Spring Boot 4, IA et observabilité

Construire un service de support client avec Spring AI 2, Micrometer et Docker

Instrumenter avant de déployer, pas après l'incident

Un service qu'on ne peut pas observer n'est pas prêt à être déployé. L'instrumentation ne s'ajoute pas après coup : on la découvre absente le jour où un ticket dit « c'est lent » et où les logs ne permettent même pas de savoir quelle requête était en cause.

À quoi sert ce livre. Traiter l'observabilité comme une partie du service, et non comme un chapitre de fin. Métriques métier Micrometer, logs structurés, alertes, traces OpenTelemetry, et les appels au modèle de langage observés comme n'importe quelle autre dépendance, avec leur coût et leur latence. Autour, il construit le service complet qui porte cette instrumentation, du conteneur d'injection à l'image publiée.

Ce que vous saurez faire après lecture

• Lire un conteneur d'injection depuis son rapport de conditions, plutôt que le prendre pour une boîte noire
• Valider une configuration au démarrage, avec ses profils et ses secrets sortis de l'image
• Exposer une API REST versionnée, paginée, aux erreurs normalisées, protégée par token
• Piloter une persistance PostgreSQL par Liquibase, avec ddl-auto à validate du premier chapitre au dernier
• Faire démarrer un environnement complet sous Docker Compose et tester sur de vraies dépendances avec Testcontainers
• Sortir le travail de la requête HTTP : événements, tâches planifiées, threads virtuels, file durable RabbitMQ
• Brancher Spring AI 2 : classification, sorties structurées, embeddings et magasin vectoriel pgvector, RAG sur une base de connaissances, outils appelés par le modèle
• Instrumenter l'ensemble : métriques métier, logs structurés, alertes, traces distribuées
• Construire une image de conteneur et la chaîne d'intégration qui la publie

Les chapitres sur l'IA suivent une règle stricte : aucune décision métier ne dépend d'une sortie de modèle. Un modèle produit du texte plausible, pas du texte vrai, et le livre en tire les conséquences en code — verdict humain sur chaque proposition de réponse, sources citées, coût et latence mesurés.

Tout s'exécute en local. Le modèle de discussion et le modèle d'embeddings tournent dans un conteneur Ollama : aucun compte payant n'est nécessaire pour suivre le livre, et la bascule vers un fournisseur distant tient en quelques lignes de configuration.

Chaque chapitre se ferme sur une section « Les pièges » : les erreurs que fait un débutant sur ce sujet précis, et ce qu'elles coûtent au chapitre suivant.

Pour qui

Un développeur Java à l'aise avec les records, les streams, Maven et JUnit, qui découvre Spring ou vient d'un autre framework. Prérequis : Java 25, Docker, un éditeur. Le wrapper Maven du projet dispense d'installer Maven.

Écrit sur Spring Boot 4.1.1, Spring Framework 7.0 et Spring AI 2.0.1.

Ce que contient le livre

• 26 chapitres répartis sur 389 pages, soit environ 73 111 mots.
• 36 diagrammes pour les schémas d’architecture et les flux.
• Trois formats livrés : PDF pour la lecture à l’écran, EPUB et Kindle pour la liseuse.