RAG в JVM-стеке: AI-ассистент на Spring AI без Python

Команда автора статьи внедрила AI-ассистента для внутренней системы, не переходя на Python. Взяли Spring AI, PostgreSQL с pgVector и быстро убедились: качество ответов упирается не в код, а в данные. Документация оказалась разрозненной, стандартное разбиение на чанки теряло контекст.

После экспериментов с перекрытием и секциями пришли к простому решению: векторный поиск идёт по чанкам, но в ответ передаётся полный текст секций, к которым относятся найденные фрагменты. Это сохранило точность поиска и устранило разрывы инструкций. Главный вывод — модель не добавляет знаний, а лишь отражает зрелость документации. Улучшение базы знаний дало больший прирост качества, чем выбор более мощной LLM.

Для Java-разработчиков — готовый кейс внедрения RAG в привычном стеке. Подробности с примерами кода — в статье: https://habr.com/ru/companies/raiffeisenbank/articles/1012666/

Три ИТ-события, которые вы могли пропустить (а зря)

Пока все гонятся за хайповыми новостями, мы вместе с коллегой Андреем Дмитриевым из JUG.ru собрали события, которые уже повлияли на мир разработки.

В пилотном выпуске нового подкаста:
— Хакеры стерли десятки тысяч ПК через Microsoft Intune
— Дефицит оперативной памяти до 2030 года
— Оптимизация glibc под x86_64

О других событиях вы можете узнать, послушав подкаст.

Особое внимание предлагаем уделить рефлексии. В выпуске мы подсветили, почему те или иные истории важны для ИТ-сообщества. А теперь призываем вас в комменты под видео: что уже вошло в вашу жизнь из этих кейсов? И как думаете, что из этого не производит резонанса?

Смотрите подкаст и присоединяйтесь к дискуссии: https://tprg.ru/S7jD

Как решить задачу охраны промышленных объектов

Проинспектировать НПЗ с десятками корпусов или организовать охрану трубопровода на 400 км — задача не из простых.

Камеры не заглянут за угол. Дрон через 30–40 минут работы придется зарядать. Охранник — дорого, медленно, небезопасно.

Остаётся робособака. Они уже вышли за пределы мемных видео от Boston Dynamics, и сейчас активно используются в кейсах, вроде охраны.

Как они устроены технически — можете узнать в материале на нашем сайте. Внутри:
— как устроено ядро и почему к нему нет прямого доступа
— почему к лидару обязательно добавляют сонар и радар
— как работает рой в mesh-сети без GPS
— где робот ломается (метель, стройка, полиэтиленовая плёнка)

Спойлер: экосистема пока сырая, стандартов нет, собрать самому нельзя. Но альтернативы для сложного рельефа и помещений — нет.

Локализация через Enum: избавляемся от рантайм-парсинга

В статье на Tproger разобрали три подхода к локализации: классическое наследование требует дублировать поля вручную, стандартные ARB/JSON парсятся в рантайме и съедают память, а табличные генераторы требуют ручного запуска после каждой строки.

Выход — Enum в одном файле без внешних ресурсов. Это убирает рантайм-парсинг и ручное дублирование. Если ваши сервисы сопрягаются с клиентами, где локализация до сих пор требует JSON или генераторов, стоит переложить её на compile-time решение.

Если вы устали от бесконечных тасок и созвонов, то мы приготовили для вас игру, которая поможет отдохнуть

А заодно проверить вашу способность быстро запоминать новую инфу. Переходите по ссылке и играйте в нашу «Меморину». И делитесь результатами в комментариях!

Играть тут: https://tprg.ru/bjqP

KotlinLLM: модель пишет runtime-логику в вашем Kotlin/JVM-проекте

JetBrains Research открыл исходники плагина для IntelliJ IDEA. В Kotlin/JVM-проектах появляются Smart macros — функции, тело которых генерирует модель, сохраняется в репозитории как Kotlin-код и исполняется без повторных вызовов LLM.

Для Kotlin-разработчика в enterprise это детерминированный runtime, меньше вызовов к API в продакшене и ревью сгенерированной логики вместе с остальным кодом. Пишете asLlm<F, T>() для преобразования данных или mockLlm<T>() для тестового интерфейса.

Прототип проверен на адаптированном Spring Petclinic и радаре GitHub-задач: накладные расходы невелики, сгенерированный код коммитится и работает как обычный Kotlin.

Apache 2.0. Подробности в блоге JetBrains Research

Spring AI 2.0 против LangChain4j: выбор для Spring Boot 4

В 2026 году Spring AI вышел вместе с Spring Boot 4 и стал официальным стартером на start.spring.io. LangChain4j не порт Python LangChain: заточен под Java, поддерживает 20+ провайдеров больших языковых моделей (LLM) и 30+ векторных БД, работая со Spring Boot, Quarkus, Helidon и Micronaut.

Главный вопрос для enterprise-команды: не «кто больше умеет», а где вы готовы платить за интеграцию. Spring AI углубляется в Spring-экосистему: внедрение зависимостей (DI), Micrometer и Actuator из коробки. LangChain4j шире по провайдерам и фреймворкам, но в Spring-проекте он остаётся внешней библиотекой, а не родным стартером.

Версии, поддержка протокола MCP и выбор интеграций — в статье. Что выберете?

В мире, где деплои по пятницам, а отпуск — глубоко в бэклоге, живёт уставший разработчик. Один герой. Один чемодан. Незакрытые таски и полный бардак.

Разгребите хаос. Найдите билет, соберите вещи, пока он не передумал. И решите главный вопрос эпохи: что ему надеть?

Соберите программиста в отпуск, найдите пасхалочки и промокоды от партнёров!