Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 7 Stunden
Schulungsübersicht
Best Practices und Werkzeuge
Häufige Fehlerquellen und Minderungsstrategien
Einführung in das Prompt Engineering
Verfeinerung von Prompts und iteratives Design
Prompting für Testautomatisierung und SQL-Generierung
Zusammenfassung und nächste Schritte
Nutzung von Prompts zur Codeerläuterung und -Fehlersuche (Debugging)
Verfassen von Prompts für die Codegenerierung
- Vermeidung von halluzinierendem Code oder Sicherheitslücken
- Behandlung unvollständiger oder mehrdeutiger Eingaben
- Erstellung sicherer Fallback-Prompts und Guardrails
- Erstellung von Testfällen aus Anforderungen oder Code
- Generierung strukturierter SQL-Abfragen aus natürlicher Sprache
- Formatierung der Ausgaben für die Integration in Test-Suiten
- Erläuterung von Legacy- oder unbekannten Code
- Prompting für Logik-Abfragen oder Analyse von Randfällen (Edge Cases)
- Auffinden und Erläutern von Fehlern oder Ineffizienzen
- Generierung von Code aus Beschreibungen in Alltagssprache
- Kontrolle des Ausgabeformats und der Programmiersprache
- Arbeit mit komplexer Logik oder mehreren Funktionen
- Verbesserung der Ergebnisse durch Prompt Chaining und Feedback-Schleifen
- Fehlerbehebung und Strategien zur Feinabstimmung von Prompts (Prompt Tuning)
- Fallstudien zur Verfeinerung für technische Aufgaben
- Prompt-Bibliotheken und Wiederverwendungs-Muster
- Verwendung von Prompt-Vorlagen in VS Code oder API-basierten Workflows
- Bewertung der Prompt-Qualität und -Leistung im Produktiveinsatz
- Verständnis von Prompts, Kontext, Tokens und Modellen
- Prompt-Typen: Zero-Shot, One-Shot, Few-Shot
- Verwendung von System- vs. Benutzeranweisungen in verschiedenen APIs
Voraussetzungen
Zielgruppe
- Entwickler, die LLMs für Codegenerierung oder -analyse einsetzen
- Technische Leitende, die KI-Tools in ihren Workflows erkunden
- Fachleute in der Softwarebranche, die mit LLM-Integrationen experimentieren
- Erfahrung in der Softwareentwicklung oder im Scripting
- Vertrautheit mit gängigen Programmiersprachen (z. B. Python, JavaScript, SQL)
- Grundlegendes Verständnis von Large Language Models und KI-Tools wie ChatGPT, Claude oder Copilot
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung