Вступ до генеративного штучного інтелекту
July 2, 2026 · View on GitHub
Чого ви навчитеся
- Основи генеративного ШІ, включно з LLM, розробкою підказок, токенами, ембеддингами та векторними базами даних
- Порівняння інструментів розробки ШІ на Java, зокрема Azure OpenAI SDK, Spring AI та OpenAI Java SDK
- Ознайомлення з Протоколом контексту моделі та його роллю у взаємодії агентів ШІ
Зміст
- Вступ
- Коротке оновлення понять генеративного ШІ
- Огляд розробки підказок
- Токени, ембеддинги та агенти
- Інструменти та бібліотеки для розробки ШІ на Java
- Підсумок
- Наступні кроки
Вступ
Ласкаво просимо до першої глави курсу "Генеративний ШІ для початківців — Java-версія"! Цей базовий урок ознайомить вас із ключовими поняттями генеративного ШІ та тим, як працювати з ними, використовуючи Java. Ви дізнаєтеся про основні будівельні блоки додатків ШІ, зокрема великі мовні моделі (LLM), токени, ембеддинги та агентів ШІ. Також ми розглянемо основні Java-інструменти, які ви будете використовувати протягом цього курсу.
Коротке оновлення понять генеративного ШІ
Генеративний ШІ — це тип штучного інтелекту, який створює новий контент, наприклад текст, зображення або код, на основі патернів і зв’язків, вивчених із даних. Генеративні моделі ШІ можуть генерувати відповіді, схожі на людські, розуміти контекст і іноді створювати контент, який здається людським.
При розробці ваших Java-додатків ШІ ви працюватимете з генеративними моделями ШІ для створення контенту. Деякі можливості генеративних моделей:
- Генерація тексту: створення людськоподібного тексту для чатботів, контенту та автозаповнення.
- Генерація та аналіз зображень: створення реалістичних зображень, покращення фотографій і виявлення об’єктів.
- Генерація коду: написання фрагментів коду або скриптів.
Існують конкретні типи моделей, оптимізовані для різних завдань. Наприклад, як малі мовні моделі (SLM), так і великі мовні моделі (LLM) можуть виконувати генерацію тексту, але LLM зазвичай показують кращу продуктивність у складних завданнях. Для робіт із зображеннями використовують спеціалізовані моделі зору або мультимодальні моделі.
Звісно, відповіді цих моделей не завжди ідеальні. Ви, мабуть, чули про те, що моделі "галюцинують" або генерують неправильну інформацію з авторитетністю. Але ви можете покращити відповіді, задаючи їм чіткі інструкції та контекст. Ось де в пригоді стає розробка підказок (prompt engineering).
Огляд розробки підказок
Розробка підказок — це практика створення ефективних вхідних даних для керування моделями ШІ та отримання потрібних відповідей. Вона включає:
- Чіткість: надання ясних і однозначних інструкцій.
- Контекст: забезпечення необхідної фонового інформації.
- Обмеження: визначення будь-яких лімітів або форматів.
Деякі найкращі практики включають дизайн підказок, чіткі інструкції, розбиття завдань, навчання на одному або кількох прикладах і тонке налаштування підказок. Важливо тестувати різні підказки, щоб знайти найкращі для вашого конкретного випадку.
При розробці додатків ви працюватимете з різними типами підказок:
- Системні підказки: встановлюють базові правила та контекст поведінки моделі
- Підказки користувача: вхідні дані від користувачів вашого додатку
- Підказки асистента: відповіді моделі на основі системних і користувацьких підказок
Дізнатись більше: Дізнайтеся більше про розробку підказок у главі з розробки підказок курсу Генеративний ШІ для початківців
Токени, ембеддинги та агенти
Працюючи з генеративними моделями ШІ, ви зустрінете такі терміни, як токени, ембеддинги, агенти і Протокол контексту моделі (MCP). Ось докладний огляд цих понять:
- Токени: це найменші одиниці тексту в моделі. Вони можуть бути словами, символами або підсловами. Токени використовуються для представлення текстових даних у форматі, зрозумілому моделі. Наприклад, речення "The quick brown fox jumped over the lazy dog" може бути розбите на токени як ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] або ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] залежно від стратегії токенізації.
Токенізація — це процес розбиття тексту на ці менші одиниці. Це важливо, оскільки моделі оперують токенами, а не сирим текстом. Кількість токенів у підказці впливає на довжину і якість відповіді моделі, оскільки моделі мають ліміти токенів для свого контекстного вікна (наприклад, 128K токенів для загального контексту GPT-4o, включно з вхідними та вихідними даними).
У Java ви можете використати бібліотеки, як OpenAI SDK, щоб автоматично виконувати токенізацію при надсиланні запитів до моделей ШІ.
- Ембеддинги: ембеддинги — це векторні представлення токенів, які захоплюють семантичне значення. Вони є числовими представленнями (зазвичай масивами чисел з плаваючою крапкою), що дозволяють моделям розуміти відносини між словами та генерувати контекстно релевантні відповіді. Подібні за значенням слова мають схожі ембеддинги, що допомагає моделі розуміти синоніми та семантичні зв’язки.
В Java ембеддинги можна генерувати за допомогою OpenAI SDK або інших бібліотек, що підтримують генерацію ембеддингів. Ці ембеддинги особливо важливі для таких завдань, як семантичний пошук, де потрібно знаходити схожий контент за значенням, а не по точному текстовому збігу.
- Векторні бази даних: векторні бази даних — це спеціалізовані сховища, оптимізовані для збереження ембеддингів. Вони забезпечують ефективний пошук за схожістю та є ключовими для патернів Retrieval-Augmented Generation (RAG), коли потрібно знаходити релевантну інформацію в великих наборах даних на основі семантичної близькості, а не точних збігів.
Примітка: У цьому курсі ми не розглядатимемо векторні бази даних, але вважаємо важливим згадати їх, оскільки їх часто використовують у реальних застосунках.
- Агенти та MCP: компоненти ШІ, які автономно взаємодіють із моделями, інструментами та зовнішніми системами. Протокол контексту моделі (MCP) забезпечує стандартизований спосіб для агентів безпечно отримувати доступ до зовнішніх джерел даних і інструментів. Дізнайтеся більше у нашому курсі MCP для початківців.
У Java-додатках ШІ ви використовуватимете токени для обробки тексту, ембеддинги для семантичного пошуку і RAG, векторні бази даних для вибірки даних та агентів з MCP для створення інтелектуальних систем із використанням інструментів.
Інструменти та бібліотеки для розробки ШІ на Java
Java пропонує чудові інструменти для розробки ШІ. У цьому курсі ми розглянемо три основні бібліотеки — OpenAI Java SDK, Azure OpenAI SDK та Spring AI.
Ось швидка таблиця зі зв’язком між SDK та прикладами у кожній главі:
| Глава | Приклад | 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 |
Посилання на документацію SDK:
OpenAI Java SDK
OpenAI SDK — офіційна Java-бібліотека для API OpenAI. Вона надає простий і послідовний інтерфейс для взаємодії з моделями OpenAI, що спрощує інтеграцію можливостей ШІ в Java-додатки. Приклади з глави 4 "Pet Story" та "Foundry Local" демонструють підхід OpenAI SDK з Azure AI Foundry.
Spring AI
Spring AI — це комплексний фреймворк, який приносить можливості ШІ у Spring-додатки, забезпечуючи послідовний абстрактний шар для різних постачальників ШІ. Він безшовно інтегрується з екосистемою Spring, що робить його ідеальним вибором для корпоративних Java-додатків із потребою в ШІ.
Сила Spring AI полягає у його безшовній інтеграції зі Spring-екосистемою, що полегшує створення готових до продакшену ШІ-додатків з використанням знайомих Spring-патернів, таких як інверсія керування, управління конфігураціями та тести. Ви будете використовувати Spring AI у главах 2 та 4 для створення додатків з OpenAI та Протоколом контексту моделі (MCP).
Протокол контексту моделі (MCP)
Протокол контексту моделі (MCP) — це новий стандарт, який дозволяє ШІ-додаткам безпечно взаємодіяти із зовнішніми джерелами даних та інструментами. MCP забезпечує стандартизований спосіб для моделей ШІ отримувати контекстну інформацію і виконувати дії у ваших додатках.
У главі 4 ви створите простий сервіс калькулятора MCP, що демонструє основи Протоколу контексту моделі зі Spring AI, показуючи, як створювати базову інтеграцію інструментів і архітектуру сервісів.
Azure OpenAI Java SDK
Клієнтська бібліотека Azure OpenAI для Java — це адаптація REST API OpenAI, що надає ідіоматичний інтерфейс і інтеграцію з екосистемою SDK Azure. У главі 3 ви створите додатки на основі Azure OpenAI SDK, включно з чат-додатками, викликом функцій і патернами RAG (Retrieval-Augmented Generation).
Примітка: Azure OpenAI SDK відстає за функціональністю від OpenAI Java SDK, тому для майбутніх проектів радимо використовувати OpenAI Java SDK.
Підсумок
Отже, ми розглянули основи! Тепер ви розумієте:
- Основні поняття генеративного ШІ — від LLM і розробки підказок до токенів, ембеддингів і векторних баз даних
- Ваші варіанти інструментів для розробки ШІ на Java: Azure OpenAI SDK, Spring AI та OpenAI Java SDK
- Що таке Протокол контексту моделі і як він дозволяє агентам ШІ працювати із зовнішніми інструментами
Наступні кроки
Глава 2: Налаштування середовища розробки
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.