?培訓(xùn)對(duì)象：
軟件研發(fā)負(fù)責(zé)人，研發(fā)管理負(fù)責(zé)人，運(yùn)維負(fù)責(zé)人，DevOps負(fù)責(zé)人，測(cè)試負(fù)責(zé)人，工程效能負(fù)責(zé)人
軟件架構(gòu)師，資深研發(fā)工程師
運(yùn)維架構(gòu)師，資深運(yùn)維工程師，DevOps工程師，SRE
測(cè)試架構(gòu)師，資深測(cè)試工程師
研發(fā)管理人員，研發(fā)流程工程師
?
課程大綱：
生成式AI的最新進(jìn)展與應(yīng)用
l?AIGC的基本概念
l?大語言模型的基本概念
l?LLM和傳統(tǒng)AI的區(qū)別
l?AIGC目前的主要應(yīng)用領(lǐng)域
l?AIGC目前的可能的應(yīng)用領(lǐng)域
l?各類生成式AI的工具能力
以chatGPT為例來深入理解LLM的基本工作原理
l?什么是ChatGPT
l?GPT和chatGPT的關(guān)系
l?ChatGPT的歷史和發(fā)展
l?ChatGPT的架構(gòu)和模型
l?ChatGPT的訓(xùn)練數(shù)據(jù)和算法
l?ChatGPT的生成過程和輸出結(jié)果
l?ChatGPT的局限性
l?ChatGPT的安全性
l?ChatGPT的涌現(xiàn)能力
l?ChatGPT的思維鏈
DeepSeek大模型基礎(chǔ)
l?DeepSeek與傳統(tǒng)LLM的主要區(qū)別
l?從DeepSeek R1 Zero到DeepSeek R1
l?DeepSeek R1和OpenAI O1模型的對(duì)比總結(jié)
l?預(yù)訓(xùn)練范式 vs 推理計(jì)算范式
l?多頭潛在注意力機(jī)制MLA
l?混合專家架構(gòu)MoE
l?DeepSeekMoE的關(guān)鍵創(chuàng)新
l?對(duì)傳統(tǒng)大模型的挑戰(zhàn)和機(jī)遇
l?DeepSeek的常見誤解與詳細(xì)解讀
大語言模型本地部署實(shí)戰(zhàn)
l?本地部署的基礎(chǔ)知識(shí)
l?本地安裝ollama
l?本地部署Deepseek R1
l?本地部署Llama 3.3
l?本地安裝open-webui
l?本地部署實(shí)現(xiàn)RAG
LLM的主流應(yīng)用場(chǎng)景與未來發(fā)展
l?GenAI在千行百業(yè)的應(yīng)用概覽
l?GenAI在軟件研發(fā)企業(yè)的應(yīng)用概覽
l?單模態(tài) vs 多模態(tài)
l?知識(shí)工程的回歸
l?LLM的未來發(fā)展方向
l?LLM在各行業(yè)中的應(yīng)用前景
l?LLM的風(fēng)險(xiǎn)與不確定性應(yīng)對(duì)
l?LLM的技術(shù)演化方向
l?LLM的哲學(xué)思考
熟練使用LLM能力的全面進(jìn)階
l?LLM應(yīng)用能力的進(jìn)階模型（“倒三角”模型）
l?提示詞工程基礎(chǔ)知識(shí)
l?主流提示詞使用技巧
l?提示的萬能使用公式詳解
l?提示詞模板的使用
l?提示詞靜態(tài)鏈的使用
l?提示詞的橫向擴(kuò)展
l?提示詞的縱向擴(kuò)展
l?使用OpenAI API
l?ReAct的概念和落地
l?思維鏈和多思維鏈
l?RAG的基本原理與應(yīng)用
l?多模態(tài)RAG的使用
l?plugin機(jī)制與使用方式
l?Function Call機(jī)制與使用方式
l?MCP 機(jī)制與使用方式
l?Agent的雛形
l?Agent開發(fā)的基本框架
l?業(yè)界主流Agent的設(shè)計(jì)思路與使用
l?Multi-Agent的雛形
l?業(yè)界主流Multi-Agent的設(shè)計(jì)思路
l?Multi-Agent的基本邏輯和應(yīng)用范圍
l?Multi-Agent應(yīng)用示例：MetaGPT
l?Multi-Agent應(yīng)用示例：DevChat
LLM在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例
l?軟件研發(fā)全流程中LLM擅長(zhǎng)的部分
l?軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分
l?競(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例
l?產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例
l?產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例
l?產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例
l?需求分析階段LLM的應(yīng)用場(chǎng)景與案例
l?技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例
l?頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例
l?詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例
l?從設(shè)計(jì)到UML，從UML到代碼的完整示例
l?編碼階段LLM的應(yīng)用場(chǎng)景與案例
l?代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例
l?單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例
l?接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例
l?持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例
l?各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例
l?持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例
l?性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例
l?測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例
AI輔助編程工具提升測(cè)試開發(fā)的質(zhì)效
l?LLM輔助編程工具的基本原理和應(yīng)用場(chǎng)景
l?代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)分原理
l?微軟：Github Copilot和Copilot X
l?亞馬遜：CodeWhisperer
l?智能代碼編輯器Cursor
l?智譜智能編程助手CodeGeeX等
l?百度Comate快碼
l?阿里通義靈碼
l?LLM輔助編程工具 主要使用場(chǎng)景
l?LLM輔助編程工具的實(shí)現(xiàn)原理
l?LLM輔助編程工具加持下的軟件生態(tài)改變
l?LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場(chǎng)景
l?LLM輔助編程工具的編程技巧
l?LLM輔助編程工具下的測(cè)試優(yōu)化
l?案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析
LLM在軟件質(zhì)量和軟件測(cè)試領(lǐng)域中的應(yīng)用與案例
l?使用Test pilot自動(dòng)生成測(cè)試用例
l?Test pilot的基本原理
l?使用OpenAI API實(shí)現(xiàn)單元測(cè)試用例的生成
l?LLM用于單元測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路
l?使用OpenAI API實(shí)現(xiàn)API接口測(cè)試用例的生成
l?使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測(cè)試用例的生成
l?LLM在測(cè)試數(shù)據(jù)生成領(lǐng)域的應(yīng)用與實(shí)踐
l?LLM用于API接口測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路
l?測(cè)試腳本開發(fā)中的GitHub Copilot應(yīng)用
l?Copilot X的能力與測(cè)試領(lǐng)域應(yīng)用
l?基于AI Agent的測(cè)試用例設(shè)計(jì)生成技術(shù)
l?基于AI Agent的測(cè)試用例腳本生成技術(shù)
l?基于Multi-Agent的測(cè)試用例設(shè)計(jì)生成技術(shù)
l?基于Multi-Agent的測(cè)試用例腳本生成技術(shù)
l?使用LLM實(shí)現(xiàn)Monkey Test的能力擴(kuò)展
l?使用LLM實(shí)現(xiàn)無腳本的Mobile App探索測(cè)試
l?使用LLM識(shí)別錯(cuò)誤敏感的測(cè)試數(shù)據(jù)
l?使用LLM實(shí)現(xiàn)失敗測(cè)試用例的自動(dòng)修復(fù)
l?使用LLM提升被測(cè)對(duì)象的可測(cè)試性
各類AIGC場(chǎng)景深度解讀
l?文生圖能力的使用（大量行業(yè)案例）
l?與日程辦公的結(jié)合（Office Copilot的案例）
?
其他各類可能使用場(chǎng)景解讀（國(guó)內(nèi)外最新案例）
