Spring AI MCP sunucusu
Commit 1 Kas 2026OpenAI, Ollama ve Bedrock gibi LLM'ler ile Spring Boot uygulamaları geliştirmek için referans bağlantıları ve araçlar sağlar.
Ayrıca bilinen adı eazybytes/spring-ai
- Yıldızlar
- 184
- Araçlar
- —
- İndirmeler, 30 gün
- —
- En son sürüm
- —
- Son commit
- 1 Kas 2026
- Lisans
- —
Spring AI MCP nedir?
Spring AI bir MCP sunucusudur. OpenAI, Ollama ve Bedrock gibi LLM'ler ile Spring Boot uygulamaları geliştirmek için referans bağlantıları ve araçlar sağlar.
Özet, projenin README dosyasından oluşturuldu
Spring AI MCP sunucusu hakkında
Büyük dil modelleri ile akıllı Spring Boot uygulamaları geliştirmek bu kaynağın temel amacıdır. Geliştiricilere, standart Java geliştirmeden yapay zeka mühendisliğine geçiş yapmaları için gerekli olan küratörlü referans bağlantılarını ve araçları sunar. Sunucu, çeşitli yapay zeka sağlayıcılarını bir Spring ortamına entegre etmek için gereken dokümantasyon ve çalışma zamanı bilgilerinin merkezi bir deposu olarak görev yapar.
Kullanıcılar, Ollama veya Docker Model Runner kullanarak yerel model yürütme bilgilerinin yanı sıra AWS Bedrock ve OpenAI gibi yönetilen hizmetlere ilişkin bilgilere erişebilirler. Araç seti, Qdrant vektör veritabanı ile Retrieval-Augmented Generation uygulamanın yanı sıra Micrometer, Prometheus ve Grafana aracılığıyla gözlemlenebilirliği yönetme konusunda rehberlik içerir. Spring AI kursunu takip edenler için tokenizasyondan Jaeger ile dağıtık izlemeye kadar her şeyi yöneten teknik bir yardımcı görevi görür.
Neler yapabilirsiniz
- 1Yerel LLM'leri entegre edinAçık kaynaklı modelleri kendi makinenizde çalıştırmak için yerel bir geliştirme ortamı yapılandırın.
- 2RAG mimarilerini uygulayınBir Spring uygulaması içinde retrieval-augmented generation yapısını desteklemek için bir vektör veritabanı kurun.
- 3Yapay zeka uygulaması metriklerini izleyinEndüstri standardı telemetri ve izleme araçlarını kullanarak Spring Boot servisleri için gözlemlenebilirlik sağlayın.
- 4Bulut yapay zeka hizmetlerini yönetinSpring Boot uygulamanızı AWS üzerinde barındırılan temel modellere bağlayın.
Projenin README dosyasından alınmıştır. Her kullanım durumu, oradaki bir alıntı ile kontrol edilir.
Otomatik kontroller
Çalıştırıldı 14 Kas 2026Tam rapor →Henüz doğrulanmadı. Bir sunucunun 80 puana, ciddi bir bulgu olmamasına ve kontrol edebilmemiz için yeterli veriye ihtiyacı vardır. Kontroller nasıl çalışır · Daha fazla puan için nelerin düzeltileceği
- Kaynak deposu bağlantılı ve erişilebilireazybytes/spring-ai is public and reachablegithub.com/eazybytes/spring-ai ↗Geçti
- Paket, bu depoyu kaynağı olarak gösteriyorKontrol edilmedi
- Derleme kökeni (Sigstore onayı)Kontrol edilmedi
- Açık kaynak lisansı (OSI)No licenseBulgu
- Son bir yıl içinde commit veya sürüm mevcutLast commit or release 2026-11-01github.com/eazybytes/spring-ai ↗Geçti
- OpenSSF ScorecardKontrol edilmedi
- Paket adı popüler bir pakete yakın değilKontrol edilmedi
- Pakette veya bağımlılıklarında kritik uyarı yokKontrol edilmedi
- Modele yönelik gizli talimat yok0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersGeçti
- Yıkıcı araçlar etiketlenmişKontrol edilmedi
- Uzak uç nokta MCP el sıkışmasına yanıt veriyorKontrol edilmedi
From 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! 🚀
Spring AI MCP soruları
Spring AI ne için kullanılır?
Spring AI, geliştiricilerin Spring AI framework'ünü kullanarak akıllı uygulamalar oluşturmasına ve OpenAI gibi LLM'leri Spring Boot uygulamalarına entegre etmesine yardımcı olur.
Kurs hangi yapay zeka sağlayıcılarını kapsıyor?
Kurs; OpenAI, yerel modeller için Ollama ve yönetilen temel modeller için AWS Bedrock'ı referans almaktadır.
Spring AI ile RAG için hangi vektör deposu kullanılıyor?
Retrieval-Augmented Generation demolarında açık kaynaklı bir vektör veritabanı olan Qdrant kullanılmaktadır.
Kurs için yapay zeka modellerini yerel olarak nasıl çalıştırabilirim?
Yapay zeka modellerini yerel olarak çalıştırmak ve yönetmek için Ollama veya Docker Model Runner kullanın; bu kurulumlar için Docker Desktop önerilir.
Yapay zeka uygulamaları için hangi izleme araçları referans veriliyor?
Kurs; metrikler ve izleme (tracing) için Prometheus, Micrometer, OpenTelemetry, Grafana ve Jaeger'ı referans almaktadır.