Spring AI: LLMs, Tools, RAG, Agentes y Deploy en AWS

¿Qué tiene que ver Spring Boot con la inteligencia artificial?

Todo. Spring AI es el módulo oficial del ecosistema Spring que permite a los desarrolladores Java integrar modelos de lenguaje (LLMs) en sus aplicaciones con las mismas prácticas que ya conocen: inyección de dependencias, auto-configuración, abstracciones limpias y portabilidad entre proveedores.

En este curso vas a construir, clase a clase, un asistente médico educativo completo. Arranca como un chatbot básico que responde preguntas con el conocimiento general de Google Gemini, y termina como un agente inteligente desplegado en AWS capaz de buscar turnos en una base de datos real, consultar historiales clínicos, recordar conversaciones entre sesiones, responder preguntas usando documentación propia y conectarse a herramientas externas vía MCP.

No es un curso de demos sueltas. Es un proyecto progresivo donde cada sección agrega una capa real al mismo sistema, igual que en un desarrollo profesional.

El stack:

• Java 21 + Spring Boot 4 + Spring AI 2.x

• Google Gemini como LLM principal (gratis, sin tarjeta de crédito)

• Ollama como alternativa local para correr modelos en tu máquina

• PostgreSQL con Docker Compose

• Chroma como vector store para RAG

• AWS para el deploy final

¿Qué vas a aprender?

• Cómo funciona un LLM por dentro (sin matemáticas) y cómo Spring AI lo abstrae

• ChatModel, ChatClient, system prompts, streaming y endpoints REST profesionales

• Portabilidad real entre proveedores: cambiar de Gemini a Ollama con un perfil de Spring

• Context Engineering: PromptTemplate con variables, few-shot, chain-of-thought y archivos .st

• Structured Outputs: convertir respuestas del modelo a records de Java con tipado fuerte

• Tool Calling: que el modelo invoque funciones de tu código para acceder a APIs y bases de datos

• Diseño robusto de tools: del anti-patrón al patrón encapsulado con validación

• ToolContext para pasar información de seguridad sin exponerla al modelo

• Memoria persistente con JdbcChatMemory y PostgreSQL

• RAG completo: embeddings, vector stores, DocumentReader, TextSplitter y QuestionAnswerAdvisor

• Custom Advisors: interceptores before/after para logging, filtros y disclaimers automáticos

• Tres patrones de agentes: Chain Workflow, Routing Workflow y Orchestrator-Workers

• Human-in-the-Loop y Progress Notifications en agentes

• MCP (Model Context Protocol): resources, prompts, tools y las tres capabilities

• Integration testing de tools MCP y pipelines con modelos no deterministas

• Deploy completo en AWS: Dockerfile multi-stage, ECR, RDS, EC2 y monitoreo con CloudWatch

¿Cuánto cuesta seguir el curso?

Prácticamente cero. Google Gemini tiene un tier gratuito indefinido que no requiere tarjeta de crédito. AWS usa servicios dentro del free tier, y el curso enseña buenas prácticas de cost management (billing alerts, apagar recursos) para que el gasto real sea mínimo. Al crear tu cuenta AWS recibís $100 en créditos válidos por 6 meses.

¿Por qué este curso es diferente?

Este curso llega hasta producción en AWS con persistencia real, monitoreo y prácticas profesionales. No se queda en la demo: cada clase construye sobre la anterior y al final tenés una aplicación desplegada que podés mostrar en tu portfolio.

El código se escribe en vivo, paso a paso, en IntelliJ IDEA. Cada sección tiene su propio repositorio, así que podés clonar desde cualquier punto si te perdés. Los conceptos se explican primero con slides y después se implementan en código real.