基于DeepSeek实现软件研发质效提升的最佳实践

大模型前沿应用实践 / 2025-07-02 09:19:08
基于DeepSeek实现软件研发质效提升的最佳实践
    马上咨询

    讲师介绍

    王胜   中国计算机学会 CCF TF 研发效能SIG主席、“研发效能宣言”发起人和起草人

    • 业界知名实战派软件研发效能和软件质量双领域专家
    • 硅谷先进研发效能理念在国内的技术布道者
    • 国内少数在互联网和传统软件领域都积累了大量一手成功经验的质量与效能技术领头人
    • 腾讯云最具价值专家TVP、阿里云最具价值专家MVP、华为云最具价值专家MVP
    • IT图书年度最具影响力作者
    • IT技术领导力互联网行业测试领域领军人物
    • 中国商业联合会互联网应用技术委员会智库专家
    • 多本技术畅销书作者，业界第一本研发效能专著《软件研发效能提升之美》作者
    • 团体标准“软件研发效能度量规范“核心编写专家
    • “研发效能行业白皮书”主编
    • Certified DevOps Enterprise Coach认证设计开发者
    • 国内外各大软件技术峰会（QCon，ArchSummit，QECon，EE，GOPS，Top100，GIAC，K+等）的联席主席，技术委员成员和出品人


    培训对象

    • 软件研发负责人，研发管理负责人，运维负责人，DevOps负责人，测试负责人，工程效能负责人
    • 软件架构师，资深研发工程师
    • 运维架构师，资深运维工程师，DevOps工程师，SRE
    • 测试架构师，资深测试工程师
    • 研发管理人员，研发流程工程师


    课程大纲
    生成式AI的最新进展与应用
    • AIGC的基本概念
    • 大语言模型的基本概念
    • LLM和传统AI的区别
    • AIGC目前的主要应用领域
    • AIGC目前的可能的应用领域
    • 各类生成式AI的工具能力        
    以chatGPT为例来深入理解传统LLM的基本原理
    • 什么是ChatGPT
    • GPT和chatGPT的关系
    • OpenAI GPT和DeepSeek的关系
    • ChatGPT的架构和模型
    • ChatGPT的训练数据和算法
    • ChatGPT的生成过程和输出结果
    • ChatGPT的局限性
    • ChatGPT的安全性
    • ChatGPT的涌现能力
    • ChatGPT的幻觉
    • DeepSeek的幻觉
    • ChatGPT的思维链
    • DeepSeek的思维链
    DeepSeek大模型基础
    • DeepSeek与传统LLM的主要区别
    • 从DeepSeek R1 Zero到DeepSeek R1
    • DeepSeek R1和OpenAI O1模型的对比总结
    • 预训练范式 vs 推理计算范式
    • 多头潜在注意力机制MLA
    • 混合专家架构MoE
    • DeepSeekMoE的关键创新
    • 对传统大模型的挑战和机遇
    • DeepSeek的常见误解与详细解读
    大语言模型本地部署实战（以DeepSeek为例实现本地运行和RAG）
    • 本地部署的基础知识
    • 本地安装ollama
    • 本地部署Deepseek R1
    • 本地部署Llama 3.3
    • 本地安装open-webui
    • 本地部署实现RAG
    基于DeepSeek的提示词工程
    • Prompt如何使用
    • Prompt使用进阶
    • Prompt万能公式与使用详解
    • DeepSeek提示词的特殊性
    • DeepSeek提示词的使用技巧
    • 提示词模板的使用
    • 提示词静态链的使用
    • 提示词的横向扩展
    • 提示词的纵向扩展
    • 使用OpenAI API
    • 使用DeepSeek API
    • Prompt经典案例分析
    熟练使用LLM能力的全面进阶（以DeepSeek和GPT为例）
    • LLM应用能力的进阶模型（“倒三角”模型）
    • ReAct的概念和落地
    • 思维链CoT和多思维链
    • RAG的基本原理与应用
    • 多模态RAG的使用
    • plugin机制与使用方式
    • Function Call机制与使用方式
    • Agent的雏形
    • Agent开发的基本框架
    • 业界主流Agent的设计思路与使用
    • Multi-Agent的雏形
    • 业界主流Multi-Agent的设计思路
    • Multi-Agent的基本逻辑和应用范围
    • Multi-Agent应用示例：MetaGPT
    • Multi-Agent应用示例：DevChat
    LLM在软件研发全生命周期中的应用场景与案例（以DeepSeek和GPT为例，企业级实战干货）
    • 软件研发全流程中LLM擅长的部分
    • 软件研发全流程中LLM不擅长的部分
    • 竞品分析与市场调研阶段LLM的应用场景与案例
    • 产品概念与产品定义阶段LLM的应用场景与案例
    • 产品原型阶段LLM的应用场景与案例
    • 产品体验设计阶段LLM的应用场景与案例
    • 需求分析阶段LLM的应用场景与案例
    • 技术选型阶段LLM的应用场景与案例
    • 顶层设计阶段LLM的应用场景与案例
    • 详细设计阶段LLM的应用场景与案例
    • 从设计到UML，从UML到代码的完整示例
    • 编码阶段LLM的应用场景与案例
    • 代码评审阶段LLM的应用场景与案例
    • 单元测试阶段LLM的应用场景与案例
    • 接口测试阶段LLM的应用场景与案例
    • 持续集成流水中LLM的应用场景与案例
    • 各类软件工程文档中LLM的应用场景与案例
    • 持续发布中LLM的应用场景与案例
    • 性能测试阶段LLM的应用场景与案例
    • 测试结果分析中LLM的应用场景与案例
    AI辅助编程工具提升开发质效
    • LLM辅助编程工具的基本原理和应用场景
    • 代码大模型测评集HumanEval、MBPP介绍和评分原理
    • 微软：Github Copilot和Copilot X
    • 亚马逊：CodeWhisperer 
    • 智能代码编辑器Cursor
    • 智谱智能编程助手CodeGeeX等
    • 百度Comate快码
    • 阿里通义灵码
    • LLM辅助编程工具 主要使用场景
    • LLM辅助编程工具的实现原理
    • LLM辅助编程工具加持下的软件生态改变
    • LLM辅助编程工具改变传统开发的12大场景
    • LLM辅助编程工具的编程技巧
    • LLM辅助编程工具下的测试优化
    • 案例：某互联网大厂的应用案例分析
    LLM在软件质量和软件测试领域中的应用与案例
    • 使用Test pilot自动生成测试用例
    • Test pilot的基本原理
    • 使用OpenAI API实现单元测试用例的生成
    • LLM用于单元测试用例生成的技术难点与解决思路
    • 使用OpenAI API实现API接口测试用例的生成
    • 使用DeepSeek 实现API组合调用测试用例的生成
    • LLM用于API接口测试用例生成的技术难点与解决思路
    • 测试脚本开发中的GitHub Copilot应用
    • Copilot X的能力与测试领域应用
    • 基于AI Agent的测试用例设计生成技术
    • 基于AI Agent的测试用例脚本生成技术
    • 基于Multi-Agent的测试用例设计生成技术
    • 基于Multi-Agent的测试用例脚本生成技术
    • 使用LLM实现Monkey Test的能力扩展
    • 使用LLM实现无脚本的Mobile App探索测试
    • 使用LLM识别错误敏感的测试数据
    • 使用LLM实现失败测试用例的自动修复
    • 使用LLM提升被测对象的可测试性
    需求阶段研发效能提升的最佳实践
    • 需求颗粒度（大小）的把控原则
    • 需求拆分的常见问题与应对策略
    • 如何应对“一句话”需求
    • 需求分析阶段LLM的应用与案例详解
    • 需求优先级评估的卡农模型
    • 高效需求管理的不同形式和最佳应用场景
    • 需求变更的应对方法和最佳实践
    • 需求管理阶段的高效工具支持    
    • 需求状态与代码进展的联动
    • 四大类常见版本发布模式的定义与适用范围
    • 版本发布模式的选择
    个人开发与测试阶段的研发效能提升实践
    • 个人开发环境的效能提升
    • 基于AI精准提升的代码输入效率提升
    • 本地编译加速的常用手段
    • 代码静态质量的前期把控
    • 代码动态质量的前期把控
    • 静态代码规范的落地实践
    • 单元测试的适用范围
    • 单元测试的自动生成技术原理解读
    • 代码覆盖率统计与质量门禁
    • 开发者自测的行业实践
    • 自测环境的管理与提效
    • 如果用好本地CI流水线
    • 本地CI流水线效能优化的方方面面
    • 本地开发质量门禁能力建设与工具案例
    • 第三方依赖库的管理与效能提升
    • 独家干货：互联网大厂实战案例分享
    代码合流阶段的研发效能提升实践
    • 分支模式详解
    • 影响分支模式选择的主要因素
    • 开发协作模式的选择
    • 代码评审的意义
    • 代码评审的核心理念与最佳实践
    • 如果提升代码评审本身的质量
    • 代码评审的社会学属性探究
    • 代码合流阶段使用的测试环境
    • 微服务下基线测试环境和特性环境的管理
    • 集成联调测试环境的治理与最佳实践
    • 代码合流的CI流水线设计
    • CI完整步骤详解与最佳实践
    • 合流阶段测试代码管理的最佳实践
    • 制品库的管理
    • 独家干货：互联网大厂实战案例分享
    研发效能度量的最佳实践
    • 研发效能需要度量吗
    • 研发效能能不能度量
    • 什么才是“好”的度量
    • 效能度量的局限性与应对措施
    • 虚荣性指标 VS 可执行指标
    • 过程指标 VS 结果指标
    • 基于问题的指标矩阵的设计
    • 全流程度量指标的全景图
    • 全流程度量指标的裁剪与应用方式
    • GQM，GSM方法的本质和应用
    • 企业不同阶段的度量指标设计的最佳实践
    • 度量数据的自动化获取
    • 度量数据的常见分析方法
    • 度量常见的10大误区与应对措施
    • 企业级度量成功案例分享
    • 企业级度量失败案例分享
    • 大语言模型使用效果的度量思路与行业实践
    • 业界效能度量标准核心观点解读
    • 独家干货：互联网大厂实战度量案例分享
    “研发效能”的工程实践与行业案例
    • Google研发效能实践与产品化
    • eBay研发效能实践与产品化
    • Microsoft研发效能实践与产品化
    互联网大厂BAT的研发效能实践与产品化


    最新动态

    点击阅读更多内容
    返回顶部