Plan Szkolenia
Wprowadzenie do Vibe Codingu
- Definicja i historia vibe codingu
- Filozofia współpracy „od promptu do kodu”
- Różnice między kodowaniem wspomaganym przez AI a tradycyjnym rozwojem oprogramowania
Duże Modele Językowe w Kodowaniu
- Przegląd LLM dla deweloperów: GPT-4, DeepSeek, Qwen, Mistral
- Porównanie otwartych i własnościowych modeli AI
- Wdrażanie LLM lokalnie lub przez API
Inżynieria Promptów dla Deweloperów
- Skuteczne tworzenie i refaktoryzacja kodu poprzez prompty
- Zarządzanie kontekstem i stanem rozmowy
- Tworzenie szablonów promptów do zadań programistycznych
Praktyczne Środowiska Vibe Codingu
- Korzystanie z Replit do współpracy z AI
- Integracja GitHub Copilot i Qwen Coder w środowiskach IDE
- Dostosowywanie przepływów pracy do współpracy zespołowej
Jakość Kodu i Walidacja w Przepływach Pracy AI
- Przegląd i testowanie kodu generowanego przez LLM
- Zapewnianie spójności, utrzymywalności i bezpieczeństwa
- Integracja narzędzi do walidacji kodu w przepływach pracy
Integracja w Przedsiębiorstwach i Zarządzanie
- Skalowanie vibe codingu w zespołach
- Zarządzanie AI, etyka i zgodność w generowaniu kodu
- Projektowanie ram organizacyjnych dla rozwoju wspomaganego przez AI
Zaawansowane Tematy: Rozszerzanie Vibe Codingu
- Łączenie wielu LLM w hybrydowe przepływy pracy AI
- Integracja vibe codingu z automatyzacją CI/CD
- Przyszłe trendy: ekosystemy rozwoju wieloagentowego
Projekt Zespołowy i Współpraca
- Projektowanie rzeczywistego projektu wspomaganego przez AI
- Współpraca z ludzkimi i AI deweloperami
- Prezentacja wyników i pomiar wzrostu produktywności
Podsumowanie i Kolejne Kroki
Wymagania
- Zrozumienie przepływów pracy w rozwoju oprogramowania
- Doświadczenie w programowaniu w Pythonie, JavaScript lub innym współczesnym języku programowania
- Znajomość systemów kontroli wersji opartych na Git
Grupa Docelowa
- Inżynierowie oprogramowania zainteresowani rozwojem wspomaganym przez AI
- Liderzy techniczni nadzorujący wdrażanie AI w przepływach pracy programistycznych
- Zespoły deweloperskie w przedsiębiorstwach, które chcą zintegrować LLM z potokami produkcyjnymi
Opinie uczestników (2)
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
Instruktor może dostosować poziom kursu podczas szkolenia do naszego zrozumienia tematu, dzięki czemu możemy zdobyć więcej przydatnej wiedzy, która dalej pomóc nam w wykorzystywaniu narzędzi w codziennej pracy.
Tatt Juen - ViTrox Technologies Sdn Bhd
Szkolenie - Intermediate GitHub Copilot
Przetłumaczone przez sztuczną inteligencję