План на курса
Разбиране на код с помощта на LLMs
- Стратегии за използване на подсказки за обяснение и разглеждане на код
- Работа с непознат код и проекти
- Анализ на контрол на поток, зависимости и архитектура
Рефакториране на код за поддържане
- Идентифициране на кодеви запахи, мъртъв код и антипатрими
- Преструктуриране на функции и модули за ясност
- Използване на LLMs за предложения на конвенции за именуване и подобрения в дизайна
Улучшаване на производителността и надеждността
- Откриване на неефективности и рискове за сигурност с помощта на изкуствен интелект
- Предлагане на по-ефективни алгоритми или библиотеки
- Рефакториране на операции за влизане/излизане, базови изисквания и API повикви
Автоматизация на код Documentation
- Създаване на коментари и резюме на ниво функция/метод
- Писане и обновяване на файлове README от кодовите бази
- Създаване на Swagger/OpenAPI документи с помощта на LLM
Интеграция с инструментални вериги
- Използване на разширения на VS Code и Copilot Labs за документация
- Вграждане на GPT или Claude в Git пред-комит хукове
- Интеграция на CI pipeline за документация и проверка на код
Работа с наследен и многоезичен код
- Обратна разработка на по-стари или недостъпни системи
- Крос-езиково рефакториране (например от Python до TypeScript)
- Примери и демонстрации на програмиране с помощта на AI
Етика, контрол на качеството и преглед
- Валидиране на промени, генерирани от AI, и предотвратяване на изкуствени изкуства
- Наи-добрите практики за колегиално преглеждане при използване на LLMs
- Осигуряване на възпроизводимост и съответствие на стандартите за програмиране
Резюме и следващи стъпки
Изисквания
- Опит с езици за програмиране, като Python, Java или JavaScript
- Знакомство с архитектура на софтуер и процеси за преглед на код
- Основно разбиране за функционирането на големи езикови модели
Целева аудитория
- Задни инженерi
- DevOps отбори
- Старши разработчици и технически ръководители
Отзиви от потребители (2)
Придобих знания за библиотеката Streamlit на Python и със сигурност ще опитам да я използвам, за да подобря приложенията в моя екип, които са създадени с R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Курс - GitHub Copilot for Developers
Машинен превод
Тренерът може да коригира нивото на курса по време на обучението, за да съответства нашите знания по темата. Това ни позволява да придобием повече полезни познания, които ще ни помогнат ефективно да използваме инструментите в нашия ежедневен труд.
Tatt Juen - ViTrox Technologies Sdn Bhd
Курс - Intermediate GitHub Copilot
Машинен превод