软件工程3.0实战：大模型驱动软件研发全过程（2天课程）

大模型前沿应用实践 / 2026-01-19 17:51:30
软件工程3.0实战：大模型驱动软件研发全过程（2天课程）
    马上咨询


    讲师：朱少民，《软件工程3.0》作者

    课程核心价值

    本课程旨在帮助软件企业管理者和核心技术人员，深入理解并掌握《软件工程3.0》核心理念与实践路径。通过两天高强度实战演练，您将能够：

    • 洞悉这次软件研发范式的变革本质，深刻理解LLM如何颠覆传统研发范式，未来软件研发会以一种什么样的常态存在。
    • 破解落地痛点：直面企业在引入LLM过程中的认知、流程、能力、质量、安全等核心挑战，并找到针对性解决方案。
    • 挖掘提效金矿：精准识别LLM在需求、设计、编码、测试、运维等环节的高价值应用场景，实现研发效能倍增。
    • 构建新型团队：重塑工程师角色，打造适应智能时代的新型研发组织。


    课程亮点

    • 源于原著精髓：紧密围绕个人著作《软件工程3.0》核心思想和方法论展开。
    • 痛点驱动教学：每个模块设计均针对企业应用LLM的实际痛点，提供“可学、可用”的解决方案。
    • 实战导向：强调“怎么做”，提供可落地的框架、工具、案例和行动指南。
    • 标杆案例剖析：深度解析书中及业界领先企业的成功案例。
    • 高互动体验：融入问题互动、小组研讨、场景演练等多种互动形式，促进深度思考与经验共享。
    • 前瞻性视野：帮助学员预见AI在软件工程领域的未来趋势，提前布局。


    课程学习对象

    • 研发管理者：研发经理、测试经理、项目经理、团队负责人等，负责带领团队应用LLM及其技术。
    • 核心工程师/架构师：资深开发者、系统架构师等，希望提升技能，驾驭LLM并理解其角色演变。


    课程内容

    课程总览 (两天，共12小时)

    • 第1天：两个模块，认知提升与能力构建
    • 第2天：两个模块，技术实践与未来展望
    模块一：【认知提升】重识LLM时代的软件研发新范式

    核心目标：颠覆传统认知，建立对软件工程3.0时代研发范式、核心理念、角色演变及流程变革的系统性理解。

    • 从1.0到3.0：软件工程的范式演进与LLM的颠覆性力量
      • 回顾：瀑布、敏捷、DevOps的核心思想与时代局限。
      • 洞察：为何LLM是驱动软件工程3.0的关键引擎？
      • 解读SE3.0核心理念： SaaM (软件即模型)、模型驱动研发、人机交互智能。
    • 讨论：当前团队/企业对LLM应用于研发的认知现状、期望与顾虑。
    • LLM重塑研发全局：范式、角色与流程的深刻变革
      • 研发范式之变：从“人主导、工具辅助”到“人机协同、AI赋能”。
      • 角色之变：研发人员角色在减少，智能体角色在增加。
      • 研发流程之变：LLM如何渗透并优化软件研发生命周期
    • 分组研讨：在SE3.0时代，我/我的团队角色最可能发生怎样的转变？如何主动适应？
    • 案例解析：结合《软件工程3.0》中提及的案例，探讨其在认知层面如何拥抱变革。

    模块二：【能力构建】驾驭LLM赋能软件研发的核心技能

    核心目标：掌握在软件工程场景下，与LLM高效协作、激发其潜能的核心技术能力，特别是提示工程、RAG和AI智能体的应用。

    • 软件工程师的“魔法棒”：精通提示工程 (Prompt Engineering)
      • 理论：提示的基本原则、要素、框架、高级技巧。
      • 软件工程场景特化：针对代码生成/解释/重构、测试用例设计、需求分析等提示词设计模式。
      • 案例解析：优秀与糟糕的软件工程提示词对比分析，如何通过迭代优化提示效果。
    • 让LLM“懂你”的专业知识：检索增强生成 (RAG) 技术
      • 理论：RAG的核心原理、架构组件。
      • 应用场景：如何利用RAG让LLM基于企业私有代码库、API文档、技术规范进行问答和内容生成。
      • 案例解析：一个简化版RAG系统（如基于本地文档的问答机器人）的构建思路与效果。
    • 智能体初探：AI Agent在软件研发中的应用
      • 理论：AI Agent（如SW-Agent）的概念、分类及在自动化研发任务中的潜力。
      • 案例解析：如何通过多智能体协作完成跨项目文件的缺陷修复。
    • 实操练习：针对给定的软件工程任务，设计并迭代优化提示词，对比不同提示的效果
    • 实操练习：选择一个RAG应用场景或一个简单的AI Agent辅助任务，进行概念设计和伪代码/流程图的初步构建
    • 成果展示与点评、小结
    模块三：【技术实践】LLM在SDLC的价值挖掘与落地 
    • 核心目标：深入探索LLM在需求、设计、编程、测试等关键环节的具体应用方法、高价值场景、优秀实践以及常见问题与有效对策。
    • 需求工程智能化：LLM辅助用户故事生成、需求澄清、验收标准提取。
    • AI辅助设计与架构：LLM辅助设计模式选择、架构设计、类的设计、API接口设计、UI设计及其代码生成、技术选型建议等。
    • 编程效能革命：LLM辅助代码生成/补全、代码解释/重构、代码评审、Bug初步定位等。
    • 测试与质量保障革新：LLM辅助测试用例/脚本生成、测试数据构造、缺陷报告分析。
    • 案例深度解析：选取1-2个覆盖多环节的综合应用案例，剖析其成功经验与遇到的挑战。
    • 分组讨论：针对特定研发环节（各组可选不同环节），讨论：
      • 当前环节引入LLM的最大痛点是什么？
      • 最有潜力的1-2个应用场景是什么？
      • 预想会遇到哪些具体问题？初步的应对思路是什么？
      • 成果展示与跨组经验分享。
    模块四：【未来展望】打造可持续的智能软件工程能力
    • 核心目标：着眼长远，探讨如何构建企业级智能研发知识体系，培育AI原生文化与人才，并把握软件工程3.0的未来发展趋势。
      • 知识工程再进化：构建企业级研发“最强大脑”
        • 从隐性知识到显性资产：利用LLM辅助构建和索引代码库、API文档、设计文档、缺陷解决方案等企业研发知识图谱。
        • 多模态知识融合：整合文本、代码、图像（如UI截图、架构图）等多种研发数据。
        • 驱动智能体进化：基于企业知识库训练更“懂行”的AI研发助手。
    • 组织文化与人才培养：拥抱AI原生研发时代
      • 文化重塑：营造鼓励实验、拥抱变革、人机协作的创新氛围。
      • 人才战略：识别、培养既懂软件工程又懂AI的复合型人才；定义新岗位与能力模型。
      • 评估与激励：构建适应人机协同模式的绩效评估与激励机制。
    • 软件工程3.0的未来图景与伦理考量
      • 趋势展望：多智能体自主协作、自适应与自进化软件、AI在软件工程中的终极形态。
      • 伦理与治理：数据隐私、算法偏见、责任界定等在AI辅助研发中的挑战与应对。
    • 分组研讨：为了构建可持续的智能软件工程能力，我们组织当前最需要在哪方面（知识工程、文化、人才）做出改变？
    • 行动规划：制定“加速在团队/项目中应用LLM的阶段性目标和行动计划”
    • 分享与总结，课程回顾与展望。



    最新动态

    点击阅读更多内容
    返回顶部