Időráfordítás: Az egész workshop online elvégezhető helyi telepítés nélkül. A környezet beállítása 2 percet vesz igénybe, a minták felfedezése pedig 1-3 órát, felfedezési mélységtől függően.

Gyors indulás

1. Forkold ezt a tárolót a GitHub fiókodba
2. Kattints a Code → Codespaces fülre → ... → Új opciókkal...
3. Használd az alapértelmezetteket – ez kiválasztja a kurzushoz létrehozott fejlesztői konténert
4. Kattints a Kódterület létrehozása gombra
5. Várj kb. 2 percet, míg a környezet elkészül
6. Ugrás közvetlenül a 2. fejezet: Azure AI Foundry üzembe helyezése részhez

Arab | Bengáli | Bolgár | Burmai (Mianmar) | Kínai (egyszerűsített) | Kínai (hagyományos, Hongkong) | Kínai (hagyományos, Makaó) | Kínai (hagyományos, Tajvan) | Horvát | Cseh | Dán | Holland | Észt | Finn | Francia | Német | Görög | Héber | Hindí | Magyar | Indonéz | Olasz | Japán | Kannada | Khmer | Koreai | Litván | Maláj | Malayalam | Marathi | Nepáli | Nigeriai pidzsín | Norvég | Perzsa (fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmukhi) | Román | Orosz | Szerb (cirill) | Szlovák | Szlovén | Spanyol | Szvahiili | Svéd | Tagalog (filippínó) | Tamil | Telugu | Thai | Török | Ukrán | Urdu | Vietnami

Helyileg klónoznál inkább?

Ez a tároló több mint 50 nyelvű fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkout-ot:

Bash / macOS / Linux:

CMD (Windows):

Így megkapod a kurzus teljes anyagát, sokkal gyorsabb letöltéssel.

• Alapfogalmak: Nagy nyelvi modellek, tokenek, beágyazások és AI képességek megértése
• Java AI ökoszisztéma: Spring AI és OpenAI SDK-k áttekintése
• Model Context Protocol: A MCP bemutatása és szerepe az AI ügynökök közötti kommunikációban
• Gyakorlati alkalmazások: Valós világ példák, többek között chatbotok és tartalomgenerálás
• → Kezdés az 1. fejezettel

• Azure AI Foundry: Modell üzembe helyezések előkészítése kóddal Bicep és Azure Developer CLI (azd) segítségével
• Spring Boot + Spring AI: Vállalati AI alkalmazás fejlesztési bevált gyakorlatok
• Kulcs nélküli hitelesítés: Biztonságos kapcsolódás Microsoft Entra ID-vel — nincs API-kulcs kezelés
• Fejlesztői eszközök: Docker konténerek, VS Code és GitHub Codespaces konfiguráció
• → Kezdés a 2. fejezettel

• Prompt mérnökség: Optimális AI modell válaszok előállítási technikái
• Beágyazások és vektorműveletek: Szemantikus keresés és hasonlóság okozása
• Retrieval-Augmented Generation (RAG): AI és saját adatforrásaid kombinálása
• Funkcióhívás: AI képességek bővítése egyedi eszközökkel és pluginokkal
• → Kezdés a 3. fejezettel

• Kedvenc történet generátor (petstory/): Kreatív tartalom generálás Azure AI Foundry-val
• Foundry helyi demó (foundrylocal/): Helyi AI modell integráció OpenAI Java SDK-val
• MCP számológép szolgáltatás (calculator/): Egyszerű Model Context Protocol megvalósítás Spring AI-val
• → Kezdés a 4. fejezettel

• Azure AI Foundry tartalombiztonság: Beépített tartalomszűrés és biztonsági mechanizmusok tesztelése (kemény blokkok és enyhe visszautasítások)
• Felelős AI demó: Gyakorlati példa a modern AI biztonsági rendszerek működéséről
• Legjobb gyakorlatok: Etikus AI fejlesztési és üzembe helyezési irányelvek
• → Kezdés az 5. fejezettel

Ha elakadsz, vagy bármilyen kérdésed van az AI alkalmazások fejlesztésével kapcsolatban. Csatlakozz a tanulók és tapasztalt fejlesztők beszélgetéseihez az MCP közösségében. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.

Ha termék visszajelzésed vagy hibád van fejlesztés közben, látogass el ide:

Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.