課程簡介
本課程聚焦大模型在軟件研發(fā)領(lǐng)域的落地實(shí)踐，結(jié)合電商、DevOps等案例，深入講解大語言模型技術(shù)、提示詞工程、代碼生成與補(bǔ)全、缺陷檢測、圖像識別等關(guān)鍵應(yīng)用。通過兩天的培訓(xùn)，學(xué)員將掌握大模型在研發(fā)流程中的實(shí)際應(yīng)用技巧，提升研發(fā)效率與質(zhì)量。
目標(biāo)收益
1、提升研發(fā)效率：掌握代碼生成與補(bǔ)全技巧。
2、優(yōu)化測試流程：學(xué)會自動化測試用例生成。
3、增強(qiáng)代碼質(zhì)量：了解代碼缺陷自動化修復(fù)方法。
4、提升圖像識別精度：學(xué)習(xí)圖像識別模型優(yōu)化技術(shù)。
5、掌握提示詞工程：優(yōu)化上下文提示詞，提升模型響應(yīng)精準(zhǔn)度。
6、智能調(diào)試與定位錯誤：快速定位并解決代碼錯誤。
培訓(xùn)對象
軟件研發(fā)工程師
測試工程師
技術(shù)團(tuán)隊(duì)管理者
AI技術(shù)愛好者
DevOps工程師
企業(yè)信息化負(fù)責(zé)人
課程大綱
| AI大模型與應(yīng)用典型問題分析 |
1.問題分析 2.討論 |
| AI在電商領(lǐng)域的發(fā)展與應(yīng)用 |
1.個性化推薦系統(tǒng) 2.商品自動識別搜索 3.智能客服與AI助理 4.數(shù)據(jù)分析與市場訂單趨勢預(yù)測 5.商品描述與廣告自動化生成 6.價格優(yōu)化與動態(tài)定價策略 7.客戶反饋分析 8.風(fēng)險評估與預(yù)防欺詐 |
| AI主要應(yīng)用技術(shù)分類 |
1.AI技術(shù)概覽 2.AI技術(shù)的四要素 3.AI模型的研發(fā)流程 4.深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 5.圖像算法典型案例 6.語音算法典型案例 7.NLP算法典型案例 8.大語言模型典型案例 |
| 大語言模型技術(shù) |
1.大語言模型的定義和特點(diǎn) 2.大語言模型技術(shù)演變簡史 3.大語言模型的架構(gòu)解析 4.大語言模型訓(xùn)練方法和優(yōu)化技術(shù) 5.大語言模型在自然語言處理任務(wù)中的性能表現(xiàn) 6.大模型面臨的挑戰(zhàn) |
| DeepSeek概述 |
1.DeepSeek簡介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
| OLIama部署應(yīng)用 |
1.OLIama簡介 2.模型參數(shù) 3.網(wǎng)絡(luò)安全隔離 4.部署OLIama環(huán)境 5.OLIama常用操作命令 6.離線模型CLI接口 7.模型API接口 8.API調(diào)用方式 9.UI調(diào)試界面 10.模型微調(diào) 11.【案例】實(shí)現(xiàn)離線大模型人機(jī)對話 |
| 提示詞工程 |
1.什么是提示詞工程？ 2.優(yōu)化的上下文提示詞 3.【案例】提示詞返回精準(zhǔn)答案 |
| 代碼生成與補(bǔ)全 |
1.代碼質(zhì)量全鏈路質(zhì)量保證技術(shù)手段 2.主流代碼補(bǔ)全工具 3.TabNine |
| 代碼理解與重構(gòu)建議 |
1.代碼重構(gòu)概述 2.通過DeepSeek進(jìn)行代碼解釋 3.通過DeepSeek進(jìn)行代碼重構(gòu) 4.【案例】代碼重構(gòu)效果對比 |
| 缺陷檢測與代碼審查 |
1.Code review概述 2.Code review結(jié)果解析 3.Code review結(jié)果推送 4.【案例】進(jìn)行自動化code review |
| 白盒測試代碼自動化生成 |
1.DeepSeek生成java單元測試代碼 2.進(jìn)行自動化單元測試執(zhí)行 3.優(yōu)化單元測試代碼 4.【案例】白盒測試集成至CI流水線 |
| 研發(fā)自測自動化用例生成 |
1.生成自動化測試腳本 2.【案例】DeepSeek自動生成自動化用例 3.【案例】自動化用例集成至CI流水線 |
| 代碼缺陷修復(fù) |
1.常見代碼缺陷類型 2.通過DeepSeek進(jìn)行代碼缺陷修復(fù) 3.【案例】代碼缺陷自動化檢查 |
| UI自動化測試用例生成 |
1.優(yōu)化提示詞 2.生成selenium自動化測試用例腳本 |
| DevOps領(lǐng)域應(yīng)用 |
1.生成Jenkins groovy腳本構(gòu)建CI pipeline 2.根據(jù)歷史數(shù)據(jù)做流量預(yù)測 3.監(jiān)控圖像分析與理解 4.智能故障診斷 |
| 智能調(diào)試與錯誤定位 |
1.日志等級與規(guī)范 2.分析錯誤日志 3.【案例】通過DeepSeek進(jìn)行錯誤自動化定位 |
| 代碼質(zhì)量評估 |
1.代碼質(zhì)量評價維度 2.開發(fā)代碼質(zhì)量評估腳本 3.【案例】實(shí)現(xiàn)提交代碼分鐘級質(zhì)量評估反饋 |
| 高效利用OLIama |
1.下載docker鏡像 2.啟動docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實(shí)現(xiàn)輪詢 6.實(shí)現(xiàn)接口并發(fā)處理 7.【案例】缺陷發(fā)現(xiàn)->缺陷修復(fù)->缺陷驗(yàn)證閉環(huán) |
| 圖像識別模型對抗與badcase推薦 |
1.搭建模型對抗工作流 2.多模型投票加權(quán)分析 3.自動化篩選Badcase 4.【案例】商品AI識別效果評測 |
| AI圖像目標(biāo)檢測 |
1.AI Yolo模型簡介 2.圖像標(biāo)注 3.模型訓(xùn)練 4.效果評測 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
|
AI大模型與應(yīng)用典型問題分析 1.問題分析 2.討論 |
|
AI在電商領(lǐng)域的發(fā)展與應(yīng)用 1.個性化推薦系統(tǒng) 2.商品自動識別搜索 3.智能客服與AI助理 4.數(shù)據(jù)分析與市場訂單趨勢預(yù)測 5.商品描述與廣告自動化生成 6.價格優(yōu)化與動態(tài)定價策略 7.客戶反饋分析 8.風(fēng)險評估與預(yù)防欺詐 |
|
AI主要應(yīng)用技術(shù)分類 1.AI技術(shù)概覽 2.AI技術(shù)的四要素 3.AI模型的研發(fā)流程 4.深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 5.圖像算法典型案例 6.語音算法典型案例 7.NLP算法典型案例 8.大語言模型典型案例 |
|
大語言模型技術(shù) 1.大語言模型的定義和特點(diǎn) 2.大語言模型技術(shù)演變簡史 3.大語言模型的架構(gòu)解析 4.大語言模型訓(xùn)練方法和優(yōu)化技術(shù) 5.大語言模型在自然語言處理任務(wù)中的性能表現(xiàn) 6.大模型面臨的挑戰(zhàn) |
|
DeepSeek概述 1.DeepSeek簡介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
|
OLIama部署應(yīng)用 1.OLIama簡介 2.模型參數(shù) 3.網(wǎng)絡(luò)安全隔離 4.部署OLIama環(huán)境 5.OLIama常用操作命令 6.離線模型CLI接口 7.模型API接口 8.API調(diào)用方式 9.UI調(diào)試界面 10.模型微調(diào) 11.【案例】實(shí)現(xiàn)離線大模型人機(jī)對話 |
|
提示詞工程 1.什么是提示詞工程？ 2.優(yōu)化的上下文提示詞 3.【案例】提示詞返回精準(zhǔn)答案 |
|
代碼生成與補(bǔ)全 1.代碼質(zhì)量全鏈路質(zhì)量保證技術(shù)手段 2.主流代碼補(bǔ)全工具 3.TabNine |
|
代碼理解與重構(gòu)建議 1.代碼重構(gòu)概述 2.通過DeepSeek進(jìn)行代碼解釋 3.通過DeepSeek進(jìn)行代碼重構(gòu) 4.【案例】代碼重構(gòu)效果對比 |
|
缺陷檢測與代碼審查 1.Code review概述 2.Code review結(jié)果解析 3.Code review結(jié)果推送 4.【案例】進(jìn)行自動化code review |
|
白盒測試代碼自動化生成 1.DeepSeek生成java單元測試代碼 2.進(jìn)行自動化單元測試執(zhí)行 3.優(yōu)化單元測試代碼 4.【案例】白盒測試集成至CI流水線 |
|
研發(fā)自測自動化用例生成 1.生成自動化測試腳本 2.【案例】DeepSeek自動生成自動化用例 3.【案例】自動化用例集成至CI流水線 |
|
代碼缺陷修復(fù) 1.常見代碼缺陷類型 2.通過DeepSeek進(jìn)行代碼缺陷修復(fù) 3.【案例】代碼缺陷自動化檢查 |
|
UI自動化測試用例生成 1.優(yōu)化提示詞 2.生成selenium自動化測試用例腳本 |
|
DevOps領(lǐng)域應(yīng)用 1.生成Jenkins groovy腳本構(gòu)建CI pipeline 2.根據(jù)歷史數(shù)據(jù)做流量預(yù)測 3.監(jiān)控圖像分析與理解 4.智能故障診斷 |
|
智能調(diào)試與錯誤定位 1.日志等級與規(guī)范 2.分析錯誤日志 3.【案例】通過DeepSeek進(jìn)行錯誤自動化定位 |
|
代碼質(zhì)量評估 1.代碼質(zhì)量評價維度 2.開發(fā)代碼質(zhì)量評估腳本 3.【案例】實(shí)現(xiàn)提交代碼分鐘級質(zhì)量評估反饋 |
|
高效利用OLIama 1.下載docker鏡像 2.啟動docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實(shí)現(xiàn)輪詢 6.實(shí)現(xiàn)接口并發(fā)處理 7.【案例】缺陷發(fā)現(xiàn)->缺陷修復(fù)->缺陷驗(yàn)證閉環(huán) |
|
圖像識別模型對抗與badcase推薦 1.搭建模型對抗工作流 2.多模型投票加權(quán)分析 3.自動化篩選Badcase 4.【案例】商品AI識別效果評測 |
|
AI圖像目標(biāo)檢測 1.AI Yolo模型簡介 2.圖像標(biāo)注 3.模型訓(xùn)練 4.效果評測 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
近期公開課推薦
