Этот курс посвящён тем аспектам Spring AI, которые становятся особенно важны после базовой интеграции: логирование, отладка, настройка поведения модели и кастомизация компонентов RAG. Мы займёмся debug’ом и troubleshooting’ом уже работающего приложения, научимся заглядывать под капот Spring AI и использовать его расширяемость для более точного контроля над процессом взаимодействия с LLM.

Мы подробно разбираем, как настраивать логирование и дебаг, чтобы лучше понимать, как и когда работают различные элементы пайплайна. Особое внимание уделяем advisors — их конфигурации, приоритетам, порядку выполнения и возможностям расширения. Отдельно рассматриваются кастомные retriever’ы, query expansion и re-rankers, которые позволяют тонко управлять выборкой документов и повышать точность ответов модели.

Фокус курса — на контроле, предсказуемости и возможности пошагового улучшения поведения системы.

В процессе мы продолжаем работу над уже реализованным чат-сервисом и последовательно улучшаем его поведение. На уровне входящего запроса внедряем механизмы для обогащения query (query expansion), чтобы повысить релевантность поиска и точность последующего ответа. После получения результатов от RAG встраиваем собственные re-ranker’ы и анализируем, как меняется порядок документов и их score. Все эти улучшения реализуются через встроенные расширения Spring AI, а также через добавление собственных компонентов.

Это не построение системы с нуля, а развитие уже работающего решения — с акцентом на точную настройку, практическую надёжность и повышение качества ответа без изменения UI или внешнего слоя. Курс подходит для тех, кто хочет внедрять Spring AI в реальные системы