spring ai

Frühlings -AI

Das Spring AI-Projekt bietet eine federfreundliche API und Abstraktionen für die Entwicklung von AI-Anwendungen.

Sein Ziel ist es, die Konstruktionsprinzipien der AI Domain Spring -Ökosysteme wie Portabilität und modulares Design zu bewerben und die Verwendung von Pojos als Bausteine ​​einer Anwendung auf die AI -Domäne zu fördern.

In seinem Kern befasst sich Spring AI mit der grundlegenden Herausforderung der KI -Integration: Verbinden Sie Ihre Unternehmensdaten und APIs mit den KI -Modellen .

Weitere Informationen finden Sie in unserer Spring AI -Referenzdokumentation.

Das Projekt lässt sich von bemerkenswerten Python -Projekten wie Langchain und Llamaindex inspirieren, aber Spring AI ist kein direkter Hafen dieser Projekte. Das Projekt wurde mit der Überzeugung gegründet, dass die nächste Welle generativer KI -Anwendungen nicht nur für Python -Entwickler geeignet ist, sondern in vielen Programmiersprachen allgegenwärtig sein wird.

Dies ist eine Übersicht über einen hohen Niveau. Weitere Details finden Sie in der Referenzdokumentation

• Unterstützung für alle wichtigen KI -Modellanbieter wie Anthropic, Openai, Microsoft, Amazon, Google und Ollama. Unterstützte Modelltypen umfassen:
  • Chat -Abschluss
  • Einbettung
  • Text zum Bild
  • Audio -Transkription
  • Text zur Sprache
  • Mäßigung
• Tragbare API -Unterstützung zwischen KI -Anbietern für synchrone und Streaming -API -Optionen werden unterstützt. Der Zugriff auf modellspezifische Funktionen ist ebenfalls verfügbar.
• Strukturierte Ausgänge - Zuordnung des KI -Modellausgangs an Pojos.
• Unterstützung für alle wichtigen Vektor -Datenbankanbieter wie Apache Cassandra, Azure Vectorsuche, Chroma, Milvus, MongoDB Atlas, Neo4j, Oracle, Postgresql/PgVector, Pinecone, Qdrant, Redis und Weaviate .
• Tragbare API über Vektorspeicheranbieter, einschließlich einer neuartigen SQL-ähnlichen Metadaten-Filter-API.
• Tools/Funktionsaufruf-Ermöglicht das Modell, die Ausführung von kundenseitigen Tools und Funktionen anzufordern, wodurch nach Bedarf auf die erforderlichen Echtzeitinformationen zugegriffen wird.
• Beobachtbarkeit - bietet Einblicke in die AI -bezogenen Operationen.
• Dokumentinjektion ETL -Framework für Datentechnik.
• AI -Modellbewertung - Versorgungsunternehmen zur Bewertung generierter Inhalte und dem Schutz vor halluzinierter Reaktion.
• Chatclient -API - fließende API für die Kommunikation mit AI -Chat -Modellen, idiomatisch ähnlich der Webclient- und RestClient -API.
• Advisors -API - Kapuliert wiederkehrende generative KI -Muster, transformiert Daten, die an und von Sprachmodellen (LLMs) gesendet werden, und bieten Portabilität über verschiedene Modelle und Anwendungsfälle hinweg.
• Unterstützung für Chat -Gesprächsgedächtnis und Abruf Augmented Generation (RAG).
• FRING BOOT Auto -Konfiguration und Starter für alle KI -Modelle und Vektorspeicher - Verwenden Sie den Start.spring.io, um das Modell oder den Vektor -Store der Wahl auszuwählen.

Erste Schritte

Weitere Informationen zum Hinzufügen Ihrer Abhängigkeiten finden Sie im Anweisungen zur Anweisung.

Projektressourcen

• Dokumentation
• Probleme

• Awesome Spring AI - Eine kuratierte Liste großartiger Ressourcen, Tools, Tutorials und Projekte zum Erstellen generativer KI -Anwendungen mit Spring AI

Veränderungen brechen

• Weitere Informationen finden Sie in den Upgrade -Notizen, um auf 1.0.0.m1 oder höher zu aktualisieren.

Das Repo klonieren

Dieses Repository enthält große Modelldateien. Um es zu klonen, müssen Sie beider:

• Ignorieren Sie die großen Dateien (wirkt sich nicht auf das Spring-AI-Verhalten aus): GIT_LFS_SKIP_SMUDGE=1 git clone [email protected]:spring-projects/spring-ai.git .
• Oder installieren Sie den Git großen Dateispeicher vor dem Klonen des Repo.

Gebäude

Mit laufenden Einheitstests zu bauen

./mvnw clean package

Aufbau einschließlich Integrationstests. Stellen Sie vor dem Laufen API -Key -Umgebungsvariablen für OpenAI und Azure Openai fest.

./mvnw clean verify -Pintegration-tests

Einen bestimmten Integrationstest durchführen, der bis zu zwei Versuche zum Erfolg ermöglicht. Dies ist nützlich, wenn ein gehosteter Dienst nicht zuverlässig oder ausgeht.

./mvnw -pl vector-stores/spring-ai-pgvector-store -Pintegration-tests -Dfailsafe.rerunFailingTestsCount=2 -Dit.test=PgVectorStoreIT verify

Um die Dokumente zu bauen

./mvnw -pl spring-ai-docs antora

Die Dokumente befinden sich dann im Verzeichnis spring-ai-docs/target/antora/site/index.html

Mit dem Java-Format-Plugin neu formatieren

./mvnw spring-javaformat:apply

So aktualisieren Sie das Jahr über Lizenzkopfzeile mit dem Lizenz-Maven-Plugin

./mvnw license:update-file-header -Plicense

Überprüfen Sie Javadocs mit dem Javadoc: Javadoc

./mvnw javadoc:javadoc -Pjavadoc

So bauen Sie mit aktivierter Scheckstile. Checkstyles sind derzeit deaktiviert. Sie können diese jedoch aktivieren, indem Sie Folgendes durchführen:

./mvnw clean package -DskipTests -Ddisable.checks=false