Serveur MCP Spring AI
Commit 1 nov. 2026Fournit des liens de référence et des outils pour construire des applications Spring Boot avec des LLM tels qu'OpenAI, Ollama et Bedrock.
Aussi connu sous eazybytes/spring-ai
- Étoiles
- 184
- Outils
- —
- Téléchargements, 30 jours
- —
- Dernière version
- —
- Dernier commit
- 1 nov. 2026
- Licence
- —
Qu'est-ce que Spring AI MCP ?
Spring AI est un serveur MCP. Fournit des liens de référence et des outils pour construire des applications Spring Boot avec des LLM tels qu'OpenAI, Ollama et Bedrock.
Résumé généré à partir du README du projet
À propos du MCP server Spring AI
L'objectif principal de cette ressource est la construction d'applications Spring Boot intelligentes utilisant des modèles de langage de grande taille. Elle fournit aux développeurs des liens de référence et des outils sélectionnés, nécessaires pour passer du développement Java standard à l'ingénierie de l'IA. Le serveur fait office de dépôt central pour la documentation et les informations d'exécution requises pour intégrer divers fournisseurs d'IA dans un environnement Spring.
Les utilisateurs peuvent accéder à des informations concernant l'exécution de modèles locaux via Ollama ou Docker Model Runner, ainsi qu'à des services managés comme AWS Bedrock et OpenAI. La boîte à outils inclut des conseils sur l'implémentation du Retrieval-Augmented Generation avec la base de données vectorielle Qdrant et sur la gestion de l'observabilité via Micrometer, Prometheus et Grafana. Elle sert de compagnon technique pour ceux qui suivent le cours Spring AI afin de tout gérer, de la tokenisation au traçage distribué avec Jaeger.
Ce que vous pouvez faire avec
- 1Intégrer des LLM locauxConfigurez un environnement de développement local pour exécuter des modèles open-source sur votre propre machine.
- 2Implémenter des architectures RAGConfigurez une base de données vectorielle pour prendre en charge le retrieval-augmented generation au sein d'une application Spring.
- 3Surveiller les métriques d'applications d'IAÉtablissez l'observabilité pour vos services Spring Boot en utilisant des outils de télémétrie et de traçage standards du marché.
- 4Gérer les services d'IA dans le cloudConnectez votre application Spring Boot à des modèles de fondation hébergés sur AWS.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Vérifications automatisées
Exécuté le 14 nov. 2026Rapport complet →Pas encore vérifié. Un serveur nécessite un score de 80, aucune faille sérieuse et suffisamment de données pour que nous puissions effectuer les vérifications. Fonctionnement des vérifications · Ce qu'il faut corriger pour gagner des points
- Dépôt source lié et accessibleeazybytes/spring-ai is public and reachablegithub.com/eazybytes/spring-ai ↗Réussi
- Le nom du package correspond au dépôt sourceNon vérifié
- Provenance du build (attestation Sigstore)Non vérifié
- Licence open source (OSI)No licenseFaille
- Commit ou version publiée au cours de l'année écouléeLast commit or release 2026-11-01github.com/eazybytes/spring-ai ↗Réussi
- OpenSSF ScorecardNon vérifié
- Nom du package non proche d'un package populaireNon vérifié
- Aucun avis critique dans le package ou ses dépendancesNon vérifié
- Aucune instruction cachée destinée au modèle0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersRéussi
- Les outils destructifs sont étiquetésNon vérifié
- Le point de terminaison distant répond à la poignée de main MCPNon vérifié
README
Voir sur GitHubFrom Java Dev to AI Engineer: Spring AI Fast Track
🌱 Spring AI Course – Resources & Reference Links
Welcome to the official GitHub repository for the Spring AI Course. This course helps you build intelligent applications using the Spring AI framework and integrate powerful LLMs like OpenAI into your Spring Boot apps.
Below are some carefully curated reference links and tools used throughout the course. Bookmark this information for quick access during development and exploration.
📘 Official Documentation
-
Spring AI Official Documentation
The core reference for understanding Spring AI modules, configuration, and supported AI providers. -
OpenAI Platform Docs
Learn how to use OpenAI's APIs including ChatGPT, GPT-4, embeddings, and more.
🤖 AI Providers & Runtimes
-
Ollama
Run open-source large language models (LLMs) locally on your machine with simple commands. -
AWS Bedrock
Access foundation models from various providers via a fully managed AWS service. -
Docker Desktop
Essential for running local AI model runtimes and Docker Compose setups used in the course. -
Docker Model Runner
Use Docker’s official tool for running and managing AI models locally.
📚 Foundational Papers & Tools
-
Attention Is All You Need (Transformer Paper)
The seminal research paper that introduced the Transformer architecture behind modern LLMs. -
OpenAI Tokenizer Tool
Visualize how OpenAI tokenizes input prompts and estimate token usage.
📦 Vector Store & MCP
-
Qdrant Vector Database
An open-source vector store used in Retrieval-Augmented Generation (RAG) demos with Spring AI. -
Model Context Protocol (MCP)
A protocol for connecting AI clients and servers in a decoupled and extensible way.
📊 Observability & Monitoring Tools
-
Prometheus
Monitoring and alerting toolkit for collecting Spring Boot and AI app metrics. -
Micrometer
Java metrics collection library used with Spring Boot to expose observability data. -
OpenTelemetry
Industry-standard framework for distributed tracing and telemetry data. -
Grafana
Visualization tool for creating dashboards from Prometheus and other data sources. -
Jaeger Tracing
Distributed tracing platform used to trace and monitor AI request flows.
📎 Stay Connected
📬 For questions or issues, raise a GitHub issue or connect with the course instructor
Happy Learning! 🚀
Questions sur Spring AI MCP
À quoi sert Spring AI ?
Spring AI aide les développeurs à construire des applications intelligentes en utilisant le framework Spring AI et à intégrer des LLM comme OpenAI dans des applications Spring Boot.
Quels fournisseurs d'IA sont abordés dans le cours ?
Le cours fait référence à OpenAI, Ollama pour les modèles locaux, et AWS Bedrock pour les modèles de fondation managés.
Quelle base de données vectorielle est utilisée pour le RAG avec Spring AI ?
Qdrant, une base de données vectorielle open-source, est utilisée dans les démonstrations de Retrieval-Augmented Generation.
Comment puis-je exécuter des modèles d'IA localement pour le cours ?
Utilisez Ollama ou Docker Model Runner pour exécuter et gérer des modèles d'IA localement ; Docker Desktop est recommandé pour ces configurations.
Quels outils de monitoring sont mentionnés pour les applications d'IA ?
Le cours mentionne Prometheus, Micrometer, OpenTelemetry, Grafana et Jaeger pour les métriques et le traçage.