| 主题 |
课程安排 |
| AI 大模型与应用概览 |
AI 技术概览
AI 技术的四要素
AI 模型的研发流程
深度学习与神经网络
图像算法典型案例
语音算法典型案例
NLP 算法典型案例
大语言模型典型案例
|
| 大语言模型技术概览和部署 |
| 大语言模型技术 |
大语言模型的定义和特点
大语言模型技术演变简史
大语言模型的架构解析
大语言模型训练方法和优化技术
大语言模型在自然语言处理任务中的性能表现
大模型面临的挑战
|
| CodeLIama 部署应用 |
CodeLIama 简介
模型参数
网络安全隔离
部署 CodeLIama 环境
CodeLIama 常用操作命令
离线模型 CLI 接口
模型 API 接口
API 调用方式
UI 调试界面
模型微调
【案例】实现离线大模型人机对话
|
| 提示词工程 |
什么是提示词工程？
优化的上下文提示词
【案例】提示词返回精准答案
|
| 大语言模型在研发领域的落地应用 |
| 代码生成与补全 |
代质量全链路质量保证技术手段
主流代码补全工具
TabNine
|
| 代码理解与重构建议 |
代码重构概述
通过 CodeLIama 进行代码解释
通过 CodeLIama 进行代码重构
【案例】代码重构效果对比
|
| 缺陷检测与代码审查 |
Code review 概述
Code review 结果解析
Code review 结果推送
【案例】进行自动化 code review
|
| 白盒测试代码自动化生成 |
CodeLIama 生成 java 单元测试代码
进行自动化单元测试执行
优化单元测试代码
【案例】白盒测试集成至 CI 流水线
|
| 研发自测自动化用例生成 |
生成自动化测试脚本
【案例】 CodeLIama 自动生成自动化用例
【案例】自动化用例集成至 CI 流水线
|
| 代码缺陷修复 |
常见代码缺陷类型
通过 CodeLIama 进行代码缺陷修复
【案例】代码缺陷自动化检查
|
| UI 自动化测试用例生成 |
优化提示词
生成 selenium 自动化测试用例脚本
|
| DevOps 领域应用 |
生成 Jenkins groovy 脚本构建 CI pipeline
根据历史数据做流量预测
监控图像分析与理解
智能故障诊断
|
| 智能调试与错误定位 |
日志等级与规范
分析错误日志
【案例】通过 CodeLIama 进行错误自动化定位
|
| 代码质量评估 |
代码质量评价维度
开发代码质量评估脚本
【案例】实现提交代码分钟级质量评估反馈
|
| 高效利用 CodeLIama |
下载 docker 镜像
启动 docker pod
映射多接口地址
部署 Nginx
配置 Nginx 实现轮询
实现接口并发处理
【案例】缺陷发现 -> 缺陷修复 -> 缺陷验证闭环
|
| 图像识别精度智能化提升实践 |
| 图像识别模型对抗与 badcase 推荐 |
搭建模型对抗工作流
多模型投票加权分析
自动化筛选 Badcase
【案例】商品 AI 识别效果评测
|
| AI 图像目标检测 |
AI Yolo 模型简介
图像标注
模型训练
效果评测
模型推理
Badcase 分析
模型优化
|
