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 21 godzin
Plan Szkolenia
Wprowadzenie do Vibe Coding
- Definicja i historia vibe coding
- Filozofia współpracy „prompt-to-code”
- Jak kodowanie wspierane przez AI różni się od tradycyjnego rozwoju
Duże modele językowe w kodowaniu
- Przegląd LLM dla deweloperów: GPT-4, DeepSeek, Qwen, Mistral
- Porównanie kodów AI opartych na open source z wariantami własnościowymi
- Wdrażanie LLM lokalnie lub przez API
Prompt Engineering dla deweloperów
- Skuteczne tworzenie promptów do generowania i refaktoryzacji kodu
- Zarządzanie kontekstem i obsługą stanu rozmowy
- Tworzenie wielokrotnie używalnych szablonów promptów dla zadań programistycznych
Praktyczne środowiska Vibe Coding
- Korzystanie z Replit do wspólnego kodowania z AI
- Integracja GitHub Copilot i Qwen Coder z IDE
- Dostosowywanie workflow do współpracy zespołowej
Jakość i walidacja kodu w workflow AI
- Recenzowanie i testowanie kodu wygenerowanego przez LLM
- Zapewnienie spójności, łatwości utrzymania i bezpieczeństwa
- Integrowanie narzędzi walidacji kodu w procesie
Integracja korporacyjna i governance
- Skalowanie vibe coding w zespołach
- Governance AI, etyka i zgodność w generowaniu kodu
- Projektowanie organizacyjnych ram dla rozwoju wspieranego przez AI
Zaawansowane tematy: Rozszerzanie Vibe Coding
- Łączenie wielu LLM dla hybrydowych workflow AI
- Integrowanie vibe coding z automatyzacją CI/CD
- Trendy przyszłości: ekosystemy rozwoju wieloagentowych
Projekt zespołowy i współpraca
- Projektowanie realistycznego projektu kodowania wspieranego przez AI
- Współpraca z deweloperami ludzkimi i AI
- Prezentacja wyników i pomiar zysków w produktywności
Podsumowanie i kolejne kroki
Wymagania
- Znajomość procesów rozwoju oprogramowania
- Doświadczenie w Pythonie, JavaScript lub innym nowoczesnym języku programowania
- Znajomość systemów kontroli wersji opartych o Git
Grupa docelowa
- Inżynierowie oprogramowania eksplorujący rozwój wspierany przez AI
- Liderzy inżynieryjni nadzorujący wdrożenia AI w procesach kodowania
- Zespoły developerskie w przedsiębiorstwach dążące do integracji LLM w potokach produkcyjnych
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