Blog
J’écris sur Java, l’architecture logicielle, les design patterns, l’intelligence artificielle appliquée, le RAG, les agents IA et l’ingénierie logicielle. À travers mes articles, je partage des retours d’expérience, des analyses techniques et des approches concrètes pour concevoir des applications robustes, maintenables et utiles.
Model Context Protocol (MCP) avec Spring AI : Exposer et consommer des outils distants
Le Model Context Protocol (MCP) est un protocole ouvert qui standardise la communication entre les applications IA et les outils externes. Dans cet article, nous construisons un MCP Server qui expose un outil RAG et un MCP Host qui l'orchestre aux côtés du serveur MCP GitHub.
Orchestration multi-agents avec Spring AI
Et si au lieu d'un seul agent IA, vous en orchestriez plusieurs en parallèle ? Dans cet article, nous construisons un workflow multi-agents avec Spring AI : des agents spécialisés s'exécutent en parallèle via les Virtual Threads de Java, puis un évaluateur qualifie le résultat global.
Sécuriser les outils IA avec Spring Security
Quand un LLM peut appeler vos méthodes Java, la sécurité devient critique. Dans cet article, nous combinons Spring AI et Spring Security pour contrôler l'accès aux outils IA avec @PreAuthorize et une authentification HTTP Basic.
Function Calling avec Spring AI : Quand le LLM appelle vos méthodes Java
Le Function Calling permet au LLM d'appeler des fonctions côté serveur pour accéder à des données en temps réel. Spring AI offre deux approches : les fonctions déclarées comme beans Spring (@Bean + @Description) et les méthodes annotées avec @Tool. Découvrons ces deux patterns.
RAG avec Spring AI : Du Naïf à l'Avancé
Après avoir construit le pipeline d'ingestion, il est temps d'interroger nos données. Dans cet article, nous comparons le RAG naive avec recherche par similarité au RAG avancé utilisant la réécriture, l'expansion et la compression de requêtes avec le RetrievalAugmentationAdvisor.
RAG avec Spring AI : Construire un pipeline d'ingestion de données
Le RAG (Retrieval-Augmented Generation) permet d'enrichir les réponses d'un LLM avec vos propres données. Dans cet article, nous construisons le pipeline d'ingestion : lecture de documents, découpage en chunks, génération d'embeddings et stockage dans PostgreSQL/PGVector.
Donner de la mémoire à votre IA : gérer le contexte conversationnel avec Spring AI
Les LLM sont sans état par nature : chaque requête est traitée indépendamment. Spring AI résout ce problème grâce au système de Chat Memory et au pattern Advisor. Dans cet article, nous implémentons un chatbot avec mémoire conversationnelle en quelques lignes de code.
