課程簡(jiǎn)介
本課程《基于DeepSeek實(shí)現(xiàn)軟件研發(fā)質(zhì)效提升的最佳實(shí)踐》旨在幫助軟件研發(fā)團(tuán)隊(duì)通過引入先進(jìn)的生成式AI技術(shù)（如DeepSeek和GPT等大語言模型），提升軟件研發(fā)全流程的質(zhì)效。課程內(nèi)容涵蓋從生成式AI的基礎(chǔ)知識(shí)到實(shí)際應(yīng)用場(chǎng)景的全面解析，結(jié)合企業(yè)級(jí)實(shí)戰(zhàn)案例，幫助學(xué)員掌握如何利用AI技術(shù)優(yōu)化需求分析、設(shè)計(jì)、編碼、測(cè)試、發(fā)布等各個(gè)環(huán)節(jié)，提升研發(fā)效率和軟件質(zhì)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(yīng)用場(chǎng)景，以及如何通過AI輔助編程工具提升開發(fā)質(zhì)效。此外，課程還將分享研發(fā)效能度量的最佳實(shí)踐，幫助企業(yè)在不同階段設(shè)計(jì)合理的度量指標(biāo)，確保研發(fā)效能的持續(xù)提升。
目標(biāo)收益
1、掌握生成式AI與大語言模型的核心技術(shù)：學(xué)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(jìn)行本地部署和應(yīng)用。
2、提升軟件研發(fā)全流程的質(zhì)效：通過學(xué)習(xí)LLM在需求分析、設(shè)計(jì)、編碼、測(cè)試、發(fā)布等環(huán)節(jié)的應(yīng)用場(chǎng)景，學(xué)員能夠有效提升軟件研發(fā)的效率和質(zhì)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(zhì)量。
4、優(yōu)化研發(fā)效能度量與管理：學(xué)員將學(xué)習(xí)如何設(shè)計(jì)合理的研發(fā)效能度量指標(biāo)，避免常見的度量誤區(qū)，并通過實(shí)際案例了解如何在不同階段實(shí)施有效的效能度量。
5、企業(yè)級(jí)實(shí)戰(zhàn)案例分享：課程將結(jié)合互聯(lián)網(wǎng)大廠的實(shí)戰(zhàn)案例，分享如何在實(shí)際項(xiàng)目中應(yīng)用AI技術(shù)和研發(fā)效能提升的最佳實(shí)踐，幫助學(xué)員將理論知識(shí)轉(zhuǎn)化為實(shí)際操作能力。
培訓(xùn)對(duì)象
軟件研發(fā)負(fù)責(zé)人，研發(fā)管理負(fù)責(zé)人，運(yùn)維負(fù)責(zé)人，DevOps負(fù)責(zé)人，測(cè)試負(fù)責(zé)人，工程效能負(fù)責(zé)人
軟件架構(gòu)師，資深研發(fā)工程師
運(yùn)維架構(gòu)師，資深運(yùn)維工程師，DevOps工程師，SRE
測(cè)試架構(gòu)師，資深測(cè)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(jìn)展與應(yīng)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(yīng)用領(lǐng)域 5、AIGC目前的可能的應(yīng)用領(lǐng)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(guān)系 3、OpenAI GPT和DeepSeek的關(guān)系 4、ChatGPT的架構(gòu)和模型 5、ChatGPT的訓(xùn)練數(shù)據(jù)和算法 6、ChatGPT的生成過程和輸出結(jié)果 7、ChatGPT的局限性 8、ChatGPT的安全性 9、ChatGPT的涌現(xiàn)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(chǔ) |
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(duì)比總結(jié) 4、預(yù)訓(xùn)練范式 vs 推理計(jì)算范式 5、多頭潛在注意力機(jī)制MLA 6、混合專家架構(gòu)MoE 7、DeepSeekMoE的關(guān)鍵創(chuàng)新 8、對(duì)傳統(tǒng)大模型的挑戰(zhàn)和機(jī)遇 9、DeepSeek的常見誤解與詳細(xì)解讀 |
| 大語言模型本地部署實(shí)戰(zhàn)（以DeepSeek為例實(shí)現(xiàn)本地運(yùn)行和RAG） |
1、本地部署的基礎(chǔ)知識(shí) 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(shí)現(xiàn)RAG |
| 基于DeepSeek的提示詞工程 |
1、Prompt如何使用 2、Prompt使用進(jìn)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(kuò)展 9、提示詞的縱向擴(kuò)展 10、使用OpenAI API 11、使用DeepSeek API 12、Prompt經(jīng)典案例分析 |
| 熟練使用LLM能力的全面進(jìn)階（以DeepSeek和GPT為例） |
1、LLM應(yīng)用能力的進(jìn)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(yīng)用 5、多模態(tài)RAG的使用 6、plugin機(jī)制與使用方式 7、Function Call機(jī)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(shè)計(jì)思路與使用 11、Multi-Agent的雛形 12、業(yè)界主流Multi-Agent的設(shè)計(jì)思路 13、Multi-Agent的基本邏輯和應(yīng)用范圍 14、Multi-Agent應(yīng)用示例：MetaGPT 15、Multi-Agent應(yīng)用示例：DevChat |
| LLM在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例（以DeepSeek和GPT為例，企業(yè)級(jí)實(shí)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(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4、產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5、產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6、產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7、需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8、技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9、頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10、詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11、從設(shè)計(jì)到UML，從UML到代碼的完整示例 12、編碼階段LLM的應(yīng)用場(chǎng)景與案例 13、代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14、單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15、接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16、持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17、各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18、持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19、性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20、測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
| AI輔助編程工具提升開發(fā)質(zhì)效 |
1.LLM輔助編程工具的基本原理和應(yīng)用場(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)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(chǎng)景 10.LLM輔助編程工具的實(shí)現(xiàn)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(chǎng)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(cè)試優(yōu)化 15.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
| LLM在軟件質(zhì)量和軟件測(cè)試領(lǐng)域中的應(yīng)用與案例 |
1.使用Test pilot自動(dòng)生成測(cè)試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)現(xiàn)單元測(cè)試用例的生成 4.LLM用于單元測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測(cè)試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測(cè)試用例的生成 7.LLM用于API接口測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 8.測(cè)試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測(cè)試領(lǐng)域應(yīng)用 10.基于AI Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測(cè)試用例腳本生成技術(shù) 12.基于Multi-Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測(cè)試用例腳本生成技術(shù) 14.使用LLM實(shí)現(xiàn)Monkey Test的能力擴(kuò)展 15.使用LLM實(shí)現(xiàn)無腳本的Mobile App探索測(cè)試 16.使用LLM識(shí)別錯(cuò)誤敏感的測(cè)試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測(cè)試用例的自動(dòng)修復(fù) 18.使用LLM提升被測(cè)對(duì)象的可測(cè)試性 |
| 需求階段研發(fā)效能提升的最佳實(shí)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(yīng)對(duì)策略 3.如何應(yīng)對(duì)“一句話”需求 4.需求分析階段LLM的應(yīng)用與案例詳解 5.需求優(yōu)先級(jí)評(píng)估的卡農(nóng)模型 6.高效需求管理的不同形式和最佳應(yīng)用場(chǎng)景 7.需求變更的應(yīng)對(duì)方法和最佳實(shí)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(jìn)展的聯(lián)動(dòng) 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(gè)人開發(fā)與測(cè)試階段的研發(fā)效能提升實(shí)踐 |
1.個(gè)人開發(fā)環(huán)境的效能提升 2.基于AI精準(zhǔn)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(zhì)量的前期把控 5.代碼動(dòng)態(tài)質(zhì)量的前期把控 6.靜態(tài)代碼規(guī)范的落地實(shí)踐 7.單元測(cè)試的適用范圍 8.單元測(cè)試的自動(dòng)生成技術(shù)原理解讀 9.代碼覆蓋率統(tǒng)計(jì)與質(zhì)量門禁 10.開發(fā)者自測(cè)的行業(yè)實(shí)踐 11.自測(cè)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(zhì)量門禁能力建設(shè)與工具案例 15.第三方依賴庫的管理與效能提升 16.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)案例分享 |
| 代碼合流階段的研發(fā)效能提升實(shí)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(píng)審的意義 5.代碼評(píng)審的核心理念與最佳實(shí)踐 6.如果提升代碼評(píng)審本身的質(zhì)量 7.代碼評(píng)審的社會(huì)學(xué)屬性探究 8.代碼合流階段使用的測(cè)試環(huán)境 9.微服務(wù)下基線測(cè)試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調(diào)測(cè)試環(huán)境的治理與最佳實(shí)踐 11.代碼合流的CI流水線設(shè)計(jì) 12.CI完整步驟詳解與最佳實(shí)踐 13.合流階段測(cè)試代碼管理的最佳實(shí)踐 14.制品庫的管理 15.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)案例分享 |
| 研發(fā)效能度量的最佳實(shí)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(yīng)對(duì)措施 5.虛榮性指標(biāo) VS 可執(zhí)行指標(biāo) 6.過程指標(biāo) VS 結(jié)果指標(biāo) 7.基于問題的指標(biāo)矩陣的設(shè)計(jì) 8.全流程度量指標(biāo)的全景圖 9.全流程度量指標(biāo)的裁剪與應(yīng)用方式 10.GQM，GSM方法的本質(zhì)和應(yīng)用 11.企業(yè)不同階段的度量指標(biāo)設(shè)計(jì)的最佳實(shí)踐 12.度量數(shù)據(jù)的自動(dòng)化獲取 13.度量數(shù)據(jù)的常見分析方法 14.度量常見的10大誤區(qū)與應(yīng)對(duì)措施 15.企業(yè)級(jí)度量成功案例分享 16.企業(yè)級(jí)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(shí)踐 18.業(yè)界效能度量標(biāo)準(zhǔn)核心觀點(diǎn)解讀 19.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)度量案例分享 |
| “研發(fā)效能”的工程實(shí)踐與行業(yè)案例 |
1.Google研發(fā)效能實(shí)踐與產(chǎn)品化 2.eBay研發(fā)效能實(shí)踐與產(chǎn)品化 3.Microsoft研發(fā)效能實(shí)踐與產(chǎn)品化 4.互聯(lián)網(wǎng)大廠BAT的研發(fā)效能實(shí)踐與產(chǎn)品化 |
|
生成式AI的最新進(jìn)展與應(yīng)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(yīng)用領(lǐng)域 5、AIGC目前的可能的應(yīng)用領(lǐng)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(guān)系 3、OpenAI GPT和DeepSeek的關(guān)系 4、ChatGPT的架構(gòu)和模型 5、ChatGPT的訓(xùn)練數(shù)據(jù)和算法 6、ChatGPT的生成過程和輸出結(jié)果 7、ChatGPT的局限性 8、ChatGPT的安全性 9、ChatGPT的涌現(xiàn)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(chǔ) 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(duì)比總結(jié) 4、預(yù)訓(xùn)練范式 vs 推理計(jì)算范式 5、多頭潛在注意力機(jī)制MLA 6、混合專家架構(gòu)MoE 7、DeepSeekMoE的關(guān)鍵創(chuàng)新 8、對(duì)傳統(tǒng)大模型的挑戰(zhàn)和機(jī)遇 9、DeepSeek的常見誤解與詳細(xì)解讀 |
|
大語言模型本地部署實(shí)戰(zhàn)（以DeepSeek為例實(shí)現(xiàn)本地運(yùn)行和RAG） 1、本地部署的基礎(chǔ)知識(shí) 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(shí)現(xiàn)RAG |
|
基于DeepSeek的提示詞工程 1、Prompt如何使用 2、Prompt使用進(jìn)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(kuò)展 9、提示詞的縱向擴(kuò)展 10、使用OpenAI API 11、使用DeepSeek API 12、Prompt經(jīng)典案例分析 |
|
熟練使用LLM能力的全面進(jìn)階（以DeepSeek和GPT為例） 1、LLM應(yīng)用能力的進(jìn)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(yīng)用 5、多模態(tài)RAG的使用 6、plugin機(jī)制與使用方式 7、Function Call機(jī)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(shè)計(jì)思路與使用 11、Multi-Agent的雛形 12、業(yè)界主流Multi-Agent的設(shè)計(jì)思路 13、Multi-Agent的基本邏輯和應(yīng)用范圍 14、Multi-Agent應(yīng)用示例：MetaGPT 15、Multi-Agent應(yīng)用示例：DevChat |
|
LLM在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例（以DeepSeek和GPT為例，企業(yè)級(jí)實(shí)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(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4、產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5、產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6、產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7、需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8、技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9、頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10、詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11、從設(shè)計(jì)到UML，從UML到代碼的完整示例 12、編碼階段LLM的應(yīng)用場(chǎng)景與案例 13、代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14、單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15、接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16、持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17、各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18、持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19、性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20、測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
|
AI輔助編程工具提升開發(fā)質(zhì)效 1.LLM輔助編程工具的基本原理和應(yīng)用場(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)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(chǎng)景 10.LLM輔助編程工具的實(shí)現(xiàn)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(chǎng)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(cè)試優(yōu)化 15.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
|
LLM在軟件質(zhì)量和軟件測(cè)試領(lǐng)域中的應(yīng)用與案例 1.使用Test pilot自動(dòng)生成測(cè)試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)現(xiàn)單元測(cè)試用例的生成 4.LLM用于單元測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測(cè)試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測(cè)試用例的生成 7.LLM用于API接口測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 8.測(cè)試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測(cè)試領(lǐng)域應(yīng)用 10.基于AI Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測(cè)試用例腳本生成技術(shù) 12.基于Multi-Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測(cè)試用例腳本生成技術(shù) 14.使用LLM實(shí)現(xiàn)Monkey Test的能力擴(kuò)展 15.使用LLM實(shí)現(xiàn)無腳本的Mobile App探索測(cè)試 16.使用LLM識(shí)別錯(cuò)誤敏感的測(cè)試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測(cè)試用例的自動(dòng)修復(fù) 18.使用LLM提升被測(cè)對(duì)象的可測(cè)試性 |
|
需求階段研發(fā)效能提升的最佳實(shí)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(yīng)對(duì)策略 3.如何應(yīng)對(duì)“一句話”需求 4.需求分析階段LLM的應(yīng)用與案例詳解 5.需求優(yōu)先級(jí)評(píng)估的卡農(nóng)模型 6.高效需求管理的不同形式和最佳應(yīng)用場(chǎng)景 7.需求變更的應(yīng)對(duì)方法和最佳實(shí)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(jìn)展的聯(lián)動(dòng) 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(gè)人開發(fā)與測(cè)試階段的研發(fā)效能提升實(shí)踐 1.個(gè)人開發(fā)環(huán)境的效能提升 2.基于AI精準(zhǔn)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(zhì)量的前期把控 5.代碼動(dòng)態(tài)質(zhì)量的前期把控 6.靜態(tài)代碼規(guī)范的落地實(shí)踐 7.單元測(cè)試的適用范圍 8.單元測(cè)試的自動(dòng)生成技術(shù)原理解讀 9.代碼覆蓋率統(tǒng)計(jì)與質(zhì)量門禁 10.開發(fā)者自測(cè)的行業(yè)實(shí)踐 11.自測(cè)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(zhì)量門禁能力建設(shè)與工具案例 15.第三方依賴庫的管理與效能提升 16.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)案例分享 |
|
代碼合流階段的研發(fā)效能提升實(shí)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(píng)審的意義 5.代碼評(píng)審的核心理念與最佳實(shí)踐 6.如果提升代碼評(píng)審本身的質(zhì)量 7.代碼評(píng)審的社會(huì)學(xué)屬性探究 8.代碼合流階段使用的測(cè)試環(huán)境 9.微服務(wù)下基線測(cè)試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調(diào)測(cè)試環(huán)境的治理與最佳實(shí)踐 11.代碼合流的CI流水線設(shè)計(jì) 12.CI完整步驟詳解與最佳實(shí)踐 13.合流階段測(cè)試代碼管理的最佳實(shí)踐 14.制品庫的管理 15.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)案例分享 |
|
研發(fā)效能度量的最佳實(shí)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(yīng)對(duì)措施 5.虛榮性指標(biāo) VS 可執(zhí)行指標(biāo) 6.過程指標(biāo) VS 結(jié)果指標(biāo) 7.基于問題的指標(biāo)矩陣的設(shè)計(jì) 8.全流程度量指標(biāo)的全景圖 9.全流程度量指標(biāo)的裁剪與應(yīng)用方式 10.GQM，GSM方法的本質(zhì)和應(yīng)用 11.企業(yè)不同階段的度量指標(biāo)設(shè)計(jì)的最佳實(shí)踐 12.度量數(shù)據(jù)的自動(dòng)化獲取 13.度量數(shù)據(jù)的常見分析方法 14.度量常見的10大誤區(qū)與應(yīng)對(duì)措施 15.企業(yè)級(jí)度量成功案例分享 16.企業(yè)級(jí)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(shí)踐 18.業(yè)界效能度量標(biāo)準(zhǔn)核心觀點(diǎn)解讀 19.獨(dú)家干貨：互聯(lián)網(wǎng)大廠實(shí)戰(zhàn)度量案例分享 |
|
“研發(fā)效能”的工程實(shí)踐與行業(yè)案例 1.Google研發(fā)效能實(shí)踐與產(chǎn)品化 2.eBay研發(fā)效能實(shí)踐與產(chǎn)品化 3.Microsoft研發(fā)效能實(shí)踐與產(chǎn)品化 4.互聯(lián)網(wǎng)大廠BAT的研發(fā)效能實(shí)踐與產(chǎn)品化 |
近期公開課推薦
