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 21 Stunden
Schulungsübersicht
Einführung in Vibe Coding
- Definition und Geschichte von Vibe Coding
- Philosophie der Zusammenarbeit «Prompt zu Code»
- Wie sich KI-Coding von traditioneller Entwicklung unterscheidet
Grosse Sprachmodelle im Coding
- Überblick über LLMs für Entwickler: GPT-4, DeepSeek, Qwen, Mistral
- Vergleich von Open-Source- und proprietären KI-Codern
- Bereitstellung von LLMs lokal oder via APIs
Prompt Engineering für Entwickler
- Effektives Prompten für die Generierung und Refaktorierung von Code
- Kontextmanagement und Behandlung des Gesprächszustands
- Erstellen wiederverwendbarer Prompt-Vorlagen 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
- Prüfung und Testen von LLM-generiertem Code
- Garantieren von Konsistenz, Wartbarkeit und Sicherheit
- Integration von Codevalidierungswerkzeugen in den Workflow
Unternehmensintegration und Governance
- Skalierung von Vibe Coding über Teams hinweg
- KI-Governance, Ethik und Compliance in der Codegenerierung
- Gestaltung organisatorischer Rahmenwerke für KI-gestützte Entwicklung
Fortgeschrittene Themen: Erweiterung von Vibe Coding
- Kombination mehrerer LLMs für hybride KI-Workflows
- Integration von Vibe Coding in CI/CD-Automatisierung
- Zukunftstrends: Multi-Agent-Entwicklungsumgebungen
Teamprojekt und Zusammenarbeit
- Gestaltung eines KI-gestützten Coding-Projekts in der Praxis
- Zusammenarbeit mit menschlichen und KI-Entwicklern
- Präsentation der Ergebnisse und Messung der Produktivitätszuwächse
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundlegendes Verständnis von Softwareentwicklungsworkflows
- Erfahrung mit Python, JavaScript oder einer anderen modernen Programmiersprache
- Vertrautheit mit Git-basierten Versionskontrollsystemen
Zielgruppe
- Software-Ingenieure, die KI-gestützte Entwicklung erkunden
- Engineering-Leiter, die die Einführung von KI in Coding-Workflows überwachen
- Unternehmensentwicklungsteams, die LLMs in Produktiv-Pipelines integrieren möchten
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