spring ai

Spring AI

Le projet Spring IA fournit une API et des abstractions adaptées au printemps pour développer des applications d'IA.

Son objectif est de s'appliquer aux principes de conception des écosystèmes de ressort du domaine AI tels que la portabilité et la conception modulaire et de promouvoir l'utilisation de Pojos comme blocs de construction d'une application au domaine AI.

À la base, Spring IA répond au défi fondamental de l'intégration de l'IA: connecter vos données d'entreprise et vos API avec les modèles d'IA .

Pour plus d'informations, accédez à notre documentation de référence Spring AI.

Le projet s'inspire de projets Python notables, tels que Langchain et Llamaindex, mais Spring AI n'est pas un port direct de ces projets. Le projet a été fondé avec la conviction que la prochaine vague d'applications d'IA génératives ne sera pas seulement pour les développeurs Python mais sera omniprésente dans de nombreux langages de programmation.

Il s'agit d'un aperçu des fonctionnalités de haut niveau. Vous pouvez trouver plus de détails dans la documentation de référence

• Prise en charge de tous les principaux fournisseurs de modèles d'IA tels que Anthropic, Openai, Microsoft, Amazon, Google et Olllama. Les types de modèles pris en charge comprennent:
  • Achèvement de chat
  • Intégration
  • Texte à l'image
  • Transcription audio
  • Texte à la parole
  • Modération
• La prise en charge de l'API portable entre les fournisseurs d'IA pour les options d'API synchrones et de streaming est prise en charge. L'accès aux fonctionnalités spécifiques au modèle est également disponible.
• Sorties structurées - Mappage de la sortie du modèle AI en POJOS.
• Prise en charge de tous les principaux fournisseurs de bases de données vectoriels tels que Apache Cassandra, Azure Vector Search, Chrom, Milvus, Mongodb Atlas, Neo4j, Oracle, PostgreSQL / PGVector, PineCone, Qdrant, Redis et Weavate .
• API portable entre les fournisseurs de magasins vectoriels, y compris une nouvelle API de filtre de métadonnées de type SQL.
• Outils / Fonction Calling - permet au modèle de demander l'exécution des outils et fonctions côté client, accédant ainsi aux informations nécessaires en temps réel au besoin.
• Observabilité - donne un aperçu des opérations liées à l'IA.
• Framework ETL d'injection de documents pour l'ingénierie des données.
• Évaluation du modèle d'IA - Utilitaires pour aider à évaluer le contenu généré et à protéger contre la réponse hallucinée.
• API ChatClient - API couramment pour communiquer avec les modèles de chat AI, idiomatiquement similaire aux API WebClient et RestClient.
• API des conseillers - encapsule les modèles d'IA génératifs récurrents, transforme les données envoyées sur et des modèles de langage (LLM) et fournit la portabilité sur divers modèles et cas d'utilisation.
• Prise en charge de la mémoire de conversation de chat et de la génération augmentée (RAG) de la conversation de la conversation.
• Spring Boot Auto Configuration et démarreurs pour tous les modèles AI et magasins vectoriels - Utilisez le start.spring.io pour sélectionner le modèle ou le magasin vectoriel de choix.

Commencer

Veuillez vous référer au Guide de démarrage pour instruction sur l'ajout de vos dépendances.

Ressources du projet

• Documentation
• Problèmes

• Awesome Spring AI - Une liste organisée de ressources, d'outils, de tutoriels et de projets impressionnants pour construire des applications d'IA génératives à l'aide de Spring AI

Changements de rupture

• Reportez-vous aux notes de mise à niveau pour voir comment passer à 1.0.0.m1 ou plus.

Cloner le repo

Ce référentiel contient de grands fichiers de modèle. Pour le cloner, vous devez soit:

• Ignorez les fichiers volumineux (n'affectera pas le comportement de printemps-ai): GIT_LFS_SKIP_SMUDGE=1 git clone [email protected]:spring-projects/spring-ai.git .
• Ou installez le stockage de fichiers GIT GRAND avant de cloner le dépôt.

Bâtiment

Pour construire avec des tests unitaires en cours d'exécution

./mvnw clean package

Pour construire, y compris les tests d'intégration. Définissez les variables d'environnement des clés de l'API pour OpenAI et Azure OpenAI avant de courir.

./mvnw clean verify -Pintegration-tests

Pour exécuter un test d'intégration spécifique, permettant jusqu'à deux tentatives pour réussir. Ceci est utile lorsqu'un service hébergé n'est pas fiable ou à temps.

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

Pour construire les documents

./mvnw -pl spring-ai-docs antora

Les documents sont ensuite dans le répertoire spring-ai-docs/target/antora/site/index.html

Pour reformater en utilisant le plugin Java-Format

./mvnw spring-javaformat:apply

Pour mettre à jour l'année sur les en-têtes de licence à l'aide de la licence-Maven-Plugin

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

Pour vérifier les Javadocs en utilisant le Javadoc: Javadoc

./mvnw javadoc:javadoc -Pjavadoc

Pour construire avec CheckStyles activé. CheckStyles est actuellement désactivé, mais vous pouvez les activer en faisant ce qui suit:

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