מבוא ל-AI גנרטיבי - מהדורת Java
July 2, 2026 · View on GitHub
מה תלמדו
- יסודות ה-AI הגנרטיבי כולל מודלים לשוניים גדולים (LLMs), הנדסת פרומפטים, טוקנים, אמבדינגים ומסדי נתונים וקטוריים
- השוואה בין כלי פיתוח AI ב-Java כולל Azure OpenAI SDK, Spring AI ו-OpenAI Java SDK
- גילוי פרוטוקול הקשר המודל ותפקידו בתקשורת סוכני AI
טבלת תוכן
- מבוא
- ריענון מהיר של מושגי AI גנרטיבי
- סקירה של הנדסת פרומפטים
- טוקנים, אמבדינגים וסוכנים
- כלי פיתוח וספריות AI ל-Java
- סיכום
- שלבים הבאים
מבוא
ברוכים הבאים לפרק הראשון של AI גנרטיבי למתחילים - מהדורת Java! השיעור היסודי הזה מציג לכם את המושגים המרכזיים ב-AI גנרטיבי וכיצד לעבוד איתם באמצעות Java. תלמדו על אבני הבניין החשובות של יישומי AI, כולל מודלים לשוניים גדולים (LLMs), טוקנים, אמבדינגים וסוכני AI. כמו כן, נחקור את כלי הפיתוח העיקריים ב-Java שתשתמשו בהם לאורך הקורס.
ריענון מהיר של מושגי AI גנרטיבי
AI גנרטיבי הוא סוג של אינטליגנציה מלאכותית שיוצרת תוכן חדש, כמו טקסט, תמונות או קוד, בהתבסס על תבניות ויחסים שנלמדו מהנתונים. מודלים של AI גנרטיבי יכולים ליצור תגובות הדומות לבני אדם, להבין הקשר, ולפעמים אפילו ליצור תוכן שנראה אנושי.
כשאתם מפתחים את יישומי ה-Java AI שלכם, תעבדו עם מודלים גנרטיביים ליצירת תוכן. כמה מהיכולות של מודלים גנרטיביים כוללות:
- יצירת טקסט: יצירת טקסט הדומה לבן אדם עבור צ’אטבוטים, תכנים והשלמת טקסט.
- יצירת וניתוח תמונות: הפקת תמונות ריאליסטיות, שיפור תמונות וזיהוי עצמים.
- יצירת קוד: כתיבת קטעי קוד או סקריפטים.
ישנם סוגים ספציפיים של מודלים המותאמים למשימות שונות. לדוגמה, גם מודלים לשוניים קטנים (SLMs) וגם מודלים לשוניים גדולים (LLMs) יכולים לטפל ביצירת טקסט, כאשר LLMs בדרך כלל מציעים ביצועים טובים יותר למשימות מורכבות. למשימות שקשורות לתמונה, תשתמשו במודלים חזותיים מיוחדים או במודלים רב-מודליים.
כמובן שהתשובות של מודלים אלה אינן מושלמות תמיד. כנראה שמעתם על מודלים שמייצרים "הלוצינציות" או מידע שגוי בצורה סמכותית. אך אתם יכולים לסייע לכוון את המודל ליצור תגובות טובות יותר על ידי מתן הוראות והקשר ברורים. כאן נכנסת הנדסת פרומפטים לתמונה.
סקירת הנדסת פרומפטים
הנדסת פרומפטים היא הפרקטיקה של עיצוב קלטים יעילים המכוונים את מודלי ה-AI לעבר תוצאות רצויות. היא כוללת:
- בהירות: מתן הוראות ברורות וללא עמימות.
- הקשר: מתן מידע רקע נחוץ.
- הגבלות: ציון כל מגבלות או פורמטים.
כמה מהשיטות הטובות להנדסת פרומפטים כוללות עיצוב פרומפטים, הוראות ברורות, פירוק משימה, למידה חד-פעמית ומיעוט פעמית, וכיוונון פרומפטים. חשוב לבדוק פרומפטים שונים כדי למצוא את מה שהכי עובד למקרה השימוש הספציפי שלכם.
בעת פיתוח יישומים, תעבדו עם סוגי פרומפטים שונים:
- פרומפטים מערכתיים: קובעים את הכללים הבסיסיים וההקשר להתנהגות המודל
- פרומפטים משתמש: הנתונים הנכנסים ממשתמשי היישום שלכם
- פרומפטים עוזר: התגובות של המודל בהתבסס על פרומפטי מערכת ומשתמש
למד עוד: למדו עוד על הנדסת פרומפטים בפרק Prompt Engineering בקורס GenAI למתחילים
טוקנים, אמבדינגים וסוכנים
בעת עבודה עם מודלים גנרטיביים של AI, תפגשו מונחים כמו טוקנים, אמבדינגים, סוכנים ו-פרוטוקול הקשר מודל (MCP). הנה סקירה מפורטת של המושגים האלו:
- טוקנים: טוקנים הם היחידה הקטנה ביותר של טקסט במודל. הם יכולים להיות מילים, תווים או תת-מילים. טוקנים משמשים לייצוג נתוני טקסט בפורמט שהמודל מבין. לדוגמה, המשפט "The quick brown fox jumped over the lazy dog" עשוי להיות מפוצל לטוקנים כך: ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] או ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] תלוי באסטרטגיית הטוקניזציה.
טוקניזציה היא התהליך של פיצול טקסט ליחידות קטנות אלו. זה חיוני כי המודלים פועלים על טוקנים ולא על טקסט רגיל. מספר הטוקנים בפרומפט משפיע על אורך ואיכות התגובה של המודל, מכיוון שלמודלים יש מגבלות על מספר הטוקנים בחלון ההקשר (למשל, 128K טוקנים לסך ההקשר של GPT-4o, כולל קלט ופלט).
ב-Java, ניתן להשתמש בספריות כמו OpenAI SDK לטוקניזציה אוטומטית בעת שליחת בקשות למודלי AI.
- אמבדינגים: אמבדינגים הם ייצוגים וקטוריים של טוקנים שמבטאים את המשמעות הסמנטית שלהם. הם ייצוגים נומריים (בדרך כלל מערכים של מספרים ממשיים) המאפשרים למודלים להבין קשרים בין מילים וליצור תגובות רלוונטיות הקשרית. מילים דומות מכילות אמבדינגים דומים, מה שמאפשר למודל להבין מושגים כמו נרדפים וקשרים סמנטיים.
ב-Java, ניתן ליצור אמבדינגים באמצעות OpenAI SDK או ספריות אחרות התומכות ביצירת אמבדינגים. אמבדינגים אלה חיוניים למשימות כמו חיפוש סמנטי, כאשר רוצים למצוא תוכן דומה על פי משמעות ולא בהתאמה מדויקת של טקסט.
- מסדי נתונים וקטוריים: מסדי נתונים וקטוריים הם מערכות אחסון מיוחדות המותאמות לאחסון אמבדינגים. הם מאפשרים חיפוש יעיל של דמיון והם חיוניים לדפוסי יצירה המתווספת של הבאת מידע (Retrieval-Augmented Generation - RAG) כאשר יש צורך למצוא מידע רלוונטי ממאגרי נתונים גדולים בהתבסס על דמיון סמנטי ולא על התאמות מדויקות.
הערה: בקורס זה לא נכסה מסדי נתונים וקטוריים, אך אנו חושבים שכדאי להזכירם מאחר שהם משמשים במקרים רבים בעולם האמיתי.
- סוכנים ו-MCP: רכיבי AI הפועלים באופן עצמאי עם מודלים, כלים ומערכות חיצוניות. פרוטוקול הקשר מודל (MCP) מספק דרך סטנדרטית לסוכנים לגשת בצורה מאובטחת למקורות מידע וכלים חיצוניים. למדו עוד בקורס שלנו MCP למתחילים.
ביישומי AI ב-Java, תשתמשו בטוקנים לעיבוד טקסט, באמבדינגים לחיפושים סמנטיים ו-RAG, במסדי נתונים וקטוריים לשאיבת מידע, ובסוכנים עם MCP לבניית מערכות אינטליגנטיות המשתמשות בכלים.
כלי פיתוח וספריות AI ל-Java
Java מציעה כלי פיתוח מצוינים לפיתוח AI. קיימות שלוש ספריות עיקריות שנחקור בקורס זה - OpenAI Java SDK, Azure OpenAI SDK, ו-Spring AI.
להלן טבלת הפניה מהירה המציגה איזו SDK משמשת בדוגמאות בכל פרק:
| פרק | דוגמה | 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 |
קישורים לתיעוד SDK:
OpenAI Java SDK
OpenAI SDK היא ספריית Java הרשמית של ממשק ה-API של OpenAI. היא מספקת ממשק פשוט ועקבי לאינטראקציה עם מודלי OpenAI, מה שהופך את האינטגרציה ביישומי Java לקלה. יישום Pet Story בפרק 4 ודוגמת Foundry Local ממחישים את הגישה של OpenAI SDK עם Azure AI Foundry.
Spring AI
Spring AI הוא מסגרת מקיפה המאפשרת הוספת יכולות AI ליישומי Spring, ומספק שכבת הפשטה עקבית על פני ספקי AI שונים. היא משתלבת היטב עם מערכת האקולוגית של Spring, מה שהופך אותה לבחירה אידיאלית ליישומי Java ארגוניים שדורשים יכולות AI.
החזקה של Spring AI היא האינטגרציה החלקה עם מערכת Spring, המאפשרת בנייה קלה של יישומי AI מוכנים לייצור עם דפוסי Spring מוכרים כמו הזרקת תלויות, ניהול קונפיגורציה ומסגרות בדיקה. תשתמשו ב-Spring AI בפרקים 2 ו-4 לבניית יישומים המנצלים גם את OpenAI וגם את פרוטוקול הקשר מודל (MCP) בספריות Spring AI.
פרוטוקול הקשר מודל (MCP)
פרוטוקול הקשר מודל (MCP) הוא תקן מתהווה המאפשר ליישומי AI לתקשר בצורה מאובטחת עם מקורות נתונים וכלים חיצוניים. MCP מספק דרך סטנדרטית למודלי AI לגשת למידע הקשרי ולבצע פעולות ביישומים שלכם.
בפרק 4, תבנו שירות מחשבון MCP פשוט שמדגים את יסודות פרוטוקול הקשר מודל עם Spring AI, ומציג איך ליצור אינטגרציות בסיסיות של כלים וארכיטקטורות שירותים.
Azure OpenAI Java SDK
ספריית הלקוח של Azure OpenAI ל-Java היא התאמה של ממשקי REST של OpenAI המספקת ממשק אידיומטי ואינטגרציה עם שאר מערכת ה-SDK של Azure. בפרק 3 תבנו יישומים באמצעות Azure OpenAI SDK, כולל יישומי צ’אט, קריאות פונקציה ודפוסי RAG (יצירה משופרת בשליפה).
הערה: Azure OpenAI SDK מפגר אחרי OpenAI Java SDK מבחינת תכונות, לכן לפרויקטים עתידיים מומלץ לשקול שימוש ב-OpenAI Java SDK.
סיכום
סיימנו את היסודות! כעת אתם מבינים:
- המושגים המרכזיים מאחורי AI גנרטיבי – מ-LLMs והנדסת פרומפטים ועד טוקנים, אמבדינגים ומסדי נתונים וקטוריים
- כלי העבודה הזמינים לכם לפיתוח AI ב-Java: Azure OpenAI SDK, Spring AI, ו-OpenAI Java SDK
- מהו פרוטוקול הקשר מודל וכיצד הוא מאפשר לסוכני AI לעבוד עם כלים חיצוניים
שלבים הבאים
כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום אוטומטי Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה.