课程简介
在数字化浪潮迅猛发展的当下，AI 技术正以前所未有的速度重塑着各个行业，软件研发领域也不例外。传统的软件研发模式在面对日益复杂多变的需求和激烈的市场竞争时，逐渐显露出效率瓶颈与创新能力不足的问题。与此同时，大模型技术的崛起为软件研发带来了全新的机遇与变革，从代码生成、需求分析到测试运维，AI 都能发挥强大的赋能作用，显著提升研发效能。然而，如何深入理解大模型核心原理，掌握工业级提示工程技巧，熟练运用智能体开发实践，以及将 AI 巧妙融入软件工程全流程，构建适配 AI 战略的研发体系，成为众多企业和研发人员亟待解决的问题。
本课程聚焦AI赋能研发效能，涵盖AI研发基础强化、AI4SE体系设计与开发辅助、高阶工程与行业实践三大模块。从大模型原理到智能体开发，从AI辅助需求分析到全链路提效的开发测试，再到AI+DDD全流程实战与行业应用，全方位解析AI在软件研发中的应用路径与实战技巧，助力学员快速提升研发效能。
课程收益
1、帮助学员掌握AI核心技术机制：深入理解LLM底层原理、嵌入技术及RAG优化，并能运用工具如LangChain、LlamaIndex进行模型开发和知识库构建，提升AI理论基础。
2、帮助学员提升研发流程效能：通过工业级提示工程和AI辅助工具，加速需求分析、开发和测试，实现全链路提效，减少人工耗时。
3、帮助学员学会设计AI4SE工程体系：学习构建匹配企业AI战略的软件工程规范，包括路线图规划、研发流程AI整合和复杂度控制，并能参考行业方案实施AI加速研发体系。
4、应用AI+DDD实战方法：帮助学员掌握领域驱动设计与AI的融合应用，通过四阶落地法完成从需求到代码的智能化实现，提升复杂业务系统的设计和开发能力。
5、实现行业场景落地：帮助学员获得金融、制造等行业实战经验，如构建MCP驱动的智能体协作网络、开发代码迁移工具和知识运营助手，助力企业在真实场景中规模化应用AI，提升研发质量和效率。
6、帮助学员增强工程化落地能力：通过案例演练（如本地MCP客户端、RAG应用开发）和工具链实操，培养学员的工程实践技能，确保AI技术在企业环境中的可扩展性和稳定性。立
受众人群
软件工程师、AI工程师、需求分析师、测试工程师、系统架构师
课程周期
2天（12H）
课程大纲
标题 | 授课内容 |
一、AI研发基础强化 | 1. 大模型核心原理 (1) 原理精要：LLM的核心概念包括词元（token）和嵌入（embedding），阐释GPT的自注意力机制，文本分类与聚类算法与模型 (2) 编码知识：运用transformer、torch、sentence-transformer等框架深入洞悉LLM内部机制与算法 (3) 案例演练：加载开源模型生成文本，演练从文本到词元到嵌入向量的转换过程，实现简单的自注意力机制，运用word2vec算法实现内容推荐，通过BERT进行情感分析，运用BERTopic进行主题建模 (4) 工具：Cursor + Python + phi-3-mini + word2vec + pandas 2. 工业级提示工程 (1) 原理精要：结合LLM的底层机制，探讨好的提示词如何引导LLM生成有用的回复 (2) 工业级提示模板：CRISPE框架及其优化QCIPSPE框架、思维链（CoT）和思维树（ToT）、ChatGPT/Claude/Gemini等的系统提示词，GitHub Copilot与Cursor最佳模板分析 (3) 案例演练：调用主流大模型，对比各种提示词模板的使用效果，明确各种提示词模板的适用场景 (4) 工具：Cursor + Claude + ChatGPT + DeepSeek R1 + Ollama + Qwen 3. 智能体开发与实践 (1) 链式架构：LangChain框架基础知识与链式架构，通过记忆构建LLM的对话回溯能力，运用多提示词、链式架构和多模型协同执行任务 (2) 智能体：智能体核心机制与ReAct框架 (3) 案例演练：运用多提示词链式架构生成完整故事、通过Agent调用搜索引擎和计算器完成复杂任务、通过ReAct框架实现chat to db智能体 (4) 工具：Cursor + LangChain + DeepSeek Chat API + Ollama + Qwen + llama3 |
二、AI4SE体系设计与开发辅助 | 1. AI战略的软件工程规范建设 (1) 软件工程体系路线图：企业在建设AI战略时，不能只考虑引入AI作为辅助研发的工具，而应在路线图的指导下，建立与AI战略相匹配的数智时代软件工程研发体系 (2) 软件研发流程与AI加速：如何将AI与软件研发流程结合起来，消除AI工具带来的新问题，控制系统复杂度，发挥AI的加速作用 (3) AI带来的软件研发范式的变化：AI时代，软件研发人员需要适应研发范式的变化，因而需要建立与之匹配的人才能力模型 (4) AI4SE体系设计方法：参考Google/GitHub工业级方案设计企业AI研发流程 2. AI辅助需求分析与建模 (1) 需求挖掘：BERT-CRF情感分析识别隐性需求 (2) 智能工作坊：通过Miro.AI开展需求分析和探索工作坊 (3) 事件风暴与领域建模：通过专门的事件风暴提示词结合PlantUML对需求文档智能开展事件风暴 (4) 案例演练：图书馆管理系统的事件风暴 (5) 工具：事件风暴提示词模板 + DeepSeek/Qwen + PlantUML + Miro AI 3. AI辅助开发与测试 (1) 氛围编程：介绍氛围编程（Vibe Coding）的概念与基本思路，对比氛围编程与传统编程之间的区别，介绍遵循氛围编程思想的AI辅助开发协作步骤 (2) 案例演练：运用v0/Blot.new进行需求功能确认和探索，快速构造网站；运用Cursor采用氛围编程方式快速打造后端服务 (3) AI辅助开发：代码补全、生成代码注释、生成Swagger API文档 (4) AI测试革命：JUnit单元测试生成，API测试生成 (5) AI辅助重构：重构原则与方法，改进重构提示词提升AI辅助重构的效率 (6) 案例演练：运用Cursor/通义灵码快速重构影片出租店完整案例 (7) 工具：Cursor + IntellJ IDEA + 通义灵码 + V0/Blot.new + HTTPie.AI |
三、高阶工程与行业实践 | 1. AI+DDD全流程实战 (1) 领域驱动设计基础知识：介绍领域驱动设计的基础知识和标准过程 (2) 案例演练：运用AI + DDD快速完成会议预定系统，从领域建模到编码实现 (3) DDD四阶落地法：需求探索→战略架构→战术建模→执行计划 (4) 案例演练：门店订单系统AI建模到交付 (5) 工具：Cursor Rules + Spring AI + Claude/Qwen + DeepSeek-Chat API 2. AI智能工程行业实践 (1) 智能体工程化架构：引入分层架构设计原则，遵循MCP协议，建立感知-决策-执行闭环的智能体分层架构，从而指引企业在技术架构层面推动AI为技术赋能 (2) 金融级案例：某银行的AI增强软件工程应用场景实践涵盖需求、开发、测试、运维等关键环节，重点聚焦技术人员耗时多、投入高、操作复杂的规模化场景，由点及面推进工程化研发应用，并逐步形成AI工作链式服务 (3) 典型应用示例：代码智能评审助手、代码迁移工具、技术知识运营助手等应用的构建与运用，全方位提升软件研发团队的工作效率 |
京ICP备2022035414号-1
