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.
Schulungsübersicht
Einführung in Vibe Coding
- Definition und Geschichte des Vibe Coding
- Philosophie der «Prompt-to-Code»-Zusammenarbeit
- Unterschiede zwischen KI-Coding und traditioneller Entwicklung
Grosse Sprachmodelle im Coding
- Überblick über LLMs für Entwickler: GPT-4, DeepSeek, Qwen, Mistral
- Vergleich von Open-Source-LLMs und proprietären KI-Codern
- Lokale Bereitstellung von LLMs oder Nutzung über APIs
Prompt Engineering für Entwickler
- Effektives Prompting zur Generierung und Refaktorierung von Code
- Kontextmanagement und Verarbeitung des Gesprächsstatus
- Erstellung wiederverwendbarer Prompt-Templates für Coding-Aufgaben
Praktische Vibe-Coding-Umgebungen
- Nutzung von Replit für kollaboratives KI-Coding
- Integration von GitHub Copilot und Qwen Coder in IDEs
- Anpassung von Workflows für die Teamzusammenarbeit
Codequalität und Validierung in KI-Workflows
- Überprüfung und Testen von LLM-generiertem Code
- Sicherstellung von Konsistenz, Wartbarkeit und Sicherheit
- Integration von Code-Validierungstools in den Workflow
Enterprise-Integration und Governance
- Skalierung des Vibe Codings über Teams hinweg
- KI-Governance, Ethik und Compliance bei der Codegenerierung
- Entwicklung organisatorischer Rahmenwerke für KI-unterstützte Entwicklung
Fortgeschrittene Themen: Erweiterung des Vibe Coding
- Kombination mehrerer LLMs für hybride AI-Workflows
- Integration von Vibe Coding mit CI/CD-Automatisierung
- Zukunftstrends: Multi-Agenten-Entwicklungsökosysteme
Teamprojekt und Zusammenarbeit
- Design eines praxisnahen, KI-unterstützten Coding-Projekts
- Zusammenarbeit mit menschlichen und KI-Entwicklern
- Präsentation der Ergebnisse und Messung der Produktivitätssteigerungen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundkenntnisse in Softwareentwicklungs-Workflows
- Erfahrung mit Python, JavaScript oder einer anderen modernen Programmiersprache
- Vertrautheit mit Git-basierten Versionskontrollsystemen
Zielgruppe
- Softwareingenieure, die sich mit KI-unterstützter Entwicklung auseinandersetzen
- Technische Leitungspersonen, die die Einführung von KI in Coding-Workflows überwachen
- Unternehmensinterne Entwicklerteams, die LLMs in Produktions-Pipelines integrieren möchten
21 Stunden
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