課程簡介
本課程全面解析生成式AI的最新進展與應用，深入探討LLM的工作原理與本地部署實戰(zhàn)。通過實際案例，學員將掌握AI輔助編程工具的使用技巧，優(yōu)化軟件研發(fā)全生命周期效能。課程還涵蓋研發(fā)效能度量的最佳實踐，助力企業(yè)在快速發(fā)展的AI領域提升競爭力。
目標收益
1. 掌握生成式AI的核心概念與應用場景。
2. 學習大語言模型本地部署的實戰(zhàn)技巧。
3. 提升LLM驅動的研發(fā)效能與質量。
4. 掌握AI輔助編程工具的高效使用方法。
5. 優(yōu)化軟件研發(fā)全生命周期的效能管理。
6. 學習研發(fā)效能度量的最佳實踐與案例。
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 |
| 大語言模型本地部署實戰(zhàn) |
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(xiàn)RAG |
| 以chatGPT為例來深入理解LLM的基本工作原理 |
1.什么是ChatGPT 2.GPT和chatGPT的關系 3.ChatGPT的歷史和發(fā)展 4.ChatGPT的架構和模型 5.ChatGPT的訓練數(shù)據(jù)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(xiàn)能力 10.ChatGPT的思維鏈 |
| 熟練使用LLM能力必須掌握的基礎知識 |
1.LLM應用能力的進階模型（“倒三角”模型） 2.提示詞工程基礎知識 3.主流提示詞使用技巧 4.提示的萬能使用公式詳解 5.提示詞模板的使用 6.提示詞靜態(tài)鏈的使用 7.提示詞的橫向擴展 8.提示詞的縱向擴展 9.使用OpenAI API 10.ReAct的概念和落地 11.思維鏈和多思維鏈 12.RAG的基本原理與應用 13.多模態(tài)RAG的使用 14.plugin機制與使用方式 15.Function Call機制與使用方式 16.Agent的雛形 17.Agent開發(fā)的基本框架 18.業(yè)界主流Agent的設計思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設計思路 21.Multi-Agent的基本邏輯和應用范圍 22.Multi-Agent應用示例：MetaGPT 23.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 |
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(chǎn)品概念與產(chǎn)品定義階段LLM的應用場景與案例 5.產(chǎn)品原型階段LLM的應用場景與案例 6.產(chǎn)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(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(wǎng)大廠的應用案例分析 |
| LLM在軟件質量和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(xiàn)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(xiàn)API接口測試用例的生成 6.使用DeepSeek 實現(xiàn)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(xiàn)Monkey Test的能力擴展 15.使用LLM實現(xiàn)無腳本的Mobile App探索測試 16.使用LLM識別錯誤敏感的測試數(shù)據(jù) 17.使用LLM實現(xiàn)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(nóng)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(wǎng)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(wǎng)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(shù)據(jù)的自動化獲取 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(wǎng)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(chǎn)品化 2.eBay研發(fā)效能實踐與產(chǎn)品化 3.Microsoft研發(fā)效能實踐與產(chǎn)品化 4.互聯(lián)網(wǎng)大廠BAT的研發(fā)效能實踐與產(chǎn)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 |
|
大語言模型本地部署實戰(zhàn) 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(xiàn)RAG |
|
以chatGPT為例來深入理解LLM的基本工作原理 1.什么是ChatGPT 2.GPT和chatGPT的關系 3.ChatGPT的歷史和發(fā)展 4.ChatGPT的架構和模型 5.ChatGPT的訓練數(shù)據(jù)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(xiàn)能力 10.ChatGPT的思維鏈 |
|
熟練使用LLM能力必須掌握的基礎知識 1.LLM應用能力的進階模型（“倒三角”模型） 2.提示詞工程基礎知識 3.主流提示詞使用技巧 4.提示的萬能使用公式詳解 5.提示詞模板的使用 6.提示詞靜態(tài)鏈的使用 7.提示詞的橫向擴展 8.提示詞的縱向擴展 9.使用OpenAI API 10.ReAct的概念和落地 11.思維鏈和多思維鏈 12.RAG的基本原理與應用 13.多模態(tài)RAG的使用 14.plugin機制與使用方式 15.Function Call機制與使用方式 16.Agent的雛形 17.Agent開發(fā)的基本框架 18.業(yè)界主流Agent的設計思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設計思路 21.Multi-Agent的基本邏輯和應用范圍 22.Multi-Agent應用示例：MetaGPT 23.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 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(chǎn)品概念與產(chǎn)品定義階段LLM的應用場景與案例 5.產(chǎn)品原型階段LLM的應用場景與案例 6.產(chǎn)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(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(wǎng)大廠的應用案例分析 |
|
LLM在軟件質量和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(xiàn)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(xiàn)API接口測試用例的生成 6.使用DeepSeek 實現(xiàn)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(xiàn)Monkey Test的能力擴展 15.使用LLM實現(xiàn)無腳本的Mobile App探索測試 16.使用LLM識別錯誤敏感的測試數(shù)據(jù) 17.使用LLM實現(xiàn)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(nóng)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(wǎng)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(wǎng)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(shù)據(jù)的自動化獲取 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(wǎng)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(chǎn)品化 2.eBay研發(fā)效能實踐與產(chǎn)品化 3.Microsoft研發(fā)效能實踐與產(chǎn)品化 4.互聯(lián)網(wǎng)大廠BAT的研發(fā)效能實踐與產(chǎn)品化 |
近期公開課推薦
