Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Rozumienie kodu z użyciem LLM-ów
- Strategie formułowania promptów do wyjaśniania kodu i szczegółowych analiz
- Praca z nieznanymi bazami kodu i projektami
- Analiza przepływu sterowania, zależności i architektury
Refaktoryzacja kodu pod kątem łatwości utrzymania
- Identyfikacja zapachów kodu, martwego kodu i antywzorców
- Restrukturyzacja funkcji i modułów w celu zwiększenia przejrzystości
- Wykorzystanie LLM-ów do sugerowania konwencji nazewniczych i ulepszeń projektowych
Poprawa wydajności i niezawodności
- Wykrywanie nieefektywności i zagrożeń bezpieczeństwa przy wsparciu AI
- Sugerowanie bardziej wydajnych algorytmów lub bibliotek
- Refaktoryzacja operacji wejścia/wyjścia, zapytań do baz danych i wywołań API
Automatyzacja dokumentacji kodu
- Generowanie komentarzy i podsumowań na poziomie funkcji/metod
- Tworzenie i aktualizowanie plików README na podstawie baz kodu
- Tworzenie dokumentacji Swagger/OpenAPI przy wsparciu LLM-ów
Integracja z łańcuchami narzędzi
- Korzystanie z rozszerzeń VS Code i Copilot Labs do dokumentacji
- Włączanie GPT lub Claude do hooków pre-commit w Git
- Integracja z pipeline’em CI w celu dokumentacji i lintowania
Praca z legacy’owymi i wielojęzycznymi bazami kodu
- Inżynieria wsteczna starszych lub nieudokumentowanych systemów
- Refaktoryzacja międzyjęzykowa (np. z Pythona na TypeScript)
- Studia przypadków i pokazy programowania w parach z AI
Etyka, zapewnienie jakości i przegląd
- Walidacja zmian generowanych przez AI i unikanie halucynacji
- Najlepsze praktyki przeglądu kodu przy użyciu LLM-ów
- Zapewnienie odtwarzalności i zgodności ze standardami kodowania
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w językach programowania, takich jak Python, Java lub JavaScript
- Znajomość architektury oprogramowania i procesów przeglądu kodu
- Podstawowa wiedza na temat działania dużych modeli językowych
Grupa docelowa
- Inżynierowie backendu
- Zespoły DevOps
- Starsi programiści i liderzy techniczni
Opinie uczestników (1)
Zdobyłem wiedzę na temat biblioteki Streamlit w Pythonie i na pewno spróbuję ją wykorzystać, aby ulepszyć aplikacje w moim zespole, które są tworzone w R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Szkolenie - GitHub Copilot for Developers
Przetłumaczone przez sztuczną inteligencję