Увод у Генеративну AI - Јава издање

July 2, 2026 · View on GitHub

Шта ћете научити

Основе генеративне AI укључујући LLM-ове, дизајн упита (prompt engineering), токене, уграђивања (embeddings) и векторске базе података
Упоредите Java алате за развој AI укључујући Azure OpenAI SDK, Spring AI и OpenAI Java SDK
Откријте Model Context Protocol и његову улогу у комуникацији AI агената

Увод

Добродошли у прво поглавље Генеративне AI за почетнике - Јава издање! Ова основна лекција вас упознаје са кључним појмовима генеративне AI и како радити са њима користећи Јаву. Научићете о основним грађевним блоковима AI апликација, укључујући Велике језичке моделе (LLM-ове), токене, уграђивања и AI агенте. Такође ћемо истражити примарне Java алатке које ћете користити током овог курса.

Кратно освежавање појмова генеративне AI

Генеративна AI је врста вештачке интелигенције која ствара нови садржај, као што су текст, слике или код, на основу образаца и односа научених из података. Генеративни AI модели могу генерисати одговоре сличне људским, разумети контекст и понекад чак стварати садржај који делује људски.

Како развијате своје Java AI апликације, радићете са генеративним AI моделима како бисте креирали садржај. Неке могућности генеративних AI модела укључују:

Генерисање текста: Креирање текста сличног људском за ћаскање, садржај и комплетирање текста.
Генерисање и анализа слика: Производња реалистичних слика, побољшање фотографија и детекција објеката.
Генерисање кода: Писање кодних фрагмената или скрипти.

Постоје специфичне врсте модела који су оптимизовани за различите задатке. На пример, и Мали језички модели (SLM) и Велики језички модели (LLM) могу обављати генерисање текста, при чему LLM обично нуди бољи перформанс за сложеније задатке. За задатке везане за слике користићете специјализоване визијске моделе или мулти-модалне моделе.

Figure: Generative AI model types and use cases.

Наравно, одговори тих модела нису увек савршени. Веројатно сте чули да модели понекад "халуцинирају" или генеришу нетачне информације на ауторитетан начин. Међутим, можете помоћи моделу да генерише квалитетније одговоре пружајући му јасне инструкције и контекст. Управо ту долази до изражаја дизајн упита (prompt engineering).

Преглед дизајна упита

Дизајн упита је пракса осмишљавања ефективних улаза за усмерење AI модела ка жељеним резултатима. Она укључује:

Јасноћу: Чинећи инструкције јасним и неамбициозним
Контекст: Обезбеђивање неопходних позадинских информација
Ограничења: Навођење свих ограничења или формата

Неколико најбољих пракси за дизајн упита укључују дизајн упита, јасне инструкције, разлагање задатака, једноструко и ограничено учење, као и подешавање упита. Испробавање различитих упита је есенцијално ради проналажења оног што најбоље функционише за ваш конкретан случај употребе.

Када развијате апликације, радићете са различитим типовима упита:

Системски упити: Постављају основна правила и контекст понашања модела
Кориснички упити: Улазни подаци од корисника ваше апликације
Упити асистента: Одговори модела засновани на системским и корисничким упитима

Сазнајте више: Сазнајте више о дизајну упита у поглављу о дизајну упита курса Генеративне AI за почетнике

Токени, уграђивања и агенти

Када радите са генеративним AI моделима, срећете појмове као што су токени, уграђивања (embeddings), агенти и Model Context Protocol (MCP). Ево детаљног прегледа ових појмова:

Токени: Токени су најмања јединица текста у моделу. Могу бити речи, карактери или део речи. Токени се користе за представљање текстуалних података у формату који модел може разумети. На пример, реченица „The quick brown fox jumped over the lazy dog“ може бити подељена као ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] или ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] у зависности од стратегије токенизације.

Figure: Generative AI tokens example of breaking words into tokens

Токенизација је процес раздвајања текста на те мање јединице. Ово је кључно јер модели раде са токенима уместо сировог текста. Број токена у упиту утиче на дужину и квалитет одговора модела, јер модели имају ограничења у броју токена за свој контекст (нпр. 128К токена за укупни контекст GPT-4o укључујући и улаз и излаз).

У Јави, можете користити библиотеке као што је OpenAI SDK да аутоматски обрађују токенизацију приликом слања захтева AI моделима.

Уграђивања (Embeddings): Уграђивања су векторске репрезентације токена које хватају семантичко значење. То су нумеричке репрезентације (обично низови реалних бројева) које омогућавају моделима да разумеју везе између речи и генеришу одговоре релевантне за контекст. Сличне речи имају слична уграђивања, што омогућава моделу да разуме концепте као што су синоними и семантичке везе.

Figure: Embeddings

У Јави, можете генерисати уграђивања користећи OpenAI SDK или друге библиотеке које подржавају генерисање уграђивања. Ова уграђивања су од суштинског значаја за задацке као што је семантичка претрага, где желите да пронађете сличан садржај на основу значења, а не тачне подударности текста.

Векторске базе података: Векторске базе података су специјализовани системи за складиштење оптимизовани за уграђивања. Омогућавају ефикасну претрагу сличности и кључне су за Ретривал-Аугментед Генератион (RAG) приступе где је потребно пронаћи релевантне информације из великих скупова података на основу семантичке сличности, а не директне подударности.

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

Напомена: У овом курсу нећемо покривати векторске базе података, али сматрамо да је вредно напоменути их јер се често користе у стварним апликацијама.

Агенти и MCP: AI компоненти који аутономно комуницирају са моделима, алатима и спољним системима. Model Context Protocol (MCP) пружа стандардан начин да агенти безбедно приступају спољним изворима података и алатима. Сазнајте више у нашем MCP за почетнике курсу.

У Java AI апликацијама користићете токене за обраду текста, уграђивања за семантичку претрагу и RAG, векторске базе података за повраћај података, и агенте са MCP за изградњу интелигентних система који користе алате.

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

Алатке и библиотеке за развој AI у Јави

Јава нуди одличне алатке за развој AI. Постоје три главне библиотеке које ћемо истражити током овог курса - OpenAI Java SDK, Azure OpenAI SDK и Spring AI.

Ево брзе табеле која показује који SDK се користи у примерима сваког поглавља:

Поглавље	Пример	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

Линкови ка документацији SDK:

OpenAI Java SDK

OpenAI SDK је званична Java библиотека за OpenAI API. Пружa једноставан и доследан интерфејс за интеракцију са OpenAI моделима, олакшавајући интеграцију AI могућности у Java апликације. Примери из Поглавља 4 за Pet Story апликацију и Foundry Local користе OpenAI SDK приступ са Azure AI Foundry.

Spring AI

Spring AI је свеобухватан оквир који доноси AI могућности у Spring апликације, пружајући доследан слој апстракције преко различитих AI провајдера. Се интегрише беспрекорно са Spring екосистемом, чинећи га идеалним избором за ентерпрајз Java апликације које захтевају AI капацитете.

Снага Spring AI се огледа у беспрекорној интеграцији са Spring екосистемом, омогућавајући лако грађење продукционо спремних AI апликација са познатим Spring патернима као што су dependency injection, конфигурациони менаџмент и фрејмворк за тестирање. Користићете Spring AI у Поглављу 2 и 4 за развој апликација које користе како OpenAI тако и Model Context Protocol (MCP) Spring AI библиотеке.

Model Context Protocol (MCP)

Model Context Protocol (MCP) је нови стандард који омогућава AI апликацијама да безбедно комуницирају са спољним изворима података и алатима. MCP пружа стандардизован начин да AI модели приступају контекстуалним информацијама и извршавају акције у вашим апликацијама.

У Поглављу 4 направићете једноставан MCP калкулатор сервис који демонстрира основе Model Context Protocol-а са Spring AI, показујући како створити основне интеграције алата и сервисне архитектуре.

Azure OpenAI Java SDK

Azure OpenAI клијентска библиотека за Јаву је адаптација OpenAI REST API-ja која пружа идиоматски интерфејс и интеграцију са остатком Azure SDK екосистема. У Поглављу 3 развијаћете апликације користећи Azure OpenAI SDK, укључујући ћаскање, позив функција и RAG (Retrieval-Augmented Generation) приступе.

Напомена: Azure OpenAI SDK касни за OpenAI Java SDK-ом по функцијама, па за будуће пројекте размотрите коришћење OpenAI Java SDK-а.

Резиме

Тиме смо завршили основе! Сада разумете:

Кључне концепте позади генеративне AI - од LLM-ова и дизајна упита до токена, уграђивања и векторских база података
Ваша алатка опције за Java AI развој: Azure OpenAI SDK, Spring AI и OpenAI Java SDK
Шта је Model Context Protocol и како омогућава AI агентима рад са спољним алаткама

Следећи кораци

Поглавље 2: Постављање развојног окружења

Изјава о одрицању одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.