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 和 DeepSeek 为例来深入理解 LLM 的基本工作原理 |
- 什么是 ChatGPT
- GPT 和 chatGPT 的关系
- ChatGPT 的历史和发展
- 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 的局限性和安全性
- ChatGPT 的涌现能力
- ChatGPT 的思维链
- DeepSeek V3 的训练数据和算法
- DeepSeek R1 Zero 的基本思路
- 从 DeepSeek R1 Zero 到 DeepSeek R1 的创新
- 推理范式 + 预训练范式
|
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
|
熟练使用 LLM 能力必须掌握的基础知识（以 DeepSeek 和 GPT 为例） |
- LLM 应用能力的进阶模型（ “倒三角 ”模型）
- 提示词工程基础知识
- 主流提示词使用技巧
- 提示的万能使用公式详解
- 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
- ReAct 的概念和落地
- 思维链和多思维链
- 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，OpenAI 和私有大模型为 例 ） |
- 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
- DeepSeek 代码生成能力与工具落地
- 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
|
研讨 2 小时（依托学员具体问题深度交流）：高频问题 |
- 代码补全看起来很高效， 但是为什么全局研发效率并没有明显提升？
- GenAI 用于代码生成， 代码的质量为什么变低了？
- GenAI 用于代码生成的安全问题如何解决？
- GenAI 用于单元测试用例生成有哪些坑， 你的测试用例真的有效吗？
- GenAI 用于 API 测试用例生成有哪些成熟的实践？
- 私域知识库的构建有哪些坑， 为什么你的 RAG 准确性不高？
- 私有化部署大模型的能力短板如何弥补？
- 低成本的 Agent 开发有哪些方式和主流框架？
- Multi-Agent 看起来很美， 要用起来要跨过哪几座大山？
- ……
|
内容精彩部分 |
从DeepSeek-R1-Zero到DeepSeek R1  多智能体协同框架 用LLM提升Monkey测试的覆盖范围 |
