जनरेटिभ एआई परिचय - जाभा संस्करण

July 2, 2026 · View on GitHub

तपाईंले के सिक्नुहुनेछ

जनरेटिभ एआईका आधारभूत कुरा जसमा LLMs, प्रॉम्प्ट इन्जिनियरिङ, टोकन्स, एम्बेडिङ्स, र भेक्टर डेटाबेसहरू समावेश छन्
जाभा एआई विकास उपकरणहरूको तुलना जसमा Azure OpenAI SDK, Spring AI, र OpenAI Java SDK समावेश छन्
मोडेल कन्टेक्स्ट प्रोटोकल र यसको एआई एजेन्ट सञ्चारमा भूमिका पत्ता लगाउनुहोस्

सामग्री तालिका

परिचय
जनरेटिभ एआई अवधारणाहरूमा छिटो पुनरावलोकन
प्रॉम्प्ट इन्जिनियरिङ समीक्षा
टोकन्स, एम्बेडिङ्स, र एजेन्टहरू
जाभाका लागि एआई विकास उपकरणहरू र पुस्तकालयहरू
सारांश
अगाडि के गर्ने

परिचय

जनरेटिभ एआई फर बिगिनर - जाभा संस्करणको पहिलो अध्यायमा स्वागत छ! यो आधारभूत पाठले तपाईंलाई जनरेटिभ एआईका मुख्य अवधारणाहरू र जाभाले कसरी यीसँग काम गर्ने सिकाउनेछ। तपाईं एआई एप्लिकेशनको आवश्यक निर्माण आधारहरू, जस्तै ठूलो भाषा मोडेल (LLMs), टोकन्स, एम्बेडिङ्स, र एआई एजेन्टहरू बारेमा जान्नुहुनेछ। साथै, यस पाठ्यक्रमभरि प्रयोग गर्नुपर्ने मुख्य जाभा उपकरणहरू पनि अध्ययन गर्नेछौं।

जनरेटिभ एआई अवधारणाहरूमा छिटो पुनरावलोकन

जनरेटिभ एआई यस्तो प्रकारको कृत्रिम बौद्धिकता हो जुन डेटा मार्फत सिकिएका ढाँचा र सम्बन्धहरूबाट नयाँ सामग्री जस्तै पाठ, छवि, वा कोड सिर्जना गर्दछ। जनरेटिभ एआई मोडेलहरूले मान्छेजस्ता प्रतिक्रिया उत्पन्न गर्न सक्छन्, सन्दर्भ बुझ्न सक्छन्, र कहिलेकाहीं मानवजस्तो देखिने सामग्री पनि सिर्जना गर्न सक्छन्।

जाभा एआई एप्लिकेशनहरू विकास गर्दा, तपाईं जनरेटिभ एआई मोडेलहरू प्रयोग गरेर सामग्री सिर्जना गर्नुहुनेछ। जनरेटिभ एआई मोडेलहरूको केही क्षमता समावेश छन्:

पाठ सिर्जना: च्याटबोट, सामग्री, र पाठ पूरकता लागि मान्छेजस्तो पाठ तयार पार्ने।
छवि सिर्जना र विश्लेषण: यथार्थवादी छविहरू उत्पादन गर्ने, फोटोहरू सुधार गर्ने, र वस्तुहरू पत्ता लगाउने।
कोड सिर्जना: कोड टुक्राहरू वा स्क्रिप्टहरू लेख्ने।

विभिन्न कामका लागि विशिष्ट प्रकारका मोडेलहरू अनुकूलित गरिएका हुन्छन्। उदाहरणका लागि, सानो भाषा मोडेलहरू (SLMs) र ठूला भाषा मोडेलहरू (LLMs) दुवै पाठ सिर्जनामा सक्षम हुन्छन्, जसमा LLMs जटिल कार्यहरूको लागि प्रायः राम्रो प्रदर्शन दिन्छन्। छवि सम्बन्धी कार्यहरूका लागि विशिष्ट दृष्टि मोडेलहरू वा बहु-मोडल मोडेलहरू प्रयोग गरिन्छ।

Figure: Generative AI model types and use cases.

पक्कै पनि, यी मोडेलहरूले सधैं पूर्ण उत्तर दिन्नन्। तपाईले मोडेलहरू "हल्युसिनेट" वा गलत जानकारी अधिकारसम्पन्न तरीकाले उत्पन्न गर्ने कुरा सुन्नुभएको होला। तर तपाईं स्पष्ट निर्देशन र सन्दर्भ प्रदान गरेर मोडेललाई राम्रो उत्तर दिन मार्गनिर्देशन गर्न सक्नुहुनेछ। यो कथनमा प्रॉम्प्ट इन्जिनियरिङ आउँछ।

प्रॉम्प्ट इन्जिनियरिङ समीक्षा

प्रॉम्प्ट इन्जिनियरिङ भनेको एआई मोडेलहरूलाई मनपर्ने नतिजामा लैजान प्रभावकारी इनपुटहरू डिजाइन गर्ने अभ्यास हो। यसले समावेश गर्दछ:

स्पष्टता: निर्देशनहरू स्पष्ट र अस्पष्ट नभएको बनाउने।
सन्दर्भ: आवश्यक पृष्ठभूमि जानकारी प्रदान गर्ने।
सीमाहरू: कुनै पनि प्रतिबन्ध वा ढाँचा निर्दिष्ट गर्ने।

प्रॉम्प्ट इन्जिनियरिङका केही राम्रो अभ्यासहरूमा प्रॉम्प्ट डिजाइन, स्पष्ट निर्देशनहरू, कार्य विभाजन, एक पटक र थोरै पटक सिकाइ, र प्रॉम्प्ट ट्यूनिङ समावेश छन्। विभिन्न प्रॉम्प्टको परीक्षण गर्नु आवश्यक छ जुन तपाईंको विशिष्ट प्रयोग केसमा उत्तम काम गर्छ।

एप्लिकेशनहरू विकास गर्दा, तपाईं विभिन्न प्रॉम्प्ट प्रकारहरू प्रयोग गर्नुहुनेछ:

प्रणाली प्रॉम्प्टहरू: मोडेलको व्यवहारका लागि आधार नियम र सन्दर्भ सेट गर्ने
प्रयोगकर्ता प्रॉम्प्टहरू: तपाईंको एप्लिकेशन प्रयोगकर्ताबाट इनपुट डेटा
सहायक प्रॉम्प्टहरू: प्रणाली र प्रयोगकर्ता प्रॉम्प्टका आधारमा मोडेलका प्रतिक्रिया

थप जान्नुस्: जनरेटीभ एआई फर बिगिनर्सको प्रॉम्प्ट इन्जिनियरिङ अध्याय मा प्रॉम्प्ट इन्जिनियरिङबारे थप जान्नुहोस्

टोकन्स, एम्बेडिङ्स, र एजेन्टहरू

जनरेटिभ एआई मोडेलहरूसँग काम गर्दा, तपाईंले टोकन्स, एम्बेडिङ्स, एजेन्टहरू, र मोडेल कन्टेक्स्ट प्रोटोकल (MCP) जस्ता शब्दहरू सुन्नेछन्। यी अवधारणाहरूको विस्तृत अवलोकन यहाँ छ:

टोकन्स: टोकन्स भनेको मोडेलमा सबैभन्दा सानो पाठ इकाई हो। यी शब्दहरू, अक्षरहरू, वा सबवर्डहरू हुन सक्छन्। टोकन्सले मोडेललाई बुझ्न सजिलो हुने ढाँचामा पाठ डाटा प्रतिनिधित्व गर्दछन्। उदाहरणका लागि वाक्य "The quick brown fox jumped over the lazy dog" लाई ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] वा ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] टोकनाईजेसन रणनीतिअनुसार विभाजित गर्न सकिन्छ।

Figure: Generative AI tokens example of breaking words into tokens

टोकनाईजेसन भनेको पाठलाई यी साना इकाईहरूमा विभाजन गर्ने प्रक्रिया हो। यो महत्वपूर्ण छ किनकि मोडेलहरूले कच्चा पाठ होइन, टोकन्समा काम गर्छन्। प्रॉम्प्टमा भएका टोकन्सको सङ्ख्याले मोडेलको प्रतिक्रिया लम्बाइ र गुणस्तरमा प्रभाव पार्छ, किनकि मोडेलको सन्दर्भ विन्डोमा टोकन सीमा हुन्छ (जस्तै, GPT-4o को कुल सन्दर्भका लागि 128K टोकन्स, जसमा इनपुट र आउटपुट दुवै समावेश छन्)।

जाभामा, तपाईं OpenAI SDK जस्ता पुस्तकालयहरू प्रयोग गरेर AI मोडेलहरूलाई अनुरोध पठाउँदा स्वतः टोकनाईजेसन गर्न सक्नुहुन्छ।

एम्बेडिङ्स: एम्बेडिङ्स भनेको टोकन्सका भेक्टर प्रतिनिधित्वहरू हुन् जसले अर्थपूर्ण सम्बन्ध समात्छन्। यी सङ्ख्यात्मक प्रतिनिधित्वहरू (प्रायः फ्लोटिङ-पोइन्ट सङ्ख्याहरूको एरेहरू) मोडेललाई शब्दहरू बीचको सम्बन्ध बुझ्न र सन्दर्भ अनुसार सान्दर्भिक प्रतिक्रिया दिन सक्षम बनाउँछन्। समानार्थी शब्दहरूले समान एम्बेडिङ्स हुन्छन् जसले मोडेललाई समानार्थी र अर्थ सम्बन्धी सम्बन्धहरू बुझ्न मद्दत गर्दछ।

Figure: Embeddings

जाभामा, तपाईं OpenAI SDK वा अन्य पुस्तकालयमार्फत एम्बेडिङहरू उत्पन्न गर्न सक्नुहुन्छ। यी एम्बेडिङहरू सेमान्टिक खोजको लागि अत्यावश्यक हुन्छन्, जसमा तपाईं समान सामग्री अर्थका आधारमा खोज्न चाहनुहुन्छ न कि ठ्याक्कै पाठ मेल खाने आधारमा।

भेक्टर डेटाबेसहरू: भेक्टर डेटाबेस भनेका एम्बेडिङहरूको लागि अनुकूलित भण्डारण प्रणालीहरू हुन्। तिनीहरूले प्रभावकारी समानता खोज सक्षम पार्छन् र Retrieval-Augmented Generation (RAG) ढाँचाहरूमा महत्वपूर्ण छन्, जहाँ तपाईंलाई ठूलो डाटासेटबाट अर्थ अनुसार सान्दर्भिक जानकारी फेला पार्न आवश्यक पर्छ।

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

Note: यस पाठ्यक्रममा हामी भेक्टर डेटाबेसहरू समेट्दैनौं तर तिनीहरू वास्तविक अनुप्रयोगहरूमा प्रायः प्रयोग हुने भएकाले उल्लेख गर्नु सार्थक छ।

एजेन्टहरू र MCP: एआई कम्पोनेन्टहरू जुन स्वतन्त्र रूपले मोडेलहरू, उपकरणहरू, र बाह्य प्रणालीहरूसँग अन्तरक्रिया गर्छन्। मोडेल कन्टेक्स्ट प्रोटोकल (MCP) एजेन्टहरूलाई सुरक्षित रूपमा बाह्य डाटा स्रोत र उपकरणहरूमा पहुँच दिनको लागि मानकीकृत माध्यम प्रदान गर्छ। थप जानकारीका लागि हाम्रो MCP for Beginners पाठ्यक्रम हेर्नुहोस्।

जाभा एआई एप्लिकेशनहरूमा, तपाईं पाठ प्रशोधनका लागि टोकन्स, सेमान्टिक खोज र RAG का लागि एम्बेडिङ्स, डाटा प्राप्तिका लागि भेक्टर डेटाबेसहरू, र बौद्धिक, उपकरण प्रयोग गर्ने प्रणाली निर्माणका लागि MCP सँग एजेन्टहरू प्रयोग गर्नुहुनेछ।

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

जाभाका लागि एआई विकास उपकरणहरू र पुस्तकालयहरू

जाभा एआई विकासका लागि उत्कृष्ट उपकरणहरू प्रदान गर्दछ। यस पाठ्यक्रममा हामी तीन मुख्य पुस्तकालयहरू अन्वेषण गर्नेछौं - OpenAI Java SDK, Azure OpenAI SDK, र Spring AI।

यहाँ एउटा सन्दर्भ तालिका छ जसले हरेक अध्यायका उदाहरणहरूमा कुन SDK प्रयोग गरिएको छ देखाउँछ:

अध्याय	नमुना	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

SDK कागजात लिङ्कहरू:

OpenAI Java SDK

OpenAI SDK OpenAI API को लागि आधिकारिक जाभा पुस्तकालय हो। यसले OpenAI को मोडेलहरूसँग अन्तरक्रिया गर्न सजिलो, सरल र सुसंगत इन्टरफेस प्रदान गर्दछ, जसले जाभा एप्लिकेशनहरूमा एआई क्षमताहरू एकीकृत गर्न अनुमति दिन्छ। अध्याय ४ को Pet Story एप्लिकेशन र Foundry Local उदाहरणले Azure AI Foundry सँग OpenAI SDK को प्रयोग देखाउँछन्।

Spring AI

Spring AI एउटा व्यापक ढाँचा हो जसले Spring एप्लिकेशनहरूमा एआई क्षमताहरू ल्याउँछ र विभिन्न एआई प्रदायकहरूमा एकसमान अमूर्त तह प्रदान गर्दछ। यसले Spring पारिस्थितिकी प्रणालीसँग सहज तालमेल गर्दछ, जसले एआई आवश्यक पर्ने उद्यम स्तरका जाभा एप्लिकेशनहरू बनाउदा आदर्श विकल्प बनाउँछ।

Spring AI को शक्ति यसको Spring पारिस्थितिकीमा सहज समाकलनमा छ, जसले परिचित Spring ढाँचाहरू जस्तै डिपेन्डेन्सी इन्जेक्शन, कन्फिगरेसन व्यवस्थापन, र परीक्षण ढाँचाहरू प्रयोग गरेर उत्पादन-तयार एआई एप्लिकेशनहरू बनाउनु सजिलो बनाउँछ। तपाईंले अध्याय २ र ४ मा Spring AI प्रयोग गरी OpenAI र मोडेल कन्टेक्स्ट प्रोटोकल (MCP) Spring AI पुस्तकालयहरूको उपयोग गरेर एप्लिकेशनहरू बनाउनु हुनेछ।

मोडेल कन्टेक्स्ट प्रोटोकल (MCP)

मोडेल कन्टेक्स्ट प्रोटोकल (MCP) एक उदाउँदै गरेको मानक हो जसले एआई एप्लिकेशनहरूलाई बाह्य डाटा स्रोत र उपकरणहरूसँग सुरक्षित रूपमा अन्तरक्रिया गर्न सक्षम बनाउँछ। MCP ले एआई मोडेलहरूलाई सन्दर्भ जानकारी पहुँच र कार्यान्वयन गर्न मानकीकृत तरिका प्रदान गर्दछ।

अध्याय ४ मा, तपाईंले एक सरल MCP क्याल्कुलेटर सेवा निर्माण गर्नुहुनेछ जसले Spring AI सँग मोडेल कन्टेक्स्ट प्रोटोकलका आधारभूत कुरा देखाउनेछ, सरल उपकरण एकीकरण र सेवा संरचनाहरू कसरी बनाउने देखाउनेछ।

Azure OpenAI Java SDK

Azure OpenAI क्लाइन्ट पुस्तकालय जाभाका लागि OpenAI REST API को अनुकूलन हो जुन वाक्यात्मक इन्टरफेस दिन्छ र Azure SDK पारिस्थितिकी प्रणालीसँग एकीकृत हुन्छ। अध्याय ३ मा, तपाईं Azure OpenAI SDK प्रयोग गरेर च्याट एप्लिकेशनहरू, फंक्शन कलिंग, र RAG (Retrieval-Augmented Generation) ढाँचाहरू सहितका एप्लिकेशनहरू निर्माण गर्नुहुनेछ।

नोट: Azure OpenAI SDK सुविधामा OpenAI Java SDKलाई पछि छोड्छ त्यसैले आगामी परियोजनाहरूका लागि OpenAI Java SDK को प्रयोग वुझ्नुहोस्।

सारांश

यसले आधारभूत कुराहरू समेट्यो! अब तपाईं बुझ्नुहुन्छ:

जनरेटिभ एआईका मूल अवधारणाहरू - LLMs र प्रॉम्प्ट इन्जिनियरिङदेखि टोकन्स, एम्बेडिङ्स, र भेक्टर डेटाबेसहरूसम्म
जाभा एआई विकासका लागि तपाईंका उपकरण विकल्पहरू: Azure OpenAI SDK, Spring AI, र OpenAI Java SDK
मोडेल कन्टेक्स्ट प्रोटोकल के हो र यसले कसरी एआई एजेन्टहरूलाई बाह्य उपकरणहरूसँग काम गर्न सक्षम बनाउँछ

अगाडि के गर्ने

अध्याय २: विकास वातावरण स्थापना गर्दै

अस्वीकरण: यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।