जेनरेटिव AI का परिचय - जावा संस्करण

July 2, 2026 · View on GitHub

आप क्या सीखेंगे

  • जेनरेटिव AI के मूल तत्व जिनमें LLM, प्रॉम्प्ट इंजीनियरिंग, टोकन, एम्बेडिंग, और वेक्टर डेटाबेस शामिल हैं
  • जावा AI विकास उपकरणों की तुलना जिनमें Azure OpenAI SDK, Spring AI, और OpenAI Java SDK शामिल हैं
  • मॉडल कॉन्टेक्स्ट प्रोटोकॉल की खोज और AI एजेंट संचार में इसकी भूमिका

विषय सूची

परिचय

जनरेटिव AI फॉर बिगिनर्स - जावा संस्करण के पहले अध्याय में आपका स्वागत है! यह आधारभूत पाठ आपको जनरेटिव AI के मूलभूत सिद्धांतों से परिचित कराता है और उन्हें जावा के साथ कैसे उपयोग किया जाए। आप AI अनुप्रयोगों के आवश्यक निर्माण खंडों के बारे में जानेंगे, जिनमें बड़े भाषा मॉडल (LLMs), टोकन, एम्बेडिंग, और AI एजेंट शामिल हैं। हम उस प्राथमिक जावा टूलिंग का भी अन्वेषण करेंगे जिसका आप इस कोर्स में उपयोग करेंगे।

जेनरेटिव AI अवधारणाओं पर त्वरित पुनरावलोकन

जनरेटिव AI एक प्रकार की कृत्रिम बुद्धिमत्ता है जो डेटा से सीखे गए पैटर्न और संबंधों के आधार पर नई सामग्री बनाता है, जैसे कि टेक्स्ट, चित्र, या कोड। जनरेटिव AI मॉडल मानवीय जैसे जवाब दे सकते हैं, संदर्भ समझ सकते हैं, और कभी-कभी तो मानवीय जैसी सामग्री भी बना सकते हैं।

जब आप अपने जावा AI अनुप्रयोगों का विकास करेंगे, तो आप जनरेटिव AI मॉडल के साथ सामग्री बनाएंगे। जनरेटिव AI मॉडलों की कुछ विशेषताएं हैं:

  • टेक्स्ट जनरेशन: चैटबॉट, सामग्री, और टेक्स्ट पूर्णता के लिए मानवीय जैसे टेक्स्ट का निर्माण।
  • इमेज जनरेशन और विश्लेषण: वास्तविक चित्र बनाना, फोटो सुधारना, और वस्तुओं का पता लगाना।
  • कोड जनरेशन: कोड स्निपेट या स्क्रिप्ट लिखना।

विभिन्न कार्यों के लिए विशेष प्रकार के मॉडल अनुकूलित होते हैं। उदाहरण के लिए, छोटे भाषा मॉडल (SLMs) और बड़े भाषा मॉडल (LLMs) दोनों टेक्स्ट जनरेशन कर सकते हैं, जिसमें LLM जटिल कार्यों के लिए बेहतर प्रदर्शन प्रदान करते हैं। छवि संबंधित कार्यों के लिए, आप विशिष्ट विज़न मॉडल या मल्टी-मोडल मॉडल का उपयोग करेंगे।

Figure: Generative AI model types and use cases.

बेशक, इन मॉडलों के उत्तर हमेशा सही नहीं होते। आपने शायद सुना होगा कि मॉडल "हलुसिनेट" करते हैं या गलत जानकारी प्रभावशाली तरीके से उत्पन्न करते हैं। लेकिन आप उन्हें स्पष्ट निर्देश और संदर्भ देकर बेहतर जवाब देने में मदद कर सकते हैं। इसी को कहते हैं प्रॉम्प्ट इंजीनियरिंग।

प्रॉम्प्ट इंजीनियरिंग समीक्षा

प्रॉम्प्ट इंजीनियरिंग AI मॉडल को सही आउटपुट देने के लिए प्रभावी इनपुट डिजाइन करने की प्रक्रिया है। इसमें शामिल हैं:

  • स्पष्टता: निर्देशों को स्पष्ट और अस्पष्टता रहित बनाना।
  • संदर्भ: आवश्यक पृष्ठभूमि जानकारी प्रदान करना।
  • सीमाएं: किसी भी प्रतिबंध या प्रारूप निर्दिष्ट करना।

प्रॉम्प्ट इंजीनियरिंग के कुछ सर्वोत्तम अभ्यासों में प्रॉम्प्ट डिजाइन, स्पष्ट निर्देश, कार्य विभाजन, वन-शॉट और फ्यू-शॉट लर्निंग, और प्रॉम्प्ट ट्यूनिंग शामिल हैं। विभिन्न प्रॉम्प्ट परीक्षण करना आवश्यक है ताकि आपके विशिष्ट उपयोग के लिए सबसे अच्छा प्रॉम्प्ट मिल सके।

एप्लिकेशन विकसित करते समय, आप विभिन्न प्रकार के प्रॉम्प्ट के साथ काम करेंगे:

  • सिस्टम प्रॉम्प्ट: मॉडल के व्यवहार के लिए आधार नियम और संदर्भ सेट करना
  • यूजर प्रॉम्प्ट: आपके एप्लिकेशन उपयोगकर्ताओं से इनपुट डाटा
  • असिस्टेंट प्रॉम्प्ट: सिस्टम और उपयोगकर्ता प्रॉम्प्ट पर आधारित मॉडल के जवाब

अधिक जानें: जेनएआई फॉर बिगिनर्स कोर्स के प्रॉम्प्ट इंजीनियरिंग अध्याय में प्रॉम्प्ट इंजीनियरिंग के बारे में और जानें

टोकन, एम्बेडिंग, और एजेंट

जनरेटिव AI मॉडलों के साथ काम करते समय, आप टोकन, एम्बेडिंग, एजेंट, और मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) जैसे शब्दों से मिलेंगे। यहां इन अवधारणाओं का विस्तृत अवलोकन है:

  • टोकन: टोकन मॉडल में टेक्स्ट की सबसे छोटी इकाई होते हैं। ये शब्द, वर्ण, या उपशब्द हो सकते हैं। टोकन को टेक्स्ट डाटा को इस रूप में प्रस्तुत करने के लिए उपयोग किया जाता है जिसे मॉडल समझ सके। उदाहरण के लिए, वाक्य "The quick brown fox jumped over the lazy dog" को टोकनाइज्ड रूप में ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] या ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] किया जा सकता है, यह टोकनाइज़ेशन की रणनीति पर निर्भर करता है।

Figure: Generative AI tokens example of breaking words into tokens

टोकनाइज़ेशन वह प्रक्रिया है जिससे टेक्स्ट को इन छोटे इकाइयों में तोड़ा जाता है। यह जरूरी है क्योंकि मॉडल कच्चे टेक्स्ट पर नहीं बल्कि टोकन पर काम करते हैं। किसी प्रॉम्प्ट में टोकन की संख्या मॉडल के जवाब की लंबाई और गुणवत्ता को प्रभावित करती है, क्योंकि मॉडलों के पास कंटेक्स्ट विंडो (जैसे GPT-4o का कुल 128K टोकन इनपुट और आउटपुट सहित) के लिए टोकन सीमाएं होती हैं।

जावा में, आप OpenAI SDK जैसी पुस्तकालयों का उपयोग करके AI मॉडल को अनुरोध भेजते समय स्वचालित रूप से टोकनाइज़ेशन कर सकते हैं।

  • एम्बेडिंग: एम्बेडिंग टोकन के वेक्टर प्रतिनिधित्व होते हैं जो अर्थपूर्ण संबंधों को कैप्चर करते हैं। वे संख्यात्मक प्रतिनिधित्व होते हैं (आमतौर पर फ्लोटिंग-पॉइंट नंबरों की सरणियाँ) जो मॉडल को शब्दों के बीच संबंध समझने और प्रासंगिक संदर्भ उत्तर उत्पन्न करने में सक्षम बनाते हैं। समान शब्दों की समान एम्बेडिंग होती है, जिससे मॉडल पर्यायवाची और सार्थक संबंध समझ सकता है।

Figure: Embeddings

जावा में, आप OpenAI SDK या अन्य ऐसी पुस्तकालयों का उपयोग करके एम्बेडिंग उत्पन्न कर सकते हैं जो एम्बेडिंग निर्माण का समर्थन करती हैं। ये एम्बेडिंग सेमांटिक सर्च जैसे कार्यों के लिए आवश्यक हैं जहां आप सटीक टेक्स्ट अनुरूपता के बजाय अर्थ आधारित समान सामग्री खोजते हैं।

  • वेक्टर डेटाबेस: वेक्टर डेटाबेस एम्बेडिंग के लिए विशेष रूप से अनुकूलित संग्रहण प्रणालियाँ हैं। वे प्रभावी समानता खोज सक्षम करते हैं और Retrieval-Augmented Generation (RAG) पैटर्न में आवश्यक होते हैं, जहां आपको सटीक अनुरूपता की बजाय सार्थक समानता के आधार पर बड़े डेटासेट से प्रासंगिक जानकारी खोजना होता है।

Figure: Vector database architecture showing how embeddings are stored and retrieved for similarity search.

नोट: इस कोर्स में हम वेक्टर डेटाबेस को कवर नहीं करेंगे लेकिन इन्हें उल्लेखनीय मानते हैं क्योंकि वे वास्तविक दुनिया के अनुप्रयोगों में आमतौर पर उपयोग किए जाते हैं।

  • एजेंट और MCP: AI घटक जो स्वतंत्र रूप से मॉडल, टूल, और बाहरी सिस्टम के साथ बातचीत करते हैं। मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) एजेंट्स को बाहरी डेटा स्रोतों और टूल्स तक सुरक्षित पहुंच प्रदान करने का एक मानकीकृत तरीका है। अधिक जानने के लिए हमारे MCP फॉर बिगिनर्स कोर्स देखें।

जावा AI अनुप्रयोगों में, आप टेक्स्ट प्रोसेसिंग के लिए टोकन, सेमांटिक सर्च और RAG के लिए एम्बेडिंग, डेटा पुनर्प्राप्ति के लिए वेक्टर डेटाबेस, और बुद्धिमान, टूल-उपयोगी सिस्टम बनाने के लिए MCP के साथ एजेंट इस्तेमाल करेंगे।

Figure: how a prompt becomes a reply—tokens, vectors, optional RAG lookup, LLM thinking, and an MCP agent all in one quick flow..

जावा के लिए AI विकास उपकरण और पुस्तकालय

जावा AI विकास के लिए उत्कृष्ट टूलिंग प्रदान करता है। इस कोर्स में हम तीन मुख्य पुस्तकालयों का अन्वेषण करेंगे - OpenAI Java SDK, Azure OpenAI SDK, और Spring AI।

यहाँ एक त्वरित संदर्भ तालिका है जो दिखाती है कि किस अध्याय में कौन सा SDK इस्तेमाल हुआ है:

अध्यायनमूनाSDK
02-SetupDevEnvironmentbasic-chat-azureSpring AI Azure OpenAI
03-CoreGenerativeAITechniquesexamplesAzure OpenAI SDK
04-PracticalSamplespetstoryOpenAI Java SDK
04-PracticalSamplesfoundrylocalOpenAI Java SDK
04-PracticalSamplescalculatorSpring AI MCP SDK + LangChain4j

SDK दस्तावेज़ लिंक:

OpenAI Java SDK

OpenAI SDK OpenAI API के लिए आधिकारिक जावा पुस्तकालय है। यह OpenAI के मॉडलों के साथ इंटरैक्ट करने के लिए सरल और एकसमान इंटरफ़ेस प्रदान करता है, जिससे AI क्षमताओं को जावा अनुप्रयोगों में शामिल करना आसान हो जाता है। अध्याय 4 का Pet Story एप्लिकेशन और Foundry Local उदाहरण Azure AI Foundry के साथ OpenAI SDK दृष्टिकोण का प्रदर्शन करते हैं।

Spring AI

Spring AI एक व्यापक फ्रेमवर्क है जो Spring अनुप्रयोगों में AI क्षमताएं लाता है, विभिन्न AI प्रदाताओं के बीच एकसमान एब्स्ट्राक्शन लेयर प्रदान करता है। यह Spring इकोसिस्टम के साथ सहज एकीकरण करता है, जिससे एंटरप्राइज जावा अनुप्रयोगों के लिए AI क्षमताएं जोड़ना आसान हो जाता है।

Spring AI की ताकत इसका Spring इकोसिस्टम के साथ निर्बाध एकीकरण है, जिससे परिचित Spring पैटर्न जैसे डिपेंडेंसी इंजेक्शन, कॉन्फ़िगरेशन प्रबंधन, और परीक्षण फ्रेमवर्क के साथ उत्पादन-तैयार AI अनुप्रयोग बनाना आसान होता है। आप अध्याय 2 और 4 में OpenAI और मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) Spring AI पुस्तकालयों का उपयोग करके अनुप्रयोग बनाएंगे।

मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP)

मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) एक उभरता हुआ मानक है जो AI अनुप्रयोगों को बाहरी डेटा स्रोतों और टूल्स के साथ सुरक्षित रूप से इंटरैक्ट करने में सक्षम बनाता है। MCP AI मॉडलों को संदर्भ जानकारी तक पहुंचने और आपके अनुप्रयोगों में क्रियाएं निष्पादित करने के लिए एक मानकीकृत तरीका प्रदान करता है।

अध्याय 4 में, आप एक सरल MCP कैलकुलेटर सेवा बनाएंगे जो Spring AI के साथ मॉडल कॉन्टेक्स्ट प्रोटोकॉल की मूल बातें दिखाती है, यह दिखाते हुए कि कैसे बुनियादी टूल एकीकरण और सेवा वास्तुकला बनाएँ।

Azure OpenAI Java SDK

Azure OpenAI क्लाइंट लाइब्रेरी जावा के लिए OpenAI के REST API का एक अनुकूल संस्करण है जो एक अभिव्यक्तिपूर्वक इंटरफ़ेस और Azure SDK इकोसिस्टम के बाकी हिस्सों के साथ एकीकरण प्रदान करता है। अध्याय 3 में, आप Azure OpenAI SDK का उपयोग करके चैट अनुप्रयोग, फ़ंक्शन कॉलिंग, और RAG (Retrieval-Augmented Generation) पैटर्न सहित अनुप्रयोग बनाएंगे।

नोट: फीचरों की तुलना में Azure OpenAI SDK OpenAI Java SDK के पीछे है, इसलिए भविष्य की परियोजनाओं के लिए OpenAI Java SDK का उपयोग करने पर विचार करें।

सारांश

यहाँ आधारभूत बातें समाप्त हुईं! अब आप समझते हैं:

  • जनरेटिव AI के मूल सिद्धांत - LLM से लेकर प्रॉम्प्ट इंजीनियरिंग, टोकन, एम्बेडिंग, और वेक्टर डेटाबेस तक
  • जावा AI विकास के लिए आपके पास मौजूद टूलकिट विकल्प: Azure OpenAI SDK, Spring AI, और OpenAI Java SDK
  • मॉडल कॉन्टेक्स्ट प्रोटोकॉल क्या है और यह कैसे AI एजेंट्स को बाहरी टूल्स के साथ काम करने में सक्षम बनाता है

अगले कदम

अध्याय 2: विकास पर्यावरण सेटअप

अस्वीकरण: इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा Co-op Translator का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।