課程簡介
本課程《基于DeepSeek實現軟件研發(fā)質效提升的最佳實踐》旨在幫助軟件研發(fā)團隊通過引入先進的生成式AI技術（如DeepSeek和GPT等大語言模型），提升軟件研發(fā)全流程的質效。課程內容涵蓋從生成式AI的基礎知識到實際應用場景的全面解析，結合企業(yè)級實戰(zhàn)案例，幫助學員掌握如何利用AI技術優(yōu)化需求分析、設計、編碼、測試、發(fā)布等各個環(huán)節(jié)，提升研發(fā)效率和軟件質量。
課程將深入探討大語言模型（LLM）的基本原理、本地部署、提示詞工程、LLM在軟件研發(fā)全生命周期中的應用場景，以及如何通過AI輔助編程工具提升開發(fā)質效。此外，課程還將分享研發(fā)效能度量的最佳實踐，幫助企業(yè)在不同階段設計合理的度量指標，確保研發(fā)效能的持續(xù)提升。
目標收益
1、掌握生成式AI與大語言模型的核心技術：學員將深入了解生成式AI的基本概念、大語言模型的工作原理，以及如何利用DeepSeek等工具進行本地部署和應用。
2、提升軟件研發(fā)全流程的質效：通過學習LLM在需求分析、設計、編碼、測試、發(fā)布等環(huán)節(jié)的應用場景，學員能夠有效提升軟件研發(fā)的效率和質量。
3、掌握AI輔助編程工具的使用：課程將介紹主流AI輔助編程工具（如GitHub Copilot、CodeWhisperer等）的使用技巧，幫助開發(fā)者提升代碼編寫效率和質量。
4、優(yōu)化研發(fā)效能度量與管理：學員將學習如何設計合理的研發(fā)效能度量指標，避免常見的度量誤區(qū)，并通過實際案例了解如何在不同階段實施有效的效能度量。
5、企業(yè)級實戰(zhàn)案例分享：課程將結合互聯(lián)網大廠的實戰(zhàn)案例，分享如何在實際項目中應用AI技術和研發(fā)效能提升的最佳實踐，幫助學員將理論知識轉化為實際操作能力。
培訓對象
軟件研發(fā)負責人，研發(fā)管理負責人，運維負責人，DevOps負責人，測試負責人，工程效能負責人
軟件架構師，資深研發(fā)工程師
運維架構師，資深運維工程師，DevOps工程師，SRE
測試架構師，資深測試工程師
研發(fā)管理人員，研發(fā)流程工程師
課程大綱
| 生成式AI的最新進展與應用 |
1、AIGC的基本概念 2、大語言模型的基本概念 3、LLM和傳統(tǒng)AI的區(qū)別 4、AIGC目前的主要應用領域 5、AIGC目前的可能的應用領域 6、各類生成式AI的工具能力 |
| 以chatGPT為例來深入理解傳統(tǒng)LLM的基本原理 |
1、什么是ChatGPT 2、GPT和chatGPT的關系 3、OpenAI GPT和DeepSeek的關系 4、ChatGPT的架構和模型 5、ChatGPT的訓練數據和算法 6、ChatGPT的生成過程和輸出結果 7、ChatGPT的局限性 8、ChatGPT的安全性 9、ChatGPT的涌現能力 10、ChatGPT的幻覺 11、DeepSeek的幻覺 12、ChatGPT的思維鏈 13、DeepSeek的思維鏈 |
| DeepSeek大模型基礎 |
1、DeepSeek與傳統(tǒng)LLM的主要區(qū)別 2、從DeepSeek R1 Zero到DeepSeek R1 3、DeepSeek R1和OpenAI O1模型的對比總結 4、預訓練范式 vs 推理計算范式 5、多頭潛在注意力機制MLA 6、混合專家架構MoE 7、DeepSeekMoE的關鍵創(chuàng)新 8、對傳統(tǒng)大模型的挑戰(zhàn)和機遇 9、DeepSeek的常見誤解與詳細解讀 |
| 大語言模型本地部署實戰(zhàn)（以DeepSeek為例實現本地運行和RAG） |
1、本地部署的基礎知識 2、本地安裝ollama 3、本地部署Deepseek R1 4、本地部署Llama 3.3 5、本地安裝open-webui 6、本地部署實現RAG |
| 基于DeepSeek的提示詞工程 |
1、Prompt如何使用 2、Prompt使用進階 3、Prompt萬能公式與使用詳解 4、DeepSeek提示詞的特殊性 5、DeepSeek提示詞的使用技巧 6、提示詞模板的使用 7、提示詞靜態(tài)鏈的使用 8、提示詞的橫向擴展 9、提示詞的縱向擴展 10、使用OpenAI API 11、使用DeepSeek API 12、Prompt經典案例分析 |
| 熟練使用LLM能力的全面進階（以DeepSeek和GPT為例） |
1、LLM應用能力的進階模型（“倒三角”模型） 2、ReAct的概念和落地 3、思維鏈CoT和多思維鏈 4、RAG的基本原理與應用 5、多模態(tài)RAG的使用 6、plugin機制與使用方式 7、Function Call機制與使用方式 8、Agent的雛形 9、Agent開發(fā)的基本框架 10、業(yè)界主流Agent的設計思路與使用 11、Multi-Agent的雛形 12、業(yè)界主流Multi-Agent的設計思路 13、Multi-Agent的基本邏輯和應用范圍 14、Multi-Agent應用示例：MetaGPT 15、Multi-Agent應用示例：DevChat |
| LLM在軟件研發(fā)全生命周期中的應用場景與案例（以DeepSeek和GPT為例，企業(yè)級實戰(zhàn)干貨） |
1、軟件研發(fā)全流程中LLM擅長的部分 2、軟件研發(fā)全流程中LLM不擅長的部分 3、競品分析與市場調研階段LLM的應用場景與案例 4、產品概念與產品定義階段LLM的應用場景與案例 5、產品原型階段LLM的應用場景與案例 6、產品體驗設計階段LLM的應用場景與案例 7、需求分析階段LLM的應用場景與案例 8、技術選型階段LLM的應用場景與案例 9、頂層設計階段LLM的應用場景與案例 10、詳細設計階段LLM的應用場景與案例 11、從設計到UML，從UML到代碼的完整示例 12、編碼階段LLM的應用場景與案例 13、代碼評審階段LLM的應用場景與案例 14、單元測試階段LLM的應用場景與案例 15、接口測試階段LLM的應用場景與案例 16、持續(xù)集成流水中LLM的應用場景與案例 17、各類軟件工程文檔中LLM的應用場景與案例 18、持續(xù)發(fā)布中LLM的應用場景與案例 19、性能測試階段LLM的應用場景與案例 20、測試結果分析中LLM的應用場景與案例 |
| AI輔助編程工具提升開發(fā)質效 |
1.LLM輔助編程工具的基本原理和應用場景 2.代碼大模型測評集HumanEval、MBPP介紹和評分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.LLM輔助編程工具 主要使用場景 10.LLM輔助編程工具的實現原理 11.LLM輔助編程工具加持下的軟件生態(tài)改變 12.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場景 13.LLM輔助編程工具的編程技巧 14.LLM輔助編程工具下的測試優(yōu)化 15.案例：某互聯(lián)網大廠的應用案例分析 |
| LLM在軟件質量和軟件測試領域中的應用與案例 |
1.使用Test pilot自動生成測試用例 2.Test pilot的基本原理 3.使用OpenAI API實現單元測試用例的生成 4.LLM用于單元測試用例生成的技術難點與解決思路 5.使用OpenAI API實現API接口測試用例的生成 6.使用DeepSeek 實現API組合調用測試用例的生成 7.LLM用于API接口測試用例生成的技術難點與解決思路 8.測試腳本開發(fā)中的GitHub Copilot應用 9.Copilot X的能力與測試領域應用 10.基于AI Agent的測試用例設計生成技術 11.基于AI Agent的測試用例腳本生成技術 12.基于Multi-Agent的測試用例設計生成技術 13.基于Multi-Agent的測試用例腳本生成技術 14.使用LLM實現Monkey Test的能力擴展 15.使用LLM實現無腳本的Mobile App探索測試 16.使用LLM識別錯誤敏感的測試數據 17.使用LLM實現失敗測試用例的自動修復 18.使用LLM提升被測對象的可測試性 |
| 需求階段研發(fā)效能提升的最佳實踐 |
1.需求顆粒度（大小）的把控原則 2.需求拆分的常見問題與應對策略 3.如何應對“一句話”需求 4.需求分析階段LLM的應用與案例詳解 5.需求優(yōu)先級評估的卡農模型 6.高效需求管理的不同形式和最佳應用場景 7.需求變更的應對方法和最佳實踐 8.需求管理階段的高效工具支持 9.需求狀態(tài)與代碼進展的聯(lián)動 10.四大類常見版本發(fā)布模式的定義與適用范圍 11.版本發(fā)布模式的選擇 |
| 個人開發(fā)與測試階段的研發(fā)效能提升實踐 |
1.個人開發(fā)環(huán)境的效能提升 2.基于AI精準提升的代碼輸入效率提升 3.本地編譯加速的常用手段 4.代碼靜態(tài)質量的前期把控 5.代碼動態(tài)質量的前期把控 6.靜態(tài)代碼規(guī)范的落地實踐 7.單元測試的適用范圍 8.單元測試的自動生成技術原理解讀 9.代碼覆蓋率統(tǒng)計與質量門禁 10.開發(fā)者自測的行業(yè)實踐 11.自測環(huán)境的管理與提效 12.如果用好本地CI流水線 13.本地CI流水線效能優(yōu)化的方方面面 14.本地開發(fā)質量門禁能力建設與工具案例 15.第三方依賴庫的管理與效能提升 16.獨家干貨：互聯(lián)網大廠實戰(zhàn)案例分享 |
| 代碼合流階段的研發(fā)效能提升實踐 |
1.分支模式詳解 2.影響分支模式選擇的主要因素 3.開發(fā)協(xié)作模式的選擇 4.代碼評審的意義 5.代碼評審的核心理念與最佳實踐 6.如果提升代碼評審本身的質量 7.代碼評審的社會學屬性探究 8.代碼合流階段使用的測試環(huán)境 9.微服務下基線測試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調測試環(huán)境的治理與最佳實踐 11.代碼合流的CI流水線設計 12.CI完整步驟詳解與最佳實踐 13.合流階段測試代碼管理的最佳實踐 14.制品庫的管理 15.獨家干貨：互聯(lián)網大廠實戰(zhàn)案例分享 |
| 研發(fā)效能度量的最佳實踐 |
1.研發(fā)效能需要度量嗎 2.研發(fā)效能能不能度量 3.什么才是“好”的度量 4.效能度量的局限性與應對措施 5.虛榮性指標 VS 可執(zhí)行指標 6.過程指標 VS 結果指標 7.基于問題的指標矩陣的設計 8.全流程度量指標的全景圖 9.全流程度量指標的裁剪與應用方式 10.GQM，GSM方法的本質和應用 11.企業(yè)不同階段的度量指標設計的最佳實踐 12.度量數據的自動化獲取 13.度量數據的常見分析方法 14.度量常見的10大誤區(qū)與應對措施 15.企業(yè)級度量成功案例分享 16.企業(yè)級度量失敗案例分享 17.大語言模型使用效果的度量思路與行業(yè)實踐 18.業(yè)界效能度量標準核心觀點解讀 19.獨家干貨：互聯(lián)網大廠實戰(zhàn)度量案例分享 |
| “研發(fā)效能”的工程實踐與行業(yè)案例 |
1.Google研發(fā)效能實踐與產品化 2.eBay研發(fā)效能實踐與產品化 3.Microsoft研發(fā)效能實踐與產品化 4.互聯(lián)網大廠BAT的研發(fā)效能實踐與產品化 |
|
生成式AI的最新進展與應用 1、AIGC的基本概念 2、大語言模型的基本概念 3、LLM和傳統(tǒng)AI的區(qū)別 4、AIGC目前的主要應用領域 5、AIGC目前的可能的應用領域 6、各類生成式AI的工具能力 |
|
以chatGPT為例來深入理解傳統(tǒng)LLM的基本原理 1、什么是ChatGPT 2、GPT和chatGPT的關系 3、OpenAI GPT和DeepSeek的關系 4、ChatGPT的架構和模型 5、ChatGPT的訓練數據和算法 6、ChatGPT的生成過程和輸出結果 7、ChatGPT的局限性 8、ChatGPT的安全性 9、ChatGPT的涌現能力 10、ChatGPT的幻覺 11、DeepSeek的幻覺 12、ChatGPT的思維鏈 13、DeepSeek的思維鏈 |
|
DeepSeek大模型基礎 1、DeepSeek與傳統(tǒng)LLM的主要區(qū)別 2、從DeepSeek R1 Zero到DeepSeek R1 3、DeepSeek R1和OpenAI O1模型的對比總結 4、預訓練范式 vs 推理計算范式 5、多頭潛在注意力機制MLA 6、混合專家架構MoE 7、DeepSeekMoE的關鍵創(chuàng)新 8、對傳統(tǒng)大模型的挑戰(zhàn)和機遇 9、DeepSeek的常見誤解與詳細解讀 |
|
大語言模型本地部署實戰(zhàn)（以DeepSeek為例實現本地運行和RAG） 1、本地部署的基礎知識 2、本地安裝ollama 3、本地部署Deepseek R1 4、本地部署Llama 3.3 5、本地安裝open-webui 6、本地部署實現RAG |
|
基于DeepSeek的提示詞工程 1、Prompt如何使用 2、Prompt使用進階 3、Prompt萬能公式與使用詳解 4、DeepSeek提示詞的特殊性 5、DeepSeek提示詞的使用技巧 6、提示詞模板的使用 7、提示詞靜態(tài)鏈的使用 8、提示詞的橫向擴展 9、提示詞的縱向擴展 10、使用OpenAI API 11、使用DeepSeek API 12、Prompt經典案例分析 |
|
熟練使用LLM能力的全面進階（以DeepSeek和GPT為例） 1、LLM應用能力的進階模型（“倒三角”模型） 2、ReAct的概念和落地 3、思維鏈CoT和多思維鏈 4、RAG的基本原理與應用 5、多模態(tài)RAG的使用 6、plugin機制與使用方式 7、Function Call機制與使用方式 8、Agent的雛形 9、Agent開發(fā)的基本框架 10、業(yè)界主流Agent的設計思路與使用 11、Multi-Agent的雛形 12、業(yè)界主流Multi-Agent的設計思路 13、Multi-Agent的基本邏輯和應用范圍 14、Multi-Agent應用示例：MetaGPT 15、Multi-Agent應用示例：DevChat |
|
LLM在軟件研發(fā)全生命周期中的應用場景與案例（以DeepSeek和GPT為例，企業(yè)級實戰(zhàn)干貨） 1、軟件研發(fā)全流程中LLM擅長的部分 2、軟件研發(fā)全流程中LLM不擅長的部分 3、競品分析與市場調研階段LLM的應用場景與案例 4、產品概念與產品定義階段LLM的應用場景與案例 5、產品原型階段LLM的應用場景與案例 6、產品體驗設計階段LLM的應用場景與案例 7、需求分析階段LLM的應用場景與案例 8、技術選型階段LLM的應用場景與案例 9、頂層設計階段LLM的應用場景與案例 10、詳細設計階段LLM的應用場景與案例 11、從設計到UML，從UML到代碼的完整示例 12、編碼階段LLM的應用場景與案例 13、代碼評審階段LLM的應用場景與案例 14、單元測試階段LLM的應用場景與案例 15、接口測試階段LLM的應用場景與案例 16、持續(xù)集成流水中LLM的應用場景與案例 17、各類軟件工程文檔中LLM的應用場景與案例 18、持續(xù)發(fā)布中LLM的應用場景與案例 19、性能測試階段LLM的應用場景與案例 20、測試結果分析中LLM的應用場景與案例 |
|
AI輔助編程工具提升開發(fā)質效 1.LLM輔助編程工具的基本原理和應用場景 2.代碼大模型測評集HumanEval、MBPP介紹和評分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.LLM輔助編程工具 主要使用場景 10.LLM輔助編程工具的實現原理 11.LLM輔助編程工具加持下的軟件生態(tài)改變 12.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場景 13.LLM輔助編程工具的編程技巧 14.LLM輔助編程工具下的測試優(yōu)化 15.案例：某互聯(lián)網大廠的應用案例分析 |
|
LLM在軟件質量和軟件測試領域中的應用與案例 1.使用Test pilot自動生成測試用例 2.Test pilot的基本原理 3.使用OpenAI API實現單元測試用例的生成 4.LLM用于單元測試用例生成的技術難點與解決思路 5.使用OpenAI API實現API接口測試用例的生成 6.使用DeepSeek 實現API組合調用測試用例的生成 7.LLM用于API接口測試用例生成的技術難點與解決思路 8.測試腳本開發(fā)中的GitHub Copilot應用 9.Copilot X的能力與測試領域應用 10.基于AI Agent的測試用例設計生成技術 11.基于AI Agent的測試用例腳本生成技術 12.基于Multi-Agent的測試用例設計生成技術 13.基于Multi-Agent的測試用例腳本生成技術 14.使用LLM實現Monkey Test的能力擴展 15.使用LLM實現無腳本的Mobile App探索測試 16.使用LLM識別錯誤敏感的測試數據 17.使用LLM實現失敗測試用例的自動修復 18.使用LLM提升被測對象的可測試性 |
|
需求階段研發(fā)效能提升的最佳實踐 1.需求顆粒度（大?。┑陌芽卦瓌t 2.需求拆分的常見問題與應對策略 3.如何應對“一句話”需求 4.需求分析階段LLM的應用與案例詳解 5.需求優(yōu)先級評估的卡農模型 6.高效需求管理的不同形式和最佳應用場景 7.需求變更的應對方法和最佳實踐 8.需求管理階段的高效工具支持 9.需求狀態(tài)與代碼進展的聯(lián)動 10.四大類常見版本發(fā)布模式的定義與適用范圍 11.版本發(fā)布模式的選擇 |
|
個人開發(fā)與測試階段的研發(fā)效能提升實踐 1.個人開發(fā)環(huán)境的效能提升 2.基于AI精準提升的代碼輸入效率提升 3.本地編譯加速的常用手段 4.代碼靜態(tài)質量的前期把控 5.代碼動態(tài)質量的前期把控 6.靜態(tài)代碼規(guī)范的落地實踐 7.單元測試的適用范圍 8.單元測試的自動生成技術原理解讀 9.代碼覆蓋率統(tǒng)計與質量門禁 10.開發(fā)者自測的行業(yè)實踐 11.自測環(huán)境的管理與提效 12.如果用好本地CI流水線 13.本地CI流水線效能優(yōu)化的方方面面 14.本地開發(fā)質量門禁能力建設與工具案例 15.第三方依賴庫的管理與效能提升 16.獨家干貨：互聯(lián)網大廠實戰(zhàn)案例分享 |
|
代碼合流階段的研發(fā)效能提升實踐 1.分支模式詳解 2.影響分支模式選擇的主要因素 3.開發(fā)協(xié)作模式的選擇 4.代碼評審的意義 5.代碼評審的核心理念與最佳實踐 6.如果提升代碼評審本身的質量 7.代碼評審的社會學屬性探究 8.代碼合流階段使用的測試環(huán)境 9.微服務下基線測試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調測試環(huán)境的治理與最佳實踐 11.代碼合流的CI流水線設計 12.CI完整步驟詳解與最佳實踐 13.合流階段測試代碼管理的最佳實踐 14.制品庫的管理 15.獨家干貨：互聯(lián)網大廠實戰(zhàn)案例分享 |
|
研發(fā)效能度量的最佳實踐 1.研發(fā)效能需要度量嗎 2.研發(fā)效能能不能度量 3.什么才是“好”的度量 4.效能度量的局限性與應對措施 5.虛榮性指標 VS 可執(zhí)行指標 6.過程指標 VS 結果指標 7.基于問題的指標矩陣的設計 8.全流程度量指標的全景圖 9.全流程度量指標的裁剪與應用方式 10.GQM，GSM方法的本質和應用 11.企業(yè)不同階段的度量指標設計的最佳實踐 12.度量數據的自動化獲取 13.度量數據的常見分析方法 14.度量常見的10大誤區(qū)與應對措施 15.企業(yè)級度量成功案例分享 16.企業(yè)級度量失敗案例分享 17.大語言模型使用效果的度量思路與行業(yè)實踐 18.業(yè)界效能度量標準核心觀點解讀 19.獨家干貨：互聯(lián)網大廠實戰(zhàn)度量案例分享 |
|
“研發(fā)效能”的工程實踐與行業(yè)案例 1.Google研發(fā)效能實踐與產品化 2.eBay研發(fā)效能實踐與產品化 3.Microsoft研發(fā)效能實踐與產品化 4.互聯(lián)網大廠BAT的研發(fā)效能實踐與產品化 |
近期公開課推薦
