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 7 godzin
Plan Szkolenia
Najlepsze praktyki i narzędzia
Typowe pułapki i strategie ich ograniczania
Wprowadzenie do inżynierii promptów
Udoskonalanie promptów i projektowanie iteracyjne
Prompty do automatyzacji testów i generowania SQL
Podsumowanie i kolejne kroki
Wykorzystywanie promptów do wyjaśniania kodu i debugowania
Pisanie promptów do generowania kodu
- Unikanie halucynowanego kodu lub luk w zabezpieczeniach
- Radzenie sobie z niekompletnymi lub niejednoznacznymi danymi wejściowymi
- Tworzenie bezpiecznych promptów awaryjnych i zabezpieczeń
- Tworzenie przypadków testowych na podstawie wymagań lub kodu
- Generowanie uporządkowanych zapytań SQL z języka naturalnego
- Formatowanie wyników do integracji z pakietami testowymi
- Wyjaśnianie starszego lub nieznanego kodu
- Prompty do analizy logiki lub przypadków brzegowych
- Znajdowanie i wyjaśnianie błędów oraz nieefektywności
- Generowanie kodu na podstawie opisów w języku naturalnym
- Kontrolowanie formatu wyniku i języka programowania
- Praca ze złożoną logiką lub wieloma funkcjami
- Poprawa wyników dzięki łańcuchowaniu promptów i pętlom informacji zwrotnej
- Strategie odzyskiwania po błędach i dostrajania promptów
- Studia przypadków dotyczące udoskonalania w zadaniach technicznych
- Biblioteki promptów i wzorce ponownego wykorzystania
- Korzystanie z szablonów promptów w VS Code lub przepływach pracy opartych na API
- Ocena jakości i wydajności promptów w środowisku produkcyjnym
- Zrozumienie promptów, kontekstu, tokenów i modeli
- Typy promptów: zero-shot, one-shot, few-shot
- Korzystanie z instrukcji systemowych i użytkownika w różnych interfejsach API
Wymagania
Grupa docelowa
- Programiści wykorzystujący modele LLM do generowania lub analizy kodu
- Liderzy techniczni badający narzędzia AI w przepływach pracy
- Specjaliści ds. oprogramowania eksperymentujący z integracjami LLM
- Doświadczenie w tworzeniu oprogramowania lub skryptowaniu
- Znajomość popularnych języków programowania (np. Python, JavaScript, SQL)
- Podstawowa wiedza na temat dużych modeli językowych i narzędzi AI, takich jak ChatGPT, Claude lub Copilot
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