η μηχανική προτροπής είναι η πρακτική σχεδίασης αποτελεσματικών εισόδων για να κατευθύνει τα μοντέλα AI προς την επιθυμητή έξοδο. Περιλαμβάνει:
- Σαφήνεια: Κάνοντας τις οδηγίες σαφείς και αδιαμφισβήτητες.
- Πλαίσιο: Παρέχοντας το απαραίτητο υπόβαθρο.
- Περιορισμοί: Ορίζοντας τυχόν περιορισμούς ή μορφές.
Κάποιες βέλτιστες πρακτικές για τη μηχανική προτροπής περιλαμβάνουν το σχεδιασμό προτροπών, σαφείς οδηγίες, διαχωρισμό εργασιών, εκμάθηση με μία ή λίγες δοκιμές, και ρύθμιση προτροπής. Η δοκιμή διαφορετικών προτροπών είναι απαραίτητη για να βρεθεί τι λειτουργεί καλύτερα για τη συγκεκριμένη χρήση σας.
Κατά την ανάπτυξη εφαρμογών, θα εργαστείτε με διαφορετικούς τύπους προτροπών:
- Προτροπές συστήματος: Ορίζουν τους βασικούς κανόνες και το πλαίσιο για τη συμπεριφορά του μοντέλου
- Προτροπές χρήστη: Τα εισαγόμενα δεδομένα από τους χρήστες της εφαρμογής σας
- Προτροπές βοηθού: Οι απαντήσεις του μοντέλου βασισμένες στις προτροπές συστήματος και χρήστη
Μάθετε περισσότερα: Μάθετε περισσότερα για τη μηχανική προτροπής στο κεφάλαιο Μηχανικής Προτροπής του μαθήματος GenAI για Αρχάριους
Tokens, embeddings, και πράκτορες
Όταν εργάζεστε με γενετικά μοντέλα AI, θα συναντήσετε όρους όπως tokens, embeddings, πράκτορες, και Πρωτόκολλο Περιβάλλοντος Μοντέλου (MCP). Ακολουθεί αναλυτική επισκόπηση αυτών των εννοιών:
- Tokens: Τα tokens είναι η μικρότερη μονάδα κειμένου σε ένα μοντέλο. Μπορεί να είναι λέξεις, χαρακτήρες ή υπολέξεις. Τα tokens χρησιμοποιούνται για να αναπαριστούν τα δεδομένα κειμένου με μορφή κατανοητή από το μοντέλο. Για παράδειγμα, η πρόταση "The quick brown fox jumped over the lazy dog" μπορεί να διασπαστεί σε tokens ως ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] ή ως ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] ανάλογα με τη στρατηγική tokenization.
Η tokenization είναι η διαδικασία διάσπασης του κειμένου σε αυτές τις μικρότερες μονάδες. Αυτό είναι κρίσιμο γιατί τα μοντέλα λειτουργούν με tokens και όχι με ωμό κείμενο. Ο αριθμός των tokens σε μια προτροπή επηρεάζει το μήκος και την ποιότητα της απάντησης του μοντέλου, καθώς τα μοντέλα έχουν όρια tokens για το παράθυρο περιβάλλοντος (π.χ., 128Κ tokens για το συνολικό περιβάλλον του GPT-4o, συμπεριλαμβανομένου τόσο της εισόδου όσο και της εξόδου).
Σε Java, μπορείτε να χρησιμοποιήσετε βιβλιοθήκες όπως το OpenAI SDK για να χειριστείτε αυτόματα την tokenization όταν στέλνετε αιτήματα σε μοντέλα AI.
- Embeddings: Τα embeddings είναι αναπαραστάσεις διανυσμάτων των tokens που αποτυπώνουν σημασιολογικό νόημα. Είναι αριθμητικές αναπαραστάσεις (συνήθως πίνακες αριθμών κινητής υποδιαστολής) που επιτρέπουν στα μοντέλα να κατανοούν τις σχέσεις μεταξύ των λέξεων και να παράγουν σχετικές με το πλαίσιο απαντήσεις. Παρόμοιες λέξεις έχουν παρόμοια embeddings, επιτρέποντας στο μοντέλο να κατανοεί έννοιες όπως συνώνυμα και σημασιολογικές σχέσεις.
Σε Java, μπορείτε να παράγετε embeddings χρησιμοποιώντας το OpenAI SDK ή άλλες βιβλιοθήκες που υποστηρίζουν τη δημιουργία embeddings. Αυτά τα embeddings είναι απαραίτητα για εργασίες όπως η σημασιολογική αναζήτηση, όπου θέλετε να βρείτε παρόμοιο περιεχόμενο βάσει νοήματος και όχι ακριβών αντιστοιχιών κειμένου.
- Βάσεις δεδομένων διανυσμάτων: Οι βάσεις δεδομένων διανυσμάτων είναι εξειδικευμένα συστήματα αποθήκευσης βελτιστοποιημένα για embeddings. Επιτρέπουν αποτελεσματική αναζήτηση ομοιότητας και είναι κρίσιμες για τα μοτίβα Retrieval-Augmented Generation (RAG) όπου χρειάζεται να βρεθεί σχετική πληροφορία από μεγάλα σύνολα δεδομένων βασισμένα σε σημασιολογική ομοιότητα και όχι σε ακριβείς αντιστοιχίες.
Σημείωση: Σε αυτό το μάθημα, δεν θα καλύψουμε τις βάσεις δεδομένων διανυσμάτων, αλλά αξίζει να τις αναφέρουμε επειδή χρησιμοποιούνται συχνά σε πραγματικές εφαρμογές.
- Πράκτορες & MCP: Συστατικά AI που αλληλεπιδρούν αυτόνομα με μοντέλα, εργαλεία και εξωτερικά συστήματα. Το Πρωτόκολλο Περιβάλλοντος Μοντέλου (MCP) παρέχει έναν τυποποιημένο τρόπο για τους πράκτορες να έχουν ασφαλή πρόσβαση σε εξωτερικές πηγές δεδομένων και εργαλεία. Μάθετε περισσότερα στο μάθημά μας MCP για Αρχάριους.
Στις εφαρμογές AI με Java, θα χρησιμοποιείτε tokens για επεξεργασία κειμένου, embeddings για σημασιολογική αναζήτηση και RAG, βάσεις δεδομένων διανυσμάτων για ανάκτηση δεδομένων, και πράκτορες με MCP για τη δημιουργία έξυπνων συστημάτων χρήσης εργαλείων.
Εργαλεία και βιβλιοθήκες ανάπτυξης AI για Java
Η Java προσφέρει εξαιρετικά εργαλεία για ανάπτυξη AI. Υπάρχουν τρεις κύριες βιβλιοθήκες που θα εξερευνήσουμε σε όλο το μάθημα - OpenAI Java SDK, Azure OpenAI SDK, και Spring AI.
Ακολουθεί ένας πίνακας γρήγορης αναφοράς που δείχνει ποιο SDK χρησιμοποιείται σε κάθε παράδειγμα κεφαλαίου:
| Κεφάλαιο | Παράδειγμα | SDK |
|---|---|---|
| 02-SetupDevEnvironment | basic-chat-azure | Spring AI Azure OpenAI |
| 03-CoreGenerativeAITechniques | examples | Azure OpenAI SDK |
| 04-PracticalSamples | petstory | OpenAI Java SDK |
| 04-PracticalSamples | foundrylocal | OpenAI Java SDK |
| 04-PracticalSamples | calculator | Spring AI MCP SDK + LangChain4j |
Σύνδεσμοι τεκμηρίωσης SDK:
OpenAI Java SDK
Το OpenAI SDK είναι η επίσημη βιβλιοθήκη Java για το OpenAI API. Παρέχει μια απλή και συνεπή διεπαφή για αλληλεπίδραση με τα μοντέλα της OpenAI, καθιστώντας εύκολη την ενσωμάτωση δυνατοτήτων AI σε εφαρμογές Java. Η εφαρμογή Pet Story του Κεφαλαίου 4 και το παράδειγμα Foundry Local επιδεικνύουν την προσέγγιση OpenAI SDK με το Azure AI Foundry.
Spring AI
Το Spring AI είναι ένα συνολικό πλαίσιο που φέρνει δυνατότητες AI στις εφαρμογές Spring, παρέχοντας ένα συνεπές στρώμα αφαίρεσης μεταξύ διαφορετικών παρόχων AI. Ενσωματώνεται αρμονικά με το οικοσύστημα Spring, καθιστώντας το ιδανική επιλογή για επιχειρησιακές εφαρμογές Java που χρειάζονται δυνατότητες AI.
Η δύναμη του Spring AI βρίσκεται στην άψογη ενσωμάτωσή του με το οικοσύστημα Spring, διευκολύνοντας την κατασκευή εφαρμογών AI έτοιμων για παραγωγή με γνωστά μοτίβα Spring όπως injection εξαρτήσεων, διαχείριση διαμόρφωσης και πλαίσια δοκιμών. Θα χρησιμοποιήσετε το Spring AI στα Κεφάλαια 2 και 4 για να δημιουργήσετε εφαρμογές που αξιοποιούν τόσο το OpenAI όσο και το Πρωτόκολλο Περιβάλλοντος Μοντέλου (MCP) της βιβλιοθήκης Spring AI.
Πρωτόκολλο Περιβάλλοντος Μοντέλου (MCP)
Το Πρωτόκολλο Περιβάλλοντος Μοντέλου (MCP) είναι ένα ανερχόμενο πρότυπο που επιτρέπει στις εφαρμογές AI να αλληλεπιδρούν με ασφάλεια με εξωτερικές πηγές δεδομένων και εργαλεία. Το MCP παρέχει έναν τυποποιημένο τρόπο για τα μοντέλα AI να έχουν πρόσβαση σε συμφραζόμενες πληροφορίες και να εκτελούν ενέργειες στις εφαρμογές σας.
Στο Κεφάλαιο 4, θα δημιουργήσετε μια απλή υπηρεσία αριθμομηχανής MCP που επιδεικνύει τα βασικά του Πρωτοκόλλου Περιβάλλοντος Μοντέλου με το Spring AI, δείχνοντας πώς να δημιουργήσετε βασικές ενσωματώσεις εργαλείων και αρχιτεκτονικές υπηρεσιών.
Azure OpenAI Java SDK
Η βιβλιοθήκη πελάτη Azure OpenAI για Java είναι μια προσαρμογή των REST APIs της OpenAI που παρέχει μια ιδοματική διεπαφή και ενσωμάτωση με το υπόλοιπο οικοσύστημα Azure SDK. Στο Κεφάλαιο 3, θα δημιουργήσετε εφαρμογές χρησιμοποιώντας το Azure OpenAI SDK, συμπεριλαμβανομένων εφαρμογών συνομιλίας, κλήσεων λειτουργιών και προτύπων RAG (Retrieval-Augmented Generation).
Σημείωση: Το Azure OpenAI SDK υστερεί σε λειτουργίες σε σχέση με το OpenAI Java SDK, οπότε για μελλοντικά έργα σκεφτείτε να χρησιμοποιήσετε το OpenAI Java SDK.
Περίληψη
Αυτό ολοκληρώνει τα θεμελιώδη! Τώρα κατανοείτε:
- Τις βασικές έννοιες πίσω από το generative AI - από LLMs και μηχανική προτροπής μέχρι tokens, embeddings, και βάσεις δεδομένων διανυσμάτων
- Τις επιλογές εργαλείων για ανάπτυξη AI σε Java: Azure OpenAI SDK, Spring AI, και OpenAI Java SDK
- Τι είναι το Πρωτόκολλο Περιβάλλοντος Μοντέλου και πώς επιτρέπει στους πράκτορες AI να συνεργάζονται με εξωτερικά εργαλεία
Επόμενα βήματα
Κεφάλαιο 2: Ρύθμιση του Περιβάλλοντος Ανάπτυξης
Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.