ปัญญาประดิษฐ์เชิงสร้างสรรค์สำหรับผู้เริ่มต้น - รุ่น Java

July 3, 2026 · View on GitHub

Generative AI for Beginners - Java Edition

เวลาที่ใช้: เวิร์กช็อปทั้งหมดสามารถทำออนไลน์ได้โดยไม่ต้องติดตั้งในเครื่อง ตั้งค่าสภาพแวดล้อมใช้เวลา 2 นาที และการสำรวจตัวอย่างใช้เวลาประมาณ 1-3 ชั่วโมง ขึ้นอยู่กับความลึกในการสำรวจ

เริ่มต้นอย่างรวดเร็ว

ทำ Fork โครงการนี้ไปยังบัญชี GitHub ของคุณ
คลิก Code → แท็บ Codespaces → ... → New with options...
ใช้ค่าพื้นฐาน – จะเลือก Development container ที่สร้างไว้สำหรับคอร์สนี้
คลิก Create codespace
รอประมาณ 2 นาทีเพื่อให้สภาพแวดล้อมพร้อมใช้งาน
ข้ามไปที่ บทที่ 2: จัดเตรียม Azure AI Foundry

การรองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

ต้องการโคลนแบบท้องถิ่นไหม?

โครงการนี้มีการแปลมากกว่า 50 ภาษา ซึ่งเพิ่มขนาดการดาวน์โหลดอย่างมาก หากต้องการโคลนโดยไม่รวมการแปล ใช้ sparse checkout:

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/Generative-AI-for-beginners-java.git
cd Generative-AI-for-beginners-java
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/Generative-AI-for-beginners-java.git
cd Generative-AI-for-beginners-java
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
นี้จะให้สิ่งที่คุณจำเป็นทั้งหมดเพื่อจบคอร์สด้วยการดาวน์โหลดที่รวดเร็วกว่า

โครงสร้างหลักสูตร & เส้นทางการเรียนรู้

บทที่ 1: แนะนำ Generative AI

แนวคิดหลัก: ทำความเข้าใจโมเดลภาษาใหญ่ (LLM), โทเค็น, การฝังตัว และความสามารถของ AI
ระบบนิเวศ AI ใน Java: ภาพรวม Spring AI และ OpenAI SDKs
โปรโตคอลบริบทโมเดล: แนะนำ MCP และบทบาทของมันในสื่อสารของเอเย่นต์ AI
แอปพลิเคชันในทางปฏิบัติ: สถานการณ์จริง เช่น แชทบอท และการสร้างเนื้อหา
→ เริ่มบทที่ 1

บทที่ 2: การตั้งค่าสภาพแวดล้อมสำหรับพัฒนา

Azure AI Foundry: จัดเตรียมการปรับใช้โมเดลเป็นโค้ดด้วย Bicep และ Azure Developer CLI (azd)
Spring Boot + Spring AI: แนวปฏิบัติที่ดีที่สุดสำหรับการพัฒนาแอป AI ในองค์กร
การพิสูจน์ตัวตนแบบไม่ใช้คีย์: เชื่อมต่ออย่างปลอดภัยด้วย Microsoft Entra ID — ไม่มีคีย์ API ให้จัดการ
เครื่องมือพัฒนา: คอนเทนเนอร์ Docker, VS Code, และการตั้งค่า GitHub Codespaces
→ เริ่มบทที่ 2

บทที่ 3: เทคนิคสำคัญของ Generative AI

การสร้างคำสั่ง (Prompt Engineering): เทคนิคสำหรับการตอบสนองที่ดีที่สุดจากโมเดล AI
การฝังตัว & การทำงานกับเวกเตอร์: ใช้การค้นหาเชิงความหมายและการจับคู่ความเหมือน
Retrieval-Augmented Generation (RAG): ผสมผสาน AI กับแหล่งข้อมูลของคุณเอง
การเรียกใช้ฟังก์ชัน: ขยายความสามารถ AI ด้วยเครื่องมือและปลั๊กอินเอง
→ เริ่มบทที่ 3

บทที่ 4: การใช้งานจริง & โครงการ

เครื่องสร้างเรื่องราวสัตว์เลี้ยง (petstory/): การสร้างเนื้อหาอย่างสร้างสรรค์ด้วย Azure AI Foundry
เดโม Foundry Local (foundrylocal/): การรวมโมเดล AI ในเครื่องกับ OpenAI Java SDK
บริการคำนวณ MCP (calculator/): ตัวอย่างการใช้งาน Model Context Protocol เบื้องต้นกับ Spring AI
→ เริ่มบทที่ 4

บทที่ 5: การพัฒนา AI อย่างรับผิดชอบ

มาตรการความปลอดภัยของเนื้อหา Azure AI Foundry: ทดสอบการกรองเนื้อหาและระบบความปลอดภัยในตัว (บล็อกแน่นและปฏิเสธแบบนิ่มนวล)
เดโม AI อย่างรับผิดชอบ: ตัวอย่างจริงที่แสดงวิธีระบบความปลอดภัย AI สมัยใหม่ทำงาน
แนวปฏิบัติที่ดีที่สุด: แนวทางสำคัญสำหรับการพัฒนาและปรับใช้ AI อย่างมีจริยธรรม
→ เริ่มบทที่ 5

แหล่งข้อมูลเพิ่มเติม

การเรียนรู้หลัก

การขอความช่วยเหลือ

ถ้าคุณติดขัดหรือต้องการสอบถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการอภิปรายเกี่ยวกับ MCP นี่คือชุมชนที่สนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างอิสระ

ถ้าคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดในระหว่างการพัฒนา โปรดเยี่ยมชม:

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้