Den vollmundigen Versprechen mancher Anbieter und Influencer für generative KI steht die praktische Realität gegenüber, dass die Beschränkungen von LLMs zu vielen Problemen führen, ganz besonders beim Softwareengineering. Die Analyse großer Softwarearchitekturen und Codebasen durch LLMs scheitert unter anderem an dem beschränkten Kontextfenster der Foundation-Modelle. Das gilt im Umkehrschluss auch für deren Generierung. Wie sich diese Problematik zumindest teilweise umgehen lässt, möchte der…

Überall entstehen aktuell neue Ideen und Möglichkeiten, mithilfe von GenAI konkrete Unterstützung für im Grunde alle Rollen im Software-Engineering zu erhalten. Das kann in höherer Qualität der Softwareprodukte, verbesserter Effizienz während der Entwicklung oder besseren Entscheidungen münden. Wie gut das funktioniert und was für Potenziale hier in frühen SE-Phasen schlummern, haben wir innerhalb verschiedener Projekte genauer untersucht und ein Plugin entwickelt, um Erkenntnisse zu gewinnen,…

KI-Agenten ohne Anbindung an Unternehmenssysteme sind zahnlose Tiger: viel Potenzial, aber praktisch harmlos. Das Model-Context-Protokoll (MCP) löst genau dieses Problem: Als offener Standard verbindet es KI-Agenten unkompliziert mit heterogenen Systemen wie Self-contained Systems, Microservices oder verteilten Datenquellen – quasi USB-C für KI. Gerade für Teams in verteilten Systemlandschaften macht MCP die Integration gangbar. Wir schauen uns anhand konkreter Praxisbeispiele an, wie MCP…

In dieser Session tauchen wir in das Model Context Protocol (MCP) ein – eine leistungsstarke Methode zur Orchestrierung von Kontextdaten für LLMs. Zunächst entwickeln wir einen MCP-Server mit Spring AI, der über Claude Desktop mit verschiedenen Services verbunden wird. Anschließend erstellen wir einen MCP-Client mit Spring AI, der den Kontext aus verschiedenen Datenquellen verarbeiten kann. Zum Abschluss widmen wir uns dem Thema Security und zeigen, wie der MCP-Server mit OAuth2 abgesichert…