RSS Primavera

La primavera es un conjunto potente de herramientas diseñadas para construir aplicaciones web rápidamente y con eficiencia, permitiendo a los desarrolladores crear aplicaciones de nivel empresarial usando una forma simple y extensible de hacer el código. El marco de trabajo de Spring facilita el uso de Java o otros lenguajes para crear la aplicación y desplegarla en cualquier tipo de servidor en capas, ya sea un servidor HTTP o un servidor de aplicaciones. Spring ha demostrado agregar valor en una amplia variedad de entornos, haciendo que una amplia variedad de tareas sean más fáciles para equipos pequeños y grandes. El marco ofrece diferentes módulos que se pueden utilizar por separado o juntos para crear aplicaciones de nivel empresarial, trayendo flexibilidad y simplicidad al proceso de desarrollo. El sitio oficial de Spring ofrece recursos y herramientas variadas como documentación, tutoriales, cursos de capacitación, ejemplos y más, que ayudan a los desarrolladores a empezar y dominar el marco. El sitio también incluye las últimas notas de lanzamiento, actualizaciones y una sección de comunidad donde los desarrolladores pueden compartir ideas, obtener apoyo o contribuir al proyecto.

Hilo de notas

Este artículo de blog demuestra implementaciones prácticas de técnicas de Ingeniería de Prompt utilizando Spring AI. Los ejemplos y patrones en este artículo se basan en la Guía Integral de Ingeniería de Prompt que cubre la teoría, principios y patrones de la ingeniería de prompt efectiva. El blog muestra cómo traducir esos conceptos en código Java funcional utilizando la API de ChatClient de Spring AI. La sección de configuración describe cómo configurar y ajustar su modelo de lenguaje grande (LLM) con Spring AI, incluyendo la selección del proveedor de LLM adecuado para su caso de uso y la configuración de parámetros de generación importantes que controlan la calidad, estilo y formato de las salidas del modelo. El blog también cubre la configuración de la salida del LLM, incluyendo temperatura, longitud de salida, controles de muestreo y formato de respuesta estructurada. El blog luego demuestra varias técnicas de ingeniería de prompt, incluyendo la llamada a cero disparos, la llamada a un disparo y la llamada a pocos disparos, y la llamada al sistema, contextual y de rol. La llamada a cero disparos implica pedirle a una IA que realice una tarea sin proporcionar ejemplos, mientras que la llamada a un disparo y la llamada a pocos disparos proporcionan al modelo uno o más ejemplos para ayudar a guiar sus respuestas. La llamada al sistema establece el contexto y propósito general para el modelo de lenguaje, definiendo la "gran imagen" de lo que el modelo debe estar haciendo. El blog proporciona ejemplos de cómo implementar estas técnicas en aplicaciones de producción Java utilizando la API de ChatClient de Spring AI. Los ejemplos en el blog están estructurados para seguir los mismos patrones y técnicas descritos en la guía original, y el código fuente de demostración utilizado en este artículo está disponible en GitHub. El blog también proporciona referencias a artículos de investigación y documentación relevantes para una lectura adicional. En general, este artículo de blog proporciona una guía integral para implementar técnicas de ingeniería de prompt utilizando Spring AI, y es un recurso valioso para los desarrolladores que buscan mejorar el rendimiento y la efectividad de sus modelos de lenguaje.
CdXz5zHNQW_wAto3zOhfm.png
Spring Boot 3.4 simplifica la integración de varios proyectos, proporcionando una experiencia de marco cohesiva. Normaliza la autoconfiguración de implementaciones de HttpRequestFactory, con un mejor soporte para clientes REST. Spring Boot 3.4 introduce un apagado de la aplicación elegante por defecto, permitiendo que las solicitudes en vuelo se completen antes del apagado. También simplifica la configuración de la base de datos de prueba con @AutoConfigureTestDatabase. Ahora es posible el control grueso sobre la visibilidad de los puntos finales de Actuator, y se admite la registración estructurada con Elastic Common Schema, Graylog Extended Log Format y Logstash. Los spans OTLP se pueden enviar a través de gRPC, y los certificados de cliente se pueden utilizar para la autenticación en clústeres de Couchbase. Las variables de FreeMarker en configuraciones de FreeMarker autoconfiguradas se pueden personalizar. Se ha agregado soporte para hilos virtuales a OtlpMeterRegistry y Undertow, mejorando el rendimiento. Docker Compose ahora admite varios archivos de configuración y parámetros de línea de comandos personalizados. Spring Boot 3.4 utiliza un nuevo constructor que admite plataformas ARM y x64 de forma nativa. Las imágenes nativas de GraalVM que se ejecutan en Apple Silicon en Buildpacks se han observado que funcionan más rápido que los binarios nativos de macOS. Spring Modulith y Spring AI ya han lanzado versiones compatibles con Spring Boot 3.4, ampliando aún más su ecosistema.
Spring AI es un proyecto que trae patrones y prácticas de ingeniería de inteligencia artificial a los desarrolladores de Spring Boot, ofreciendo abstracciones limpias e idiomáticas. La nueva versión, m4, se basa en Spring Boot 3.4 y agrega varias características, incluyendo soporte para Amazon Bedrock Convertse, llamadas a funciones más expresivas en Java y Kotlin, y el primer corte de soporte para RAG avanzado y modular. RAG se refiere al uso de datos de un sistema o servicio para informar la respuesta generada por un modelo de chat. La versión también incluye actualizaciones a las integraciones de almacenamiento de vectores y modelos de chat, así como una página de comparación de modelos de chat integral en la documentación. Spring AI tiene como objetivo hacer que la conexión de modelos de inteligencia artificial con datos y lógica empresarial sea fácil, enfocándose en la integración en lugar de construir modelos desde cero. La versión incluye un nuevo soporte para describir e invocar funciones, lo que permite a los modelos hacer preguntas sobre sistemas y servicios. Un ejemplo simple demuestra la definición de un FunctionCallback y el Spring AI ChatClient, que se utiliza para interactuar con un Spring AI ChatModel. El ejemplo muestra cómo definir un FunctionCallback que devuelve el clima para una ciudad determinada, y cómo utilizarlo en una prueba para verificar la respuesta esperada. La prueba verifica que el modelo pueda hacer preguntas sobre el sistema y los servicios, y que el callback de función proporciona la respuesta esperada. En general, Spring AI hace que sea fácil integrar modelos de inteligencia artificial con datos y lógica empresarial, y la nueva versión agrega varias características para apoyar este objetivo.