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
Zrozumienie kodu z wykorzystaniem LLM
- Strategie promptowania do wyjaśniania kodu i przeprowadzania analiz.
- Praca z nieznanymi bazami kodu i projektami.
- Analiza przepływu sterowania, zależności i architektury.
Refaktoryzacja kodu pod kątem utrzymywalności
- Wykrywanie zapachu kodu (code smells), kodu martwego i antywzorców.
- Przebudowa funkcji i modułów dla jasności i czytelności.
- Wykorzystanie LLM do proponowania konwencji nazewnictwa i usprawnień projektowych.
Polepszenie wydajności i niezawodności
- Wykrywanie nieskuteczności i ryzyk bezpieczeństwa przy wsparciu AI.
- Proponowanie bardziej efektywnych algorytmów lub bibliotek.
- Refaktoryzacja operacji wejścia/wyjścia (I/O), zapytań bazy danych i wywołań API.
Automatyzacja dokumentacji kodu
- Generowanie komentarzy i podsumowań na poziomie funkcji/metod.
- Pisanie i aktualizowanie plików README na podstawie bazy kodu.
- Tworzenie dokumentacji Swagger/OpenAPI za pomocą LLM.
Integracja z narzędziami programistycznymi
- Wykorzystywanie rozszerzeń VS Code i Copilot Labs do dokumentacji.
- Włączanie GPT lub Claude w hakach pre-commit w Git.
- Integracja z potokami CI w celu dokumentacji i lintingu.
Praca z legacy i wielojęzycznymi bazami kodu
- Inżynieria odwrotna starszych lub niedokumentowanych systemów.
- Refaktoryzacja międzyjęzykowa (np. z Pythona na TypeScript).
- Studium przypadku i dema programowania z partnerem AI (pair-AI programming).
Etyka, kontrola jakości i przeglądy
- Walidacja zmian generowanych przez AI i unikanie halucynacji.
- Wyznaczane praktyki przeglądów par (peer review) przy użyciu LLM.
- Zapewnienie powtarzalności i zgodności ze standardami kodowania.
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w pracy z językami programistycznymi takimi jak Python, Java lub JavaScript
- Znajomość architektury oprogramowania i procesów przeglądania kodu
- Podstawowe zrozumienie działania dużych modeli językowych
Grupa docelowa
- Inżynierowie backendowi
- Zespoły DevOps
- Senior developerzy 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