任你选择
课程时长
2-3天（6小时/天）
课程对象
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
l AIGC的基本概念
l 大语言模型的基本概念
l LLM和传统AI的区别
l AIGC目前的主要应用领域
l AIGC目前的可能的应用领域
l 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
l 什么是ChatGPT
l GPT和chatGPT的关系
l OpenAI GPT和DeepSeek的关系
l ChatGPT的架构和模型
l ChatGPT的训练数据和算法
l ChatGPT的生成过程和输出结果
l ChatGPT的局限性
l ChatGPT的安全性
l ChatGPT的涌现能力
l ChatGPT的幻觉
l DeepSeek的幻觉
l ChatGPT的思维链
l DeepSeek的思维链
DeepSeek大模型基础
l DeepSeek与传统LLM的主要区别
l 从DeepSeek R1 Zero到DeepSeek R1
l DeepSeek R1和OpenAI O1模型的对比总结
l 预训练范式 vs 推理计算范式
l 多头潜在注意力机制MLA
l 混合专家架构MoE
l DeepSeekMoE的关键创新
l 对传统大模型的挑战和机遇
l 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）
l 本地部署的基础知识
l 本地安装ollama
l 本地部署Deepseek R1
l 本地部署Llama 3.3
l 本地安装open-webui
l 本地部署实现RAG
基于DeepSeek的提示词工程
l Prompt如何使用
l Prompt使用进阶
l Prompt万能公式与使用详解
l DeepSeek提示词的特殊性
l DeepSeek提示词的使用技巧
l 提示词模板的使用
l 提示词静态链的使用
l 提示词的横向扩展
l 提示词的纵向扩展
l 使用OpenAI API
l 使用DeepSeek API
l 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）
l LLM应用能力的进阶模型（“倒三角”模型）
l ReAct的概念和落地
l 思维链CoT和多思维链
l RAG的基本原理与应用
l 多模态RAG的使用
l plugin机制与使用方式
l Function Call机制与使用方式
l Agent的雏形
l Agent开发的基本框架
l 业界主流Agent的设计思路与使用
l Multi-Agent的雏形
l 业界主流Multi-Agent的设计思路
l Multi-Agent的基本逻辑和应用范围
l Multi-Agent应用示例：MetaGPT
l 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）
l 软件研发全流程中LLM擅长的部分
l 软件研发全流程中LLM不擅长的部分
l 竞品分析与市场调研阶段LLM的应用场景与案例
l 产品概念与产品定义阶段LLM的应用场景与案例
l 产品原型阶段LLM的应用场景与案例
l 产品体验设计阶段LLM的应用场景与案例
l 需求分析阶段LLM的应用场景与案例
l 技术选型阶段LLM的应用场景与案例
l 顶层设计阶段LLM的应用场景与案例
l 详细设计阶段LLM的应用场景与案例
l 从设计到UML，从UML到代码的完整示例
l 编码阶段LLM的应用场景与案例
l 代码评审阶段LLM的应用场景与案例
l 单元测试阶段LLM的应用场景与案例
l 接口测试阶段LLM的应用场景与案例
l 持续集成流水中LLM的应用场景与案例
l 各类软件工程文档中LLM的应用场景与案例
l 持续发布中LLM的应用场景与案例
l 性能测试阶段LLM的应用场景与案例
l 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
l LLM辅助编程工具的基本原理和应用场景
l 代码大模型测评集HumanEval、MBPP介绍和评分原理
l 微软：Github Copilot和Copilot X
l 亚马逊：CodeWhisperer
l 智能代码编辑器Cursor
l 智谱智能编程助手CodeGeeX等
l 百度Comate快码
l 阿里通义灵码
l LLM辅助编程工具主要使用场景
l LLM辅助编程工具的实现原理
l LLM辅助编程工具加持下的软件生态改变
l LLM辅助编程工具改变传统开发的12大场景
l LLM辅助编程工具的编程技巧
l LLM辅助编程工具下的测试优化
l 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
l 使用Test pilot自动生成测试用例
l Test pilot的基本原理
l 使用OpenAI API实现单元测试用例的生成
l LLM用于单元测试用例生成的技术难点与解决思路
l 使用OpenAI API实现API接口测试用例的生成
l 使用DeepSeek实现API组合调用测试用例的生成
l LLM用于API接口测试用例生成的技术难点与解决思路
l 测试脚本开发中的GitHub Copilot应用
l Copilot X的能力与测试领域应用
l 基于AI Agent的测试用例设计生成技术
l 基于AI Agent的测试用例脚本生成技术
l 基于Multi-Agent的测试用例设计生成技术
l 基于Multi-Agent的测试用例脚本生成技术
l 使用LLM实现Monkey Test的能力扩展
l 使用LLM实现无脚本的Mobile App探索测试
l 使用LLM识别错误敏感的测试数据
l 使用LLM实现失败测试用例的自动修复
l 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
l 需求颗粒度（大小）的把控原则
l 需求拆分的常见问题与应对策略
l 如何应对“一句话”需求
l 需求分析阶段LLM的应用与案例详解
l 需求优先级评估的卡农模型
l 高效需求管理的不同形式和最佳应用场景
l 需求变更的应对方法和最佳实践
l 需求管理阶段的高效工具支持
l 需求状态与代码进展的联动
l 四大类常见版本发布模式的定义与适用范围
l 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
l 个人开发环境的效能提升
l 基于AI精准提升的代码输入效率提升
l 本地编译加速的常用手段
l 代码静态质量的前期把控
l 代码动态质量的前期把控
l 静态代码规范的落地实践
l 单元测试的适用范围
l 单元测试的自动生成技术原理解读
l 代码覆盖率统计与质量门禁
l 开发者自测的行业实践
l 自测环境的管理与提效
l 如果用好本地CI流水线
l 本地CI流水线效能优化的方方面面
l 本地开发质量门禁能力建设与工具案例
l 第三方依赖库的管理与效能提升
l 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
l 分支模式详解
l 影响分支模式选择的主要因素
l 开发协作模式的选择
l 代码评审的意义
l 代码评审的核心理念与最佳实践
l 如果提升代码评审本身的质量
l 代码评审的社会学属性探究
l 代码合流阶段使用的测试环境
l 微服务下基线测试环境和特性环境的管理
l 集成联调测试环境的治理与最佳实践
l 代码合流的CI流水线设计
l CI完整步骤详解与最佳实践
l 合流阶段测试代码管理的最佳实践
l 制品库的管理
l 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
l 研发效能需要度量吗
l 研发效能能不能度量
l 什么才是“好”的度量
l 效能度量的局限性与应对措施
l 虚荣性指标 VS 可执行指标
l 过程指标 VS 结果指标
l 基于问题的指标矩阵的设计
l 全流程度量指标的全景图
l 全流程度量指标的裁剪与应用方式
l GQM，GSM方法的本质和应用
l 企业不同阶段的度量指标设计的最佳实践
l 度量数据的自动化获取
l 度量数据的常见分析方法
l 度量常见的10大误区与应对措施
l 企业级度量成功案例分享
l 企业级度量失败案例分享
l 大语言模型使用效果的度量思路与行业实践
l 业界效能度量标准核心观点解读
l 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
l Google研发效能实践与产品化
l eBay研发效能实践与产品化
l Microsoft研发效能实践与产品化
l 互联网大厂BAT的研发效能实践与产品化
