课程简介
本课程聚焦大模型在软件研发领域的落地实践，结合电商、DevOps等案例，深入讲解大语言模型技术、提示词工程、代码生成与补全、缺陷检测、图像识别等关键应用。通过两天的培训，学员将掌握大模型在研发流程中的实际应用技巧，提升研发效率与质量。
目标收益
1、提升研发效率：掌握代码生成与补全技巧。
2、优化测试流程：学会自动化测试用例生成。
3、增强代码质量：了解代码缺陷自动化修复方法。
4、提升图像识别精度：学习图像识别模型优化技术。
5、掌握提示词工程：优化上下文提示词，提升模型响应精准度。
6、智能调试与定位错误：快速定位并解决代码错误。
培训对象
软件研发工程师
测试工程师
技术团队管理者
AI技术爱好者
DevOps工程师
企业信息化负责人
课程大纲
| AI大模型与应用典型问题分析 |
1.问题分析 2.讨论 |
| AI在电商领域的发展与应用 |
1.个性化推荐系统 2.商品自动识别搜索 3.智能客服与AI助理 4.数据分析与市场订单趋势预测 5.商品描述与广告自动化生成 6.价格优化与动态定价策略 7.客户反馈分析 8.风险评估与预防欺诈 |
| AI主要应用技术分类 |
1.AI技术概览 2.AI技术的四要素 3.AI模型的研发流程 4.深度学习与神经网络 5.图像算法典型案例 6.语音算法典型案例 7.NLP算法典型案例 8.大语言模型典型案例 |
| 大语言模型技术 |
1.大语言模型的定义和特点 2.大语言模型技术演变简史 3.大语言模型的架构解析 4.大语言模型训练方法和优化技术 5.大语言模型在自然语言处理任务中的性能表现 6.大模型面临的挑战 |
| DeepSeek概述 |
1.DeepSeek简介 2.DeepSeek架构与原理 3.DeepSeek优势 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地调用DeepSeek |
| OLIama部署应用 |
1.OLIama简介 2.模型参数 3.网络安全隔离 4.部署OLIama环境 5.OLIama常用操作命令 6.离线模型CLI接口 7.模型API接口 8.API调用方式 9.UI调试界面 10.模型微调 11.【案例】实现离线大模型人机对话 |
| 提示词工程 |
1.什么是提示词工程？ 2.优化的上下文提示词 3.【案例】提示词返回精准答案 |
| 代码生成与补全 |
1.代码质量全链路质量保证技术手段 2.主流代码补全工具 3.TabNine |
| 代码理解与重构建议 |
1.代码重构概述 2.通过DeepSeek进行代码解释 3.通过DeepSeek进行代码重构 4.【案例】代码重构效果对比 |
| 缺陷检测与代码审查 |
1.Code review概述 2.Code review结果解析 3.Code review结果推送 4.【案例】进行自动化code review |
| 白盒测试代码自动化生成 |
1.DeepSeek生成java单元测试代码 2.进行自动化单元测试执行 3.优化单元测试代码 4.【案例】白盒测试集成至CI流水线 |
| 研发自测自动化用例生成 |
1.生成自动化测试脚本 2.【案例】DeepSeek自动生成自动化用例 3.【案例】自动化用例集成至CI流水线 |
| 代码缺陷修复 |
1.常见代码缺陷类型 2.通过DeepSeek进行代码缺陷修复 3.【案例】代码缺陷自动化检查 |
| UI自动化测试用例生成 |
1.优化提示词 2.生成selenium自动化测试用例脚本 |
| DevOps领域应用 |
1.生成Jenkins groovy脚本构建CI pipeline 2.根据历史数据做流量预测 3.监控图像分析与理解 4.智能故障诊断 |
| 智能调试与错误定位 |
1.日志等级与规范 2.分析错误日志 3.【案例】通过DeepSeek进行错误自动化定位 |
| 代码质量评估 |
1.代码质量评价维度 2.开发代码质量评估脚本 3.【案例】实现提交代码分钟级质量评估反馈 |
| 高效利用OLIama |
1.下载docker镜像 2.启动docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx实现轮询 6.实现接口并发处理 7.【案例】缺陷发现->缺陷修复->缺陷验证闭环 |
| 图像识别模型对抗与badcase推荐 |
1.搭建模型对抗工作流 2.多模型投票加权分析 3.自动化筛选Badcase 4.【案例】商品AI识别效果评测 |
| AI图像目标检测 |
1.AI Yolo模型简介 2.图像标注 3.模型训练 4.效果评测 5.模型推理 6.Badcase分析 7.模型优化 |
|
AI大模型与应用典型问题分析 1.问题分析 2.讨论 |
|
AI在电商领域的发展与应用 1.个性化推荐系统 2.商品自动识别搜索 3.智能客服与AI助理 4.数据分析与市场订单趋势预测 5.商品描述与广告自动化生成 6.价格优化与动态定价策略 7.客户反馈分析 8.风险评估与预防欺诈 |
|
AI主要应用技术分类 1.AI技术概览 2.AI技术的四要素 3.AI模型的研发流程 4.深度学习与神经网络 5.图像算法典型案例 6.语音算法典型案例 7.NLP算法典型案例 8.大语言模型典型案例 |
|
大语言模型技术 1.大语言模型的定义和特点 2.大语言模型技术演变简史 3.大语言模型的架构解析 4.大语言模型训练方法和优化技术 5.大语言模型在自然语言处理任务中的性能表现 6.大模型面临的挑战 |
|
DeepSeek概述 1.DeepSeek简介 2.DeepSeek架构与原理 3.DeepSeek优势 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地调用DeepSeek |
|
OLIama部署应用 1.OLIama简介 2.模型参数 3.网络安全隔离 4.部署OLIama环境 5.OLIama常用操作命令 6.离线模型CLI接口 7.模型API接口 8.API调用方式 9.UI调试界面 10.模型微调 11.【案例】实现离线大模型人机对话 |
|
提示词工程 1.什么是提示词工程？ 2.优化的上下文提示词 3.【案例】提示词返回精准答案 |
|
代码生成与补全 1.代码质量全链路质量保证技术手段 2.主流代码补全工具 3.TabNine |
|
代码理解与重构建议 1.代码重构概述 2.通过DeepSeek进行代码解释 3.通过DeepSeek进行代码重构 4.【案例】代码重构效果对比 |
|
缺陷检测与代码审查 1.Code review概述 2.Code review结果解析 3.Code review结果推送 4.【案例】进行自动化code review |
|
白盒测试代码自动化生成 1.DeepSeek生成java单元测试代码 2.进行自动化单元测试执行 3.优化单元测试代码 4.【案例】白盒测试集成至CI流水线 |
|
研发自测自动化用例生成 1.生成自动化测试脚本 2.【案例】DeepSeek自动生成自动化用例 3.【案例】自动化用例集成至CI流水线 |
|
代码缺陷修复 1.常见代码缺陷类型 2.通过DeepSeek进行代码缺陷修复 3.【案例】代码缺陷自动化检查 |
|
UI自动化测试用例生成 1.优化提示词 2.生成selenium自动化测试用例脚本 |
|
DevOps领域应用 1.生成Jenkins groovy脚本构建CI pipeline 2.根据历史数据做流量预测 3.监控图像分析与理解 4.智能故障诊断 |
|
智能调试与错误定位 1.日志等级与规范 2.分析错误日志 3.【案例】通过DeepSeek进行错误自动化定位 |
|
代码质量评估 1.代码质量评价维度 2.开发代码质量评估脚本 3.【案例】实现提交代码分钟级质量评估反馈 |
|
高效利用OLIama 1.下载docker镜像 2.启动docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx实现轮询 6.实现接口并发处理 7.【案例】缺陷发现->缺陷修复->缺陷验证闭环 |
|
图像识别模型对抗与badcase推荐 1.搭建模型对抗工作流 2.多模型投票加权分析 3.自动化筛选Badcase 4.【案例】商品AI识别效果评测 |
|
AI图像目标检测 1.AI Yolo模型简介 2.图像标注 3.模型训练 4.效果评测 5.模型推理 6.Badcase分析 7.模型优化 |
近期公开课推荐