LangChain4j: KI in Spring-Boot-Anwendungen nutzen
In diesem praxisorientierten Seminar lernen die Teilnehmer, wie KI-Modelle (Large Language Models, LLMs) mit LangChain4j in Spring-Boot-Anwendungen integriert werden können. Der Kurs kombiniert theoretisches Wissen mit praktischen Übungen, die auf realen Anwendungsfällen basieren. Nach der Schulung sind die Teilnehmer in der Lage, KI-Modelle mit LangChain4j in Spring-Boot-Anwendungen zu integrieren, zu optimieren und produktiv einzusetzen. Sie werden verstehen, wie Retrieval-Augmented Generation (RAG) für die Verarbeitung unternehmensspezifischer Daten genutzt werden kann, wie Anwendungen über das Model Context Protocol (MCP) Werkzeuge und Daten anbinden und wie KI-Agenten als Ergänzung klassischer Geschäftslogik implementiert werden können.
- Dauer
- 3 Tage
- Umfang
- 24 Unterrichtsstunden
- Ort
- Bei Ihnen oder online

Inhalte des Seminars
Das ist der Standardumfang. Wählen Sie ab, was Ihr Team schon kann, und schicken Sie uns Ihre Auswahl.
- Wie Large Language Models arbeiten: Tokens, Kontextfenster, Wahrscheinlichkeiten
- Modelltypen: Chat-, Reasoning-, Embedding-, Bild- und Audio-Modelle
- Parameter wie Temperatur und maximale Tokenanzahl
- Stärken, Grenzen und Halluzinationen
- Kosten und Latenz von KI-Aufrufen
- Cloud-Modelle: OpenAI, Anthropic, Google, Mistral, Azure OpenAI, GitHub Models
- Offene Modelle wie Llama, Qwen, Mistral, Gemma oder gpt-oss
- Lokale und Cloud-basierte Modelle: Datenschutz, Kontrolle, Skalierbarkeit
- Lokale Modelle mit Ollama: Installation, Modellverwaltung, CLI
- Open WebUI als Benutzeroberfläche für Ollama
- KI-Bibliotheken in Java im Überblick
- Architektur und Module von LangChain4j
- Low-Level-API:
ChatModel,ChatRequest,ChatResponse - Integration in Spring Boot mit den LangChain4j-Startern
- Konfiguration von Modellen über
application.properties
- Deklarative KI-Schnittstellen mit AI Services
@AiServicein Spring Boot@SystemMessage,@UserMessageund Prompt-Variablen mit@V- Prompt-Templates und Wiederverwendung
- Structured Output: Records und Java-Objekte als Rückgabetyp
- Streaming von Antworten mit
TokenStream
- Konversationsverläufe mit
ChatMemory MessageWindowChatMemoryundTokenWindowChatMemory- Gedächtnis pro Benutzer mit
@MemoryId - Persistente Speicher für Chat Memory
- Konversationsverläufe mit
- Werkzeuge für LLMs bereitstellen mit
@Toolund@P - Ablauf eines Tool-Aufrufs
- Spring Beans als Tools
- Fehlerbehandlung und Sicherheitsaspekte
- Werkzeuge für LLMs bereitstellen mit
- Konzept und Architektur von MCP: Hosts, Clients und Server
- Tools, Ressourcen und Prompts
- Externe MCP-Server mit dem MCP-Client und
McpToolProvidernutzen - Transportarten: STDIO und Streamable HTTP
- Absicherung von MCP-Verbindungen
- Grundlagen von Embeddings
EmbeddingModelundEmbeddingStore- Vektordatenbanken wie PGvector, Qdrant oder Chroma
- Ähnlichkeitssuche und Metadatenfilter
- Einstieg mit Easy RAG
- Dokumente laden, zerlegen und indexieren:
DocumentLoader,DocumentSplitter,EmbeddingStoreIngestor - Advanced RAG mit
RetrievalAugmentorundContentRetriever - Query-Transformation und Routing mit
QueryTransformerundQueryRouter - Re-Ranking mit
ScoringModel - Chunking-Strategien und Relevanz der Ergebnisse
- Workflows und Agenten im Vergleich
- Agenten deklarieren mit
@Agent - Sequenzielle, parallele, bedingte und wiederholende Workflows
- Supervisor-Agenten für dynamische Abläufe
- KI-Agenten als Ergänzung klassischer Geschäftslogik
- Grenzen und Risiken autonomer Agenten
- Bilder und Dokumente als Eingabe
- Bildgenerierung im Überblick
- Guardrails mit
InputGuardrailundOutputGuardrail - Prompt Injection erkennen und verhindern
- KI-Anwendungen testen und evaluieren
- Observability mit
ChatModelListenerund Micrometer: Token-Verbrauch, Kosten, Latenz - Datenschutz und rechtliche Aspekte
- Deployment und Skalierung von KI-Anwendungen
- Guardrails mit
- Quarkus LangChain4j im Überblick
@RegisterAiServiceund Unterschiede zur Spring-Boot-Integration
- Vergleich zwischen LangChain4j und Spring AI
- Funktionsumfang und Besonderheiten beider Frameworks
- Migrationswege zwischen den Frameworks (Vertiefung im Kurs Spring AI: KI in Spring-Boot-Anwendungen nutzen)