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 Gegenstrategien
Einführung in das Prompt Engineering
Verfeinerung von Prompts und iteratives Design
Prompting für Testautomatisierung und SQL-Generierung
Zusammenfassung und nächste Schritte
Verwendung von Prompts für Codeerläuterungen und Fehlersuche (Debugging)
Formulierung von Prompts für die Codegenerierung
- Vermeidung halluzinierter Codes oder Sicherheitslücken
- Umgang mit unvollständigen oder mehrdeutigen Eingaben
- Erstellung sicherer Fallback-Prompts und Schutzmaßnahmen (Guardrails)
- Erstellung von Testfällen aus Anforderungen oder Code
- Generierung strukturierter SQL-Abfragen aus natürlicher Sprache
- Formatierung von Ausgaben für die Integration in Test-Suiten
- Erläuterung von Legacy-Code oder unbekanntem Code
- Prompting für Logik-Erklärungen oder Edge-Case-Analysen
- Aufspüren und Erklären von Bugs oder Ineffizienzen
- Generierung von Code aus Beschreibungen in natürlicher Sprache
- Kontrolle des Ausgabeformats und der Programmiersprache
- Arbeit mit komplexer Logik oder mehreren Funktionen
- Verbesserung der Ergebnisse durch Prompt-Kettenbildung und Feedback-Schleifen
- Fehlerbehebung und Strategien zur Prompt-Anpassung (Prompt Tuning)
- Fallstudien zur Verfeinerung für technische Aufgaben
- Prompt-Bibliotheken und Wiederverwendungsmuster
- Verwendung von Prompt-Vorlagen in VS Code oder API-basierten Workflows
- Bewertung der Prompt-Qualität und Leistung im Produktivbetrieb
- Verständnis von Prompts, Kontext, Tokens und Modellen
- Typen von Prompts: Zero-shot, One-shot, Few-shot
- Verwendung von System- gegenüber Benutzeranweisungen in verschiedenen APIs
Voraussetzungen
Zielgruppe
- Entwickler, die LLMs für die Codegenerierung oder -analyse einsetzen
- Technische Leads, die KI-Tools in Workflows erkunden
- Software-Profis, die LLM-Integrationen testen
- Erfahrung in der Softwareentwicklung oder im Scripting
- Vertrautheit mit gängigen Programmiersprachen (z. B. Python, JavaScript, SQL)
- Grundlegende Kenntnisse von Large Language Models (LLMs) 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