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- und proprietären KI-Codern
- Lokale Bereitstellung von LLMs oder über APIs
Prompt Engineering für Entwickler
- Effektives Prompting zur Generierung und Refaktorierung von Code
- Kontextmanagement und Behandlung des Konversationsstatus
- Erstellung wiederverwendbarer Prompt-Templates für Coding-Aufgaben
Praktische Vibe-Coding-Umgebungen
- Verwendung von Replit für kollaboratives AI-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
Unternehmensintegration und Governance
- Skalierung von Vibe Coding über Teams hinweg
- KI-Governance, Ethik und Compliance bei der Codegenerierung
- Entwurf organisatorischer Rahmenwerke für KI-unterstützte Entwicklung
Fortgeschrittene Themen: Erweiterung von Vibe Coding
- Kombination mehrerer LLMs für hybride AI-Workflows
- Integration von Vibe Coding mit CI/CD-Automatisierung
- Zukunftstrends: Multi-Agenten-Entwicklungsumgebungen
Teamprojekt und Zusammenarbeit
- Entwurf eines realweltlichen, KI-unterstützten Coding-Projekts
- Zusammenarbeit mit menschlichen und KI-Entwicklern
- Präsentation der Ergebnisse und Messung der Produktivitätsgewinne
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundkenntnisse in Softwareentwicklungsworkflows
- Erfahrung mit Python, JavaScript oder einer anderen modernen Programmiersprache
- Vertrautheit mit auf Git basierenden Versionskontrollsystemen
Zielgruppe
- Softwareingenieure, die KI-unterstützte Entwicklung erkunden
- Engineering-Leader, die die Einführung von KI in Coding-Workflows überwachen
- Unternehmensentwickler-Teams, 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