課程簡(jiǎn)介
本課程深入解析生成式AI的最新進(jìn)展與應(yīng)用，重點(diǎn)關(guān)注大語言模型（LLM）在軟件研發(fā)與測(cè)試領(lǐng)域的實(shí)際應(yīng)用。通過案例分析與實(shí)戰(zhàn)部署，幫助學(xué)員掌握LLM的工具能力、提示詞工程技巧，以及在軟件測(cè)試與質(zhì)量保障中的創(chuàng)新應(yīng)用。課程內(nèi)容涵蓋LLM在測(cè)試用例生成、測(cè)試腳本開發(fā)、測(cè)試優(yōu)化中的具體實(shí)踐，助力學(xué)員提升測(cè)試效率與質(zhì)量，掌握AI驅(qū)動(dòng)的測(cè)試方法與工具。
目標(biāo)收益
1. 掌握LLM在測(cè)試用例生成中的應(yīng)用技巧。
2. 學(xué)會(huì)使用AI工具優(yōu)化測(cè)試腳本與流程。
3. 提升基于LLM的測(cè)試自動(dòng)化能力。
4. 深入理解AI在軟件質(zhì)量保障中的價(jià)值。
5. 掌握測(cè)試用例設(shè)計(jì)與腳本生成的AI方法。
6. 學(xué)會(huì)利用LLM修復(fù)失敗測(cè)試用例。
培訓(xùn)對(duì)象
軟件研發(fā)負(fù)責(zé)人，研發(fā)管理負(fù)責(zé)人，運(yùn)維負(fù)責(zé)人，DevOps負(fù)責(zé)人，測(cè)試負(fù)責(zé)人，工程效能負(fù)責(zé)人
軟件架構(gòu)師，資深研發(fā)工程師
運(yùn)維架構(gòu)師，資深運(yùn)維工程師，DevOps工程師，SRE
測(cè)試架構(gòu)師，資深測(cè)試工程師
研發(fā)管理人員，研發(fā)流程工程師
課程大綱
| 生成式AI的最新進(jìn)展與應(yīng)用 |
1.AIGC的基本概念 2.大語言模型的基本概念 3.LLM和傳統(tǒng)AI的區(qū)別 4.AIGC目前的主要應(yīng)用領(lǐng)域 5.AIGC目前的可能的應(yīng)用領(lǐng)域 6.各類生成式AI的工具能力 |
| 以chatGPT為例來深入理解LLM的基本工作原理 |
1.什么是ChatGPT 2.GPT和chatGPT的關(guān)系 3.ChatGPT的歷史和發(fā)展 4.ChatGPT的架構(gòu)和模型 5.ChatGPT的訓(xùn)練數(shù)據(jù)和算法 6.ChatGPT的生成過程和輸出結(jié)果 7.ChatGPT的局限性 8.ChatGPT的安全性 9.ChatGPT的涌現(xiàn)能力 10.ChatGPT的思維鏈 |
| 大語言模型本地部署實(shí)戰(zhàn) |
1.本地部署的基礎(chǔ)知識(shí) 2.本地安裝ollama 3.本地部署Deepseek R1 4.本地部署Llama 3.3 5.本地安裝open-webui 6.本地部署實(shí)現(xiàn)RAG |
| LLM的主流應(yīng)用場(chǎng)景與未來發(fā)展 |
1.GenAI在千行百業(yè)的應(yīng)用概覽 2.GenAI在軟件研發(fā)企業(yè)的應(yīng)用概覽 3.單模態(tài) vs 多模態(tài) 4.知識(shí)工程的回歸 5.LLM的未來發(fā)展方向 6.LLM在各行業(yè)中的應(yīng)用前景 7.LLM的風(fēng)險(xiǎn)與不確定性應(yīng)對(duì) 8.LLM的技術(shù)演化方向 9.LLM的哲學(xué)思考 |
| 熟練使用LLM能力的全面進(jìn)階 |
1.LLM應(yīng)用能力的進(jìn)階模型（“倒三角”模型） 2.提示詞工程基礎(chǔ)知識(shí) 3.主流提示詞使用技巧 4.提示的萬能使用公式詳解 5.提示詞模板的使用 6.提示詞靜態(tài)鏈的使用 7.提示詞的橫向擴(kuò)展 8.提示詞的縱向擴(kuò)展 9.使用OpenAI API 10.ReAct的概念和落地 11.思維鏈和多思維鏈 12.RAG的基本原理與應(yīng)用 13.多模態(tài)RAG的使用 14.plugin機(jī)制與使用方式 15.Function Call機(jī)制與使用方式 16.Agent的雛形 17.Agent開發(fā)的基本框架 18.業(yè)界主流Agent的設(shè)計(jì)思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設(shè)計(jì)思路 21.Multi-Agent的基本邏輯和應(yīng)用范圍 22.Multi-Agent應(yīng)用示例：MetaGPT 23.Multi-Agent應(yīng)用示例：DevChat |
| LLM在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 |
1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.競(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7.需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8.技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11.從設(shè)計(jì)到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場(chǎng)景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14.單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15.接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19.性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20.測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
| AI輔助編程工具提升測(cè)試開發(fā)的質(zhì)效 |
1.LLM輔助編程工具的基本原理和應(yīng)用場(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.LLM輔助編程工具 主要使用場(chǎng)景 10.LLM輔助編程工具的實(shí)現(xiàn)原理 11.LLM輔助編程工具加持下的軟件生態(tài)改變 12.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場(chǎng)景 13.LLM輔助編程工具的編程技巧 14.LLM輔助編程工具下的測(cè)試優(yōu)化 15.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
| LLM在軟件質(zhì)量和軟件測(cè)試領(lǐng)域中的應(yīng)用與案例 |
1.使用Test pilot自動(dòng)生成測(cè)試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)現(xiàn)單元測(cè)試用例的生成 4.LLM用于單元測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測(cè)試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測(cè)試用例的生成 7.LLM用于API接口測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 8.測(cè)試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測(cè)試領(lǐng)域應(yīng)用 10.基于AI Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測(cè)試用例腳本生成技術(shù) 12.基于Multi-Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測(cè)試用例腳本生成技術(shù) 14.使用LLM實(shí)現(xiàn)Monkey Test的能力擴(kuò)展 15.使用LLM實(shí)現(xiàn)無腳本的Mobile App探索測(cè)試 16.使用LLM識(shí)別錯(cuò)誤敏感的測(cè)試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測(cè)試用例的自動(dòng)修復(fù) 18.使用LLM提升被測(cè)對(duì)象的可測(cè)試性 |
| 各類AIGC場(chǎng)景深度解讀 |
1.文生圖能力的使用（大量行業(yè)案例） 2.與日程辦公的結(jié)合（Office Copilot的案例） 3.其他各類可能使用場(chǎng)景解讀（國(guó)內(nèi)外最新案例） |
|
生成式AI的最新進(jìn)展與應(yīng)用 1.AIGC的基本概念 2.大語言模型的基本概念 3.LLM和傳統(tǒng)AI的區(qū)別 4.AIGC目前的主要應(yīng)用領(lǐng)域 5.AIGC目前的可能的應(yīng)用領(lǐng)域 6.各類生成式AI的工具能力 |
|
以chatGPT為例來深入理解LLM的基本工作原理 1.什么是ChatGPT 2.GPT和chatGPT的關(guān)系 3.ChatGPT的歷史和發(fā)展 4.ChatGPT的架構(gòu)和模型 5.ChatGPT的訓(xùn)練數(shù)據(jù)和算法 6.ChatGPT的生成過程和輸出結(jié)果 7.ChatGPT的局限性 8.ChatGPT的安全性 9.ChatGPT的涌現(xiàn)能力 10.ChatGPT的思維鏈 |
|
大語言模型本地部署實(shí)戰(zhàn) 1.本地部署的基礎(chǔ)知識(shí) 2.本地安裝ollama 3.本地部署Deepseek R1 4.本地部署Llama 3.3 5.本地安裝open-webui 6.本地部署實(shí)現(xiàn)RAG |
|
LLM的主流應(yīng)用場(chǎng)景與未來發(fā)展 1.GenAI在千行百業(yè)的應(yīng)用概覽 2.GenAI在軟件研發(fā)企業(yè)的應(yīng)用概覽 3.單模態(tài) vs 多模態(tài) 4.知識(shí)工程的回歸 5.LLM的未來發(fā)展方向 6.LLM在各行業(yè)中的應(yīng)用前景 7.LLM的風(fēng)險(xiǎn)與不確定性應(yīng)對(duì) 8.LLM的技術(shù)演化方向 9.LLM的哲學(xué)思考 |
|
熟練使用LLM能力的全面進(jìn)階 1.LLM應(yīng)用能力的進(jìn)階模型（“倒三角”模型） 2.提示詞工程基礎(chǔ)知識(shí) 3.主流提示詞使用技巧 4.提示的萬能使用公式詳解 5.提示詞模板的使用 6.提示詞靜態(tài)鏈的使用 7.提示詞的橫向擴(kuò)展 8.提示詞的縱向擴(kuò)展 9.使用OpenAI API 10.ReAct的概念和落地 11.思維鏈和多思維鏈 12.RAG的基本原理與應(yīng)用 13.多模態(tài)RAG的使用 14.plugin機(jī)制與使用方式 15.Function Call機(jī)制與使用方式 16.Agent的雛形 17.Agent開發(fā)的基本框架 18.業(yè)界主流Agent的設(shè)計(jì)思路與使用 19.Multi-Agent的雛形 20.業(yè)界主流Multi-Agent的設(shè)計(jì)思路 21.Multi-Agent的基本邏輯和應(yīng)用范圍 22.Multi-Agent應(yīng)用示例：MetaGPT 23.Multi-Agent應(yīng)用示例：DevChat |
|
LLM在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.競(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7.需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8.技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11.從設(shè)計(jì)到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場(chǎng)景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14.單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15.接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19.性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20.測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
|
AI輔助編程工具提升測(cè)試開發(fā)的質(zhì)效 1.LLM輔助編程工具的基本原理和應(yīng)用場(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.LLM輔助編程工具 主要使用場(chǎng)景 10.LLM輔助編程工具的實(shí)現(xiàn)原理 11.LLM輔助編程工具加持下的軟件生態(tài)改變 12.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場(chǎng)景 13.LLM輔助編程工具的編程技巧 14.LLM輔助編程工具下的測(cè)試優(yōu)化 15.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
|
LLM在軟件質(zhì)量和軟件測(cè)試領(lǐng)域中的應(yīng)用與案例 1.使用Test pilot自動(dòng)生成測(cè)試用例 2.Test pilot的基本原理 3.使用OpenAI API實(shí)現(xiàn)單元測(cè)試用例的生成 4.LLM用于單元測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 5.使用OpenAI API實(shí)現(xiàn)API接口測(cè)試用例的生成 6.使用DeepSeek 實(shí)現(xiàn)API組合調(diào)用測(cè)試用例的生成 7.LLM用于API接口測(cè)試用例生成的技術(shù)難點(diǎn)與解決思路 8.測(cè)試腳本開發(fā)中的GitHub Copilot應(yīng)用 9.Copilot X的能力與測(cè)試領(lǐng)域應(yīng)用 10.基于AI Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 11.基于AI Agent的測(cè)試用例腳本生成技術(shù) 12.基于Multi-Agent的測(cè)試用例設(shè)計(jì)生成技術(shù) 13.基于Multi-Agent的測(cè)試用例腳本生成技術(shù) 14.使用LLM實(shí)現(xiàn)Monkey Test的能力擴(kuò)展 15.使用LLM實(shí)現(xiàn)無腳本的Mobile App探索測(cè)試 16.使用LLM識(shí)別錯(cuò)誤敏感的測(cè)試數(shù)據(jù) 17.使用LLM實(shí)現(xiàn)失敗測(cè)試用例的自動(dòng)修復(fù) 18.使用LLM提升被測(cè)對(duì)象的可測(cè)試性 |
|
各類AIGC場(chǎng)景深度解讀 1.文生圖能力的使用（大量行業(yè)案例） 2.與日程辦公的結(jié)合（Office Copilot的案例） 3.其他各類可能使用場(chǎng)景解讀（國(guó)內(nèi)外最新案例） |
近期公開課推薦
