課程簡介
本課程全面解析生成式AI的最新進(jìn)展與應(yīng)用，深入探討LLM的工作原理與本地部署實(shí)戰(zhàn)。通過實(shí)際案例，學(xué)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(shí)踐，助力企業(yè)在快速發(fā)展的AI領(lǐng)域提升競爭力。
目標(biāo)收益
1. 掌握生成式AI的核心概念與應(yīng)用場景。
2. 學(xué)習(xí)大語言模型本地部署的實(shí)戰(zhàn)技巧。
3. 提升LLM驅(qū)動(dòng)的研發(fā)效能與質(zhì)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(xué)習(xí)研發(fā)效能度量的最佳實(shí)踐與案例。
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
測試架構(gòu)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(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 |
| 大語言模型本地部署實(shí)戰(zhàn) |
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 |
| 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(guān)系 3.ChatGPT的歷史和發(fā)展 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的思維鏈 |
| 熟練使用LLM能力必須掌握的基礎(chǔ)知識(shí) |
1.LLM應(yīng)用能力的進(jìn)階模型（“倒三角”模型） 2.提示詞工程基礎(chǔ)知識(shí) 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(kuò)展 8.提示詞的縱向擴(kuò)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(yīng)用 13.多模態(tài)RAG的使用 14.plugin機(jī)制與使用方式 15.Function Call機(jī)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(shè)計(jì)思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設(shè)計(jì)思路 21.Multi-Agent的基本邏輯和應(yīng)用范圍 22.Multi-Agent應(yīng)用示例：MetaGPT 23.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(diào)研階段LLM的應(yīng)用場景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場景與案例 7.需求分析階段LLM的應(yīng)用場景與案例 8.技術(shù)選型階段LLM的應(yīng)用場景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場景與案例 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)用場景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場景與案例 14.單元測試階段LLM的應(yīng)用場景與案例 15.接口測試階段LLM的應(yīng)用場景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場景與案例 19.性能測試階段LLM的應(yīng)用場景與案例 20.測試結(jié)果分析中LLM的應(yīng)用場景與案例 |
| 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)用場景 2.代碼大模型測評(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(yīng)用案例分析 |
| LLM在軟件質(zhì)量和測試領(lǐng)域中的應(yīng)用與案例 |
1.使用Test pilot自動(dòng)生成測試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)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(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測試用例的生成 7.LLM用于API接口測試用例生成的技術(shù)難點(diǎn)與解決思路 8.測試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測試領(lǐng)域應(yīng)用 10.基于AI Agent的測試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測試用例腳本生成技術(shù) 12.基于Multi-Agent的測試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測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探索測試 16.使用LLM識(shí)別錯(cuò)誤敏感的測試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測試用例的自動(dòng)修復(fù) 18.使用LLM提升被測對(duì)象的可測試性 |
| 需求階段研發(fā)效能提升的最佳實(shí)踐 |
1.需求顆粒度（大?。┑陌芽卦瓌t 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.單元測試的適用范圍 8.單元測試的自動(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)者自測的行業(yè)實(shí)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(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試環(huán)境 9.微服務(wù)下基線測試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調(diào)測試環(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 |
|
大語言模型本地部署實(shí)戰(zhàn) 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 |
|
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(guān)系 3.ChatGPT的歷史和發(fā)展 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的思維鏈 |
|
熟練使用LLM能力必須掌握的基礎(chǔ)知識(shí) 1.LLM應(yīng)用能力的進(jìn)階模型（“倒三角”模型） 2.提示詞工程基礎(chǔ)知識(shí) 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(kuò)展 8.提示詞的縱向擴(kuò)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(yīng)用 13.多模態(tài)RAG的使用 14.plugin機(jī)制與使用方式 15.Function Call機(jī)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(shè)計(jì)思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設(shè)計(jì)思路 21.Multi-Agent的基本邏輯和應(yīng)用范圍 22.Multi-Agent應(yīng)用示例：MetaGPT 23.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(diào)研階段LLM的應(yīng)用場景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場景與案例 7.需求分析階段LLM的應(yīng)用場景與案例 8.技術(shù)選型階段LLM的應(yīng)用場景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場景與案例 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)用場景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場景與案例 14.單元測試階段LLM的應(yīng)用場景與案例 15.接口測試階段LLM的應(yīng)用場景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場景與案例 19.性能測試階段LLM的應(yīng)用場景與案例 20.測試結(jié)果分析中LLM的應(yīng)用場景與案例 |
|
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)用場景 2.代碼大模型測評(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(yīng)用案例分析 |
|
LLM在軟件質(zhì)量和測試領(lǐng)域中的應(yīng)用與案例 1.使用Test pilot自動(dòng)生成測試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)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(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測試用例的生成 7.LLM用于API接口測試用例生成的技術(shù)難點(diǎn)與解決思路 8.測試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測試領(lǐng)域應(yīng)用 10.基于AI Agent的測試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測試用例腳本生成技術(shù) 12.基于Multi-Agent的測試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測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探索測試 16.使用LLM識(shí)別錯(cuò)誤敏感的測試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測試用例的自動(dòng)修復(fù) 18.使用LLM提升被測對(duì)象的可測試性 |
|
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.單元測試的適用范圍 8.單元測試的自動(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)者自測的行業(yè)實(shí)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(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試環(huán)境 9.微服務(wù)下基線測試環(huán)境和特性環(huán)境的管理 10.集成聯(lián)調(diào)測試環(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
