Komitmen Masa: Keseluruhan bengkel ini boleh diselesaikan secara dalam talian tanpa perlu persediaan tempatan. Persediaan persekitaran mengambil masa 2 minit, manakala penerokaan sampel memerlukan 1-3 jam bergantung kepada tahap penerokaan.
Mula Cepat
- Fork repositori ini ke akaun GitHub anda
- Klik Code → tab Codespaces → ... → New with options...
- Gunakan tetapan lalai – ini akan memilih kontena Pembangunan yang dicipta untuk kursus ini
- Klik Create codespace
- Tunggu ~2 minit untuk persekitaran bersedia
- Teruskan ke Contoh pertama
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
- Konsep Asas: Memahami Model Bahasa Besar, token, embedding, dan keupayaan AI
- Ekosistem AI Java: Gambaran keseluruhan Spring AI dan OpenAI SDKs
- Protokol Konteks Model: Pengenalan kepada MCP dan peranannya dalam komunikasi agen AI
- Aplikasi Praktikal: Senario dunia sebenar termasuk chatbot dan penjanaan kandungan
- → Mula Bab 1
- Konfigurasi Pelbagai Penyedia: Sediakan Model GitHub, Azure OpenAI, dan integrasi OpenAI Java SDK
- Spring Boot + Spring AI: Amalan terbaik untuk pembangunan aplikasi AI perusahaan
- Model GitHub: Akses model AI percuma untuk prototaip dan pembelajaran (tiada kad kredit diperlukan)
- Alat Pembangunan: Konfigurasi kontena Docker, VS Code, dan GitHub Codespaces
- → Mula Bab 2
- Prompt Engineering: Teknik untuk respons model AI yang optimum
- Embedding & Operasi Vektor: Melaksanakan carian semantik dan pemadanan kesamaan
- Retrieval-Augmented Generation (RAG): Gabungkan AI dengan sumber data anda sendiri
- Function Calling: Memperluaskan keupayaan AI dengan alat dan plugin tersuai
- → Mula Bab 3
- Pet Story Generator (
petstory/): Penjanaan kandungan kreatif dengan Model GitHub - Foundry Local Demo (
foundrylocal/): Integrasi model AI tempatan dengan OpenAI Java SDK - MCP Calculator Service (
calculator/): Pelaksanaan asas Protokol Konteks Model dengan Spring AI - → Mula Bab 4
- Keselamatan Model GitHub: Uji penapisan kandungan terbina dalam dan mekanisme keselamatan (sekatan keras dan penolakan lembut)
- Demo AI Bertanggungjawab: Contoh praktikal yang menunjukkan cara sistem keselamatan AI moden berfungsi
- Amalan Terbaik: Garis panduan penting untuk pembangunan dan pelaksanaan AI yang beretika
- → Mula Bab 5
- MCP For Beginners
- AI Agents For Beginners
- Generative AI for Beginners using .NET
- Generative AI for Beginners using JavaScript
- Generative AI for Beginners
- ML for Beginners
- Data Science for Beginners
- AI for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for AI Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
- RAG Chat App with Azure AI Services
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.