---

大模型和智能体底层核心技术及实战

收益目标：暂无

适应人群：暂无

关键词：其他，工程师，Python，数据分析，NLP，大模型

---

测试架构师能力提升与AI赋能自动化测试

收益目标：1.系统掌握测试架构师理论体系 2.掌握测试架构设计核心方法论和典型场景决策能力 3.了解AI+测试的最新进展、主流工具及企业落地实践 4.获得可落地的AI测试实施方案和避坑指南

适应人群： 测试架构师、测试经理、高级测试工程师、测试团队负责人

关键词：互联网

---

智能高阶：企业级大模型+RAG+智能体落地实战

收益目标：￮能够构建企业级大模型应用：掌握 API、RAG、自动化工作流等主流落地方式。 ￮具备构建高质量 RAG 问答系统的能力：从知识库搭建到检索链路优化可独立完成。 ￮掌握智能体核心技能：可开发具备工具调用与基本规划执行能力的实用型智能体。 ￮具备低代码智能体构建能力：能为营销、办公、行业场景快速产出可直接使用的智能体应用。 ￮具备工作流与多 Agent 协作能力：可设计适用于内容生产、流程执行与多角色协作的智能自动化系统。 ￮掌握可靠性与可控性能力：能够通过校验、结构化与验证机制提升智能体的稳定性与输出质量。 具备企业级 AI 落地闭环能力：可独立完成从概念 → 原型 → 部署 → 评测优化的完整方案交付。

适应人群：暂无

关键词：互联网，系统开发，数据分析，组织，企业级，大模型，RAG

---

前端工程化实践

收益目标：
通过在一流互联网多年的开发经验和前端工程化技术实践，可以全面学习到： 1.前端工程化思想 2.前端命令行工具内核与实现 3.前端模块化实现思路 4. 前端性能优化的方法 5.前端持续集成方案

适应人群：前端开发行业的初级、中级、高级前端开发者 课程定位：适合于对前端工程化有诉求的业务项目和业务团队，特别是超大型前端项目、多条业务线研发项目，可以很方便对前端开发流程统一，前端工具统一，前端组件统一等。

关键词：互联网金融，前端工程化、前端编译工具、前端模块化、前端规范、前端集成解决方案

---

企业级性能测试最佳实践与案例分享

收益目标：通过本课程的学习，可以掌握性能测试体系建设思路、性能测试的企业级最佳实践、性能分析与优化能力、性能分析逻辑思维能力，并对业界的性能测试现状有整体清晰的认知。同时可以将课程所学无缝应用与企业级性能测试项目中，为企业级性能测试落地与优化带来实际价值。

适应人群：此课程适合于性能架构师、性能分析师、性能测试工程师、性能项目经理、软件质量管理人员、运维人员、开发工程师

关键词：互联网，性能测试，前端

---

以SaaS系统为例：如何做好to B产品

收益目标：●解决”理解业务难”的问题 做SaaS产品，往往面临的是一个环状的业务需要理解，课程针对这个问题，专门从宏观与微观两个角度向产品经理教授如何理解业务。 ●解决“需求不好梳理”的问题 做SaaS产品，往往面临的是整个业务链条需要权衡，课程从场景和价值两个角度，帮助产品经理更好梳理业务链条的业务场景与需求，并通过价值对需求进行评价。 ●解决“功能设计复杂”的问题 做SaaS产品，往往会面临大量个性化需求，课程以“后端标准化，前端个性化”的角度出发，通过帮助产品经理理解架构，以及如何进行可配置来解决做SaaS产品的终极问题。

适应人群：暂无

关键词：其他，产品经理，SaaS

---

AI大模型应用开发最佳实践和案例分析

收益目标：第一阶段：从基础入手，先来了解大模型基础概念和原理，掌握好提示词技术。同时了解如何使用大模型技术，提升开发效率。学会在工作中如何更好的使用大模型，释放大模型能力，通过大模型相关技术提升个人效率、改造研发流程 第二阶段：深入大模型应用程序的研发，掌握大模型OpenAI API，langchain工具链、大模型微调等技术，开发大模型应用系统，帮助企业、个人提升效率，做企业最懂大模型的那个员工 第三阶段：学习大模型时代超级个体必须掌握的核心技术RAG、构建Agent，学习优秀企业的成功案例。助你在企业内使用大模型改造现有系统。 总之，AI模型全栈工程师是人工智能领域中不可或缺的重要角色。他们具备从算法到应用的全方位能力，能够从全局和整体的角度思考问题并寻求解决方案。随着人工智能技术的广泛应用和发展，AI模型全栈工程师的职业前景将越来越广阔。

适应人群：暂无

关键词：其他，API，ai，大模型，RAG

---

行业解决方案创新设计

收益目标：理论分享+案例分享+课堂互动

适应人群：政企产品及解决方案经理

关键词：互联网，创新

---

代码整洁与AI编程 实战训练营

收益目标：暂无

适应人群：暂无

关键词：其他

---

视觉大模型及其应用

收益目标：1，整体把握机器学习、深度学习、数据挖掘的发展方向 2，了解机器学习、深度学习、计算机视觉的技术框架 3，理解机器学习和深度学习的思维方式和关键技术 4，了解深度学习和机器学习在当前工业界的落地应用 5，了解AI顶会论文和最新技术热点

适应人群：暂无

关键词：其他，机器学习，数据挖掘，项目管理，深度学习

---

用 GitHub Copilot 搭配 Agent Skills 实现 AI 辅助软件开发最佳实践

收益目标：1、提升调试效率6-12倍 通过语言特定的调试技能（如C++内存问题、C#死锁、Python类型污染），大幅缩短问题定位与修复时间。 2、掌握AI辅助开发的标准化流程 学习“三步验证法”（AI生成 → 自动化测试 → 人工审查），提升对AI生成代码的掌控感与信任度。 3、实现测试自动化与代码审查标准化 利用test-generation和code-review技能自动生成测试用例、识别边界与异常场景，提升代码质量。 4、沉淀可复用的团队技能资产 通过自定义Agent Skills，将团队经验编码为可版本化、可共享的技能文件，构建企业内部技能库。 5、跨语言协作与知识迁移能力 在统一业务场景下，理解不同语言的实现差异与优化手段，促进跨组交流与技术共建。

适应人群：本课程面向企业IT开发团队中的一线开发人员，特别适合有以下需求的团队： 希望系统掌握GitHub Copilot高级功能（如Agent Mode、Agent Skills）的开发团队； 正在探索AI辅助开发落地，但面临代码质量不可控、调试效率低、技能难复用等问题的团队； 希望构建可沉淀、可复用的AI辅助开发工程能力的组织； 对C++、C#、Python中至少一种语言有实际开发经验的开发者。

关键词：互联网，Python，组织，企业级

---

UML建模及软件设计实战

收益目标：1、了解UML的正确应用方法与原理； 2、学员将了解如何把UML应用到面向对象分析和设计乃至整个软件过程中，包括使用UML建立业务模型、需求模型、分析模型、设计模型、实现模型等； 3、重点讲解UML在具体的真实项目中的使用和应用过程指南，如何应用UML处理需求的变更，分析、设计出强壮的架构，建立充分的实现模型。强调具体项目的过程； 4、运用系统分析模式进行本质分析； 5、了解如何设计稳健并易于扩展的架构； 6、通过实际的案例，掌握需求、分析设计的关键技巧； 7、看到好的和差的实际案例，反思自我，提高实际工作能力； 8、深入了解如何解决实际开发问题； 9、理解UML贯穿于迭代化。

适应人群：本课程主要面向开发团队中的设计人员、系统分析人员、开发经理、项目经理、产品设计、UE设计人员，以及或有志成长为高级软件设计者的技术人员。

关键词：互联网