AI Engineer con Java

De qué se trata

Programa completo para convertirte en AI Engineer con Java: construye aplicaciones de IA con Spring AI y LangChain4j, domina Spec-Driven Development para generar código con control y adopta Skill-Driven Development (con KCP) para que el conocimiento de tu equipo componga con la IA.

AI Engineer con Java — un solo programa, tres capacidades: construir aplicaciones de IA en Java, dirigir a la IA con especificaciones y hacer que el conocimiento de tu equipo componga con skills y KCP.

⚠️ El problema

• Hoy cualquiera genera código con AI, pero sin control de requisitos ni arquitectura
• Cada chat empieza de cero: re-explicas convenciones, dominio y errores
• Velocidad sin red → deuda, bugs sutiles y alucinaciones caras

👉 El problema no es la AI.
👉 Es la falta de ingeniería: especificaciones, skills y conocimiento navegable.

🤖 Bloque 1 – IA con Java: Spring AI + LangChain4j

Construye aplicaciones de IA completas en Java integrando LLMs, RAG, agentes, memoria y tool calling con arquitectura profesional.

• Fundamentos de IA y LLMs aplicados a Java
• Introducción a Spring AI y LangChain4j
• Configuración de Spring AI y conexión con modelos LLM
• Prompt engineering (system prompts, few-shot y prompts estructurados)
• Chatbots con memoria persistente
• Embeddings y búsqueda semántica con vector databases
• RAG (Retrieval Augmented Generation) en Java
• Tool calling e integración con APIs externas
• AI Agents con LangChain4j (tools, memory y orquestación)
• Arquitectura completa de aplicaciones AI (backend + frontend)

📐 Bloque 2 – Spec-Driven Development con AI

Usa especificaciones como fuente de verdad y orquesta a la AI para implementar en Spring Boot y Quarkus sin perder control de arquitectura ni de tests.

• El problema del AI sin ingeniería: vibe coding vs ingeniería
• Fundamentos de SDD y diferencias con TDD/BDD — flujo Spec → Code → Validate
• Constitution: reglas del sistema, stack, estándares y seguridad
• Writing Specs: user stories, acceptance criteria y edge cases
• Diseño desde la spec: API contracts, modelado de datos, arquitectura agnóstica
• Implementación multi-framework: Spring Boot y Quarkus
• Desarrollo con AI: generación controlada e iteración segura
• Testing desde specs: validación contra especificaciones y guardrails
• Evolución del sistema: cambios dirigidos por spec, refactoring seguro y versionado

La especificación es la fuente de verdad.
El framework es solo una implementación.

🧩 Bloque 3 – Skill-Driven Development (con KCP)

Trata a la IA como un sistema que compone, no como un chat que se resetea. Tú eres el conductor; la IA es la orquesta.

• Los 6 pilares: contexto inteligente, delegación estratégica, confía-pero-verifica, síntesis dirigida, disciplina de proceso y aprendizaje continuo
• CLAUDE.md: el ADN del codebase (overview, convenciones, constraints, estrategia de tests)
• Skills de dominio: Five Fingerprints para descubrir las primeras skills de tu negocio
• Delegación estratégica: modelos rápidos para lo repetitivo; modelos potentes para diseño
• Verificación: round-trips, TDD, checklists de QA y captura de alucinaciones
• KCP (Knowledge Context Protocol): knowledge.yaml con unidades de conocimiento (intent, scope, audience, depends_on) para que cualquier agente navegue tu proyecto en pocos tool calls
• Workflow diario SDD sobre una tarea real del backlog + LEARNINGS.md

🏁 Proyecto final integrador

• Aplicación de IA en Java construida desde especificaciones
• Con CLAUDE.md, skills de dominio y knowledge.yaml (KCP) del proyecto
• Validación end-to-end: specs → código → tests

🎓 ¿A quién va dirigido?

• Backend developers (Java)
• Arquitectos de software y tech leads
• Ingenieros que usan AI y quieren pasar de prompting a ingeniería

🧠 Requisitos

• Java básico/intermedio (Spring Boot es un plus)
• APIs REST
• No necesitas experiencia previa en IA o Machine Learning

📦 Incluye

• Proyecto completo y código fuente
• Templates reutilizables: spec.md, architecture.md, tasks.md, CLAUDE.md y knowledge.yaml