一、AI大模型原理和软件研发效能

第一部分:大模型下的研发效能提升

1.软件研发效能的定义、目标及解决的问题

2.软件研发效能的实践框架和实施策略

3.AI在研发管理中的价值

4.AI在研发效能提升中的实践

5.AI对研发效能管理的影响

6.AI对软件开发领域效能实践

7.AI对软件测试领域效能实践

8.AI 赋能研发效能多家研发中心案例分析

第二部分: AI大模型与软件测试

1.传统软件测试技术的局限性　

2.AI人工智能在测试设计领域的应用与创新　

3.AI人工智能在 GUI 自动化测试执行领域的应用与创新　

4.AI人工智能在测试结果分析领域的应用与创新　

5.AI大模型在自动化测试领域的应用　

6.AI大模型和自动化测试　

7.使用AI大模型生成GUI自动化测试用例　

8.AI大模型在自动化测试应用中的案例分析

9.AI 赋能软件测试多家研发中心案例分析

第三部分: 大模型提示词和上下文工程

1.DeekSeep推理大模型还需要提示词工程吗？

2.Prompt如何使用

3.Prompt使用进阶

4.什么是提示与提示工程

5.提示工程的巨大威力：从Let’s think step by step说起

6.我们与AI大模型的沟通模型

7. 从人工智能学科角度看提示工程

8.拆解、标准化、流程化：如何用AI改造工作

9.使用提示词框架设计AI大模型提示

10.Prompt案例分析

二、AI辅助软件测试全流程

第一部分: 大模型辅助软件测试全流程概述

1.AI辅助生成澄清需求规格说明书

2.AI辅助生成测试计划

3.AI辅助生成功能测试用例

4.AI辅助生成自动化测试用例

5.AI辅助生成接口测试用例

6.AI辅助生成性能测试用例

7.AI辅助生成自动化测试代码

8.AI辅助生成测试结果

9.AI辅助生成测试总结报告

第二部分: AI大模型辅助生成测试计划

1.AI大模型辅助生成测试计划

2.软件测试计划意义

3.AI大模型在测试计划编写中的作用

4.AI大模型自动化生成测试计划的步骤

5.AI大模型与测试团队的协作

6.AI大模型在测试计划生成方面的成功应用

7.AI大模型辅助电子商务网站生成测试计划

8.AI大模型辅助移动应用生成测试计划

9.AI大模型自动驾驶系统案例 生成测试计划

10.AI大模型生成测试计划的实践

第三部分: AI大模型辅助生成功能测试用例

1.AI大模型在功能测试用例生成方面的优势

2.AI大模型自动生成功能测试用例的步骤

3.AI大模型在测试用例自动生成方面的应用案例

4.AI大模型辅助电子商务平台功能测试用例

5.AI大模型辅助社交媒体应用案例 功能测试用例

6.AI大模型辅助电信系统功能测试用例

7.AI大模型辅助生成测试用例的最佳实践

8.AI大模型辅助与领域特定语言的集成

第四部分: AI大模型辅助生成UI自动化测试代码（Web/App或其他UI）

1.如何构建高效，低维护成本的UI自动化测试用例

2.AI大模型辅助UI自动化测试技术详细解读

3.如何提高UI自动化测试的稳定性

4.测试用例脚本封装粒度的问题

5.从页面对象模型到业务流程模型

6.使用大模型辅助UI自动化测试脚本的自动生成

7.使用大模型实现移动APP的测试用例设计与执行

8.大模型的UI测试用例设计中的启发式应用

9.影响UI测试用例稳定性的主要因素与应对策略

10.Web 自动化测试用例生成智能体

11.App 自动化测试用例生成智能体

12.业界案例分享：大型软件产品的GUI自动化测试的最佳实践

13.业界案例分享：大模型在移动APP智能化测试中的最佳实践

第五部分: AI大模型辅助生成Http接口自动化测试代码

1.接口测试背景

2.接口基础知识

3.微服务架构下的API测试挑战

4.基于Http契约的API测试的理论基础

5.基于Http契约的API测试的实践

6.AI大模型辅助接口测试流程

7.AI大模型辅助生成接口文档系统

8.AI大模型辅助生成接口自动化测试代码

第六部分: 多模态（视觉）大模型在UI自动化中的应用

1.多模态大模型基本概念

2.多模态GPT多模态应用场景分析

3.OpenAI多模态API解析

4.多模态大模型核心技术

5.多模态提示模板工程

6.多模态思维链

7.多模态基础模型

8.多模态大模型的应用案例

9.AI大模型辅助生成测试用例的最佳实践

10.AI大模型辅助与领域特定语言的集成

第七部分: AI大模型生成测试数据

1.AI大模型生成测试数据

2.AI大模型生成测试数据的问题

3.AI大模型生成测试数据的优势

4.AI大模型生成测试数据的注意事项

5.AI大模型在功能和性能测试数据生成中的应用

6.AI大模型 辅助功能测试数据生成

7.AI大模型辅助性能测试数据生成

8.AI大模型辅助生成测试数据的挑战与应对策略

9.案例分析

第八部分: AI大模型分析测试结果和测试报告

1.AI大模型生成测试总结报告

2.AI大模型赋能敏捷测试总结报告智能生成

3.AI大模型自动生成测试总结报告的流程

4.AI大模型自动化生成测试报告

5.AI大模型在多项目管理的环境中的实践案例

6.AI大模型在测试结果分析中的作用

7.AI大模型助力数据可视化与数据分析效率的提升

8.AI大模型在问题识别和修复中的作用

9.AI大模型辅助问题识别

10.AI大模型指导问题修复

11.案例分析

三、增强企业私有知识-基于大模型的开发

第一部分: SeepSeek大模型  API 应用开发(也可以其他大模型)

1.DeepSeek-V3 大模型API

2.DeepSeek-R1推理大模型API

3.DeepSeek大模型多轮对话

4.DeepSeek大模型对话前缀续写（Beta）

5.DeepSeek大模型FIM 补全（Beta）

6.DeepSeek大模型JSON Output

7.DeepSeek大模型Function Calling

8.案例分析

第二部分: 私有化部署DeepSeek大模型

1.DeepSeek云端部署

2.DeepSeek和国产信创平台适配

3.DeepSeek和国内云平台

4.利用Ollama私有化部署DeepSeek大模型

5.使用其他工具私有化部署DeepSeek大模型

6.DeepSeek私有化部署总结

第三部分: 构建大模型企业RAG应用—如何利用已有测试库

1.RAG技术概述

2.加载器和分割器

3.文本嵌入和 向量存储

4.检索器和多文档联合检索

5.RAG技术的关键挑战

6.检索增强生成实践

7.RAG技术文档预处理过程

8.RAG技术文档检索过程

第四部分: 增强企业私有知识方案- RAG方案对比

1.通用大模型vs私有大模型，及应该如何选择

2.如何增加企业私有知识-提示词工程，RAG，模型微调

3.提示词工程增加样本，实现私有知识的最佳实践

4.模型微调的最佳实践和难点分析

5.哪些情况需要企业搭建针对性的私有大模型

6.深入理解:大模型训练vs模型微调vs增强检索RAG的核心区别、实施成本、实施难度、和应用场景定位

7.企业私有化知识的推荐方案-RAG增加检索

8.提示工程、RAG与微调对比

9.从用户角度看RAG流程

10.通过RAG实现私有知识适应

四、实战案例分析-构建测试智能体

第一部分:每一位工程师都需要的—助理 Agent智能体开发概述

1.智能体的定义与特点

2.智能体与传统软件的关系

3.智能体与LLM的关系

4.从ChatGPT到智能体

5.智能体的五种能力

6.记忆，规划，工具，自主决策，推理

7.多智能体协作

8.企业级智能体应用与任务规划

9.软件开发工程师的Agent助手

10.案例分析-如何为每一位工程师研发工程助理

第二章 开发Agent的流程与策略-以低代码平台为主

1.开发Agent的通用流程

2.开发Agent的实施框架

3.规划Agent和设计Agent和上线Agent

4.开发Agent的策略

5.懂场景和业务，比懂AI技术更重要

6.使用工具拓展能力，是Agent具有价值的关键

7.坚持小而美，聚焦特定的应用场景和功能

第三部分: 实战案例-测试用例自动化生成Agent

1.测试用例自动化生成智能体的需求

2.测试用例自动化生成智能体的架构设计

3.测试用例自动化生成智能体主要功能分析

4.支持多格式数据源：需求来源支持文本文档，语音或者视频资料。

5.无缝对接现有平台：生成的测试用例可以直接导入现有用例数据库。

6.自动化用例生成：系统能够自动创建测试用例，减少手动编写的需求。

7.全面场景覆盖：工具能够识别并生成覆盖所有业务场景的测试用例，包括正常、异常和边缘情况。

8.标准化用例格式：确保所有生成的测试用例遵循统一的格式和标准。

9.敏捷开发支持：快速适应需求变更，及时生成新的测试用例。

10.自学习优化：系统能够基于历史数据和反馈自我学习和优化测试用例生成策略。

11.应用案例分析

第四部分: 实战案例-缺陷分析 Agent

1.缺陷分析及定位Agent智能体需求

2.缺陷分析智能体架构设计

3.缺陷分析智能体实现

4.缺陷分析智能体主要功能和特点

5.自动化缺陷识别：智能体能够自动扫描软件代码，利用静态代码分析等技术识别潜在的缺陷和错误。

6.历史缺陷模式学习：智能体通过分析历史缺陷数据，使用机器学习算法学习并预测可能的缺陷模式。多模态数据分析：智能体能够处理和分析代码、文档、用户反馈等多种数据类型，以全面理解缺陷报告。

7.性能优化：智能体能够通过算法和模型的不断优化，提高缺陷分析和修复的效率。

第五部分: 实战案例-接口自动化框架及智能体

1.接口自动化框架及智能体需求

2.接口自动化框架及智能体的架构设计

3.接口自动化框架及智能体的实现

4.接口自动化框架及智能体的主要功能

5.YAML/JSON测试用例：使用 YAML/JSON 编写清晰、易于维护的测试用例。

6.参数化与数据驱动：支持参数化和数据驱动测试，提高测试用例的复用性。

7.自动化测试报告：自动生成包含详细请求和响应信息的测试报告。