课程简介
课程聚焦研发效能提升，从研发效能体系、大厂实践对比，到敏捷精益落地，再到持续集成、发布模式，全方位剖析研发交付活动。课程深入探讨测试环境自动化建设、DevOps 平台搭建、度量洞察体系，更融入大模型在软件开发全周期的应用，从需求分析到代码生成，助力企业打造高效研发流程，适应大模型时代的软件开发变革。
目标收益
1.掌握研发效能体系构建方法，提升企业研发效率与质量。
2.学会运用敏捷精益实践优化项目管理流程。
3.精通持续集成与发布模式，加速产品迭代上线。
4.搭建高效 DevOps 平台，打通研发运维壁垒。
5.利用大模型赋能软件开发，创新研发模式
培训对象
企业研发负责人
项目经理
开发测试人员
效能工程师
对研发效能提升感兴趣的技术人员
课程大纲
| 第一部分：着眼当下 - 研发效能面面观 |
1、重温研发效能体系 ◦ 效能建设的生态、工具、实践与度量体系概述 ◦ 国内大厂和硅谷公司效能体系建设现状对比分析 ◦ 效能体系建设的几波浪潮及发展规律 ◦ 从目标与手段中洞悉效能建设的规律 ◦ 从生产和交付方式分析研发交付活动及效能建设规律 2、互联网需求及项目管理模式 ◦ 敏捷及精益实践在各类型公司的落地 ◦ 互联网需求管理及分工协作模式 ◦ 互联网项目管理核心实践 3、持续集成与发布模式 ◦ 持续集成与持续交付核心实践概述 ◦ 国内各大厂的发布模式、分支管理模型及其对工具的影响 ◦ 硅谷公司的构建及发布工程关键实践 ◦ 大规模持续集成的实施与推广策略 ◦ 客户端集成发版管理最佳实践 ◦ 特性开关技术与抽象分支 4、测试环境及自动化建设 ◦ 测试环境建设系统性方案及案例 ◦ 测试数据管理平台实践 ◦ 自动化测试工具体系建设实践 ◦ 自动化前沿技术探索及案例分享 5、平台工程指导下的 DevOps 平台建设 ◦ 平台工程在企业内的原则与实践 ◦ 研发一站式平台最佳实践及发展路径 ◦ 支撑一站式平台的端到端业务领域模型 ◦ 克服 DevOps 平台落地实施中的常见问题 ◦ 借鉴 GitOps和Everything As Code 原则建设平台 6、度量与洞察 ◦ 从效能生态出发制定度量洞察的目标 ◦ 分层分类研发效能度量洞察体系 ◦ 各大厂效能洞察建设路径与指标体系 ◦ 度量驱动改进的做法和避坑指南 7、大模型重塑效能版图 ◦ 理解大语言模型的原理，探索其能力极限 ◦ 大模型在软件开发完整生命周期内的各类应用 ◦ 利用公司私有数据开发大模型应用的三种方式与案例 ◦ 各大厂在效能领域自研 AI 工具的探索 ◦ 开发适合自己公司的需求、编码、测试 AI 工具的方案 ◦ 大模型时代的 DevOps 平台建设 |
| 第二部分：面向未来 - 大模型驱动软件开发 |
1、讲给未来的工程师和效能建设者 - 软件开发模式变革进行时 2、驾驭大模型 ◦ 大模型催化工程师关键能力的演进 ◦ 解锁提示词工程的奥秘 ◦ 把问题转换为大模型擅长的任务 ◦ 理解“幻觉”和“噪音”并与之共存 ◦ 区分“知识”与“能力”，视模型为知识“懒人” 3、利用大模型开发需求，洞悉大模型特质 ◦ 利用大模型开发需求实例演示 ◦ 编程这件事利用了大模型的哪些能力 ◦ 大模型在需求、设计、编码环节中扮演的角色 ◦ 生成模式让检查和验证变得十分重要 ◦ 生成模式让基于代码的设计反馈变得可行 ◦ 模型访问引发隐性知识表达的挑战 4、通过知识工程显式化隐性知识 ◦ 在生成框架下重新认识软件开发活动 ◦ 代码生成所依赖的典型知识体系 ◦ 在代码仓中对原生知识建模 ◦ 利用知识图谱基于代码仓对知识建模 ◦ 知识的加工、检索与组装策略 5、大模型驱动的软件开发模式 ◦ 开发模式全景 ◦ 交互式的需求分析 ◦ 有代码反馈的设计 ◦ 测试驱动的开发闭环 ◦ 显式的设计重构 6、大模型应用于企业级开发的挑战 ◦ 挑战来自哪里 ◦ 过渡和迁移策略 |
|
第一部分：着眼当下 - 研发效能面面观 1、重温研发效能体系 ◦ 效能建设的生态、工具、实践与度量体系概述 ◦ 国内大厂和硅谷公司效能体系建设现状对比分析 ◦ 效能体系建设的几波浪潮及发展规律 ◦ 从目标与手段中洞悉效能建设的规律 ◦ 从生产和交付方式分析研发交付活动及效能建设规律 2、互联网需求及项目管理模式 ◦ 敏捷及精益实践在各类型公司的落地 ◦ 互联网需求管理及分工协作模式 ◦ 互联网项目管理核心实践 3、持续集成与发布模式 ◦ 持续集成与持续交付核心实践概述 ◦ 国内各大厂的发布模式、分支管理模型及其对工具的影响 ◦ 硅谷公司的构建及发布工程关键实践 ◦ 大规模持续集成的实施与推广策略 ◦ 客户端集成发版管理最佳实践 ◦ 特性开关技术与抽象分支 4、测试环境及自动化建设 ◦ 测试环境建设系统性方案及案例 ◦ 测试数据管理平台实践 ◦ 自动化测试工具体系建设实践 ◦ 自动化前沿技术探索及案例分享 5、平台工程指导下的 DevOps 平台建设 ◦ 平台工程在企业内的原则与实践 ◦ 研发一站式平台最佳实践及发展路径 ◦ 支撑一站式平台的端到端业务领域模型 ◦ 克服 DevOps 平台落地实施中的常见问题 ◦ 借鉴 GitOps和Everything As Code 原则建设平台 6、度量与洞察 ◦ 从效能生态出发制定度量洞察的目标 ◦ 分层分类研发效能度量洞察体系 ◦ 各大厂效能洞察建设路径与指标体系 ◦ 度量驱动改进的做法和避坑指南 7、大模型重塑效能版图 ◦ 理解大语言模型的原理，探索其能力极限 ◦ 大模型在软件开发完整生命周期内的各类应用 ◦ 利用公司私有数据开发大模型应用的三种方式与案例 ◦ 各大厂在效能领域自研 AI 工具的探索 ◦ 开发适合自己公司的需求、编码、测试 AI 工具的方案 ◦ 大模型时代的 DevOps 平台建设 |
|
第二部分：面向未来 - 大模型驱动软件开发 1、讲给未来的工程师和效能建设者 - 软件开发模式变革进行时 2、驾驭大模型 ◦ 大模型催化工程师关键能力的演进 ◦ 解锁提示词工程的奥秘 ◦ 把问题转换为大模型擅长的任务 ◦ 理解“幻觉”和“噪音”并与之共存 ◦ 区分“知识”与“能力”，视模型为知识“懒人” 3、利用大模型开发需求，洞悉大模型特质 ◦ 利用大模型开发需求实例演示 ◦ 编程这件事利用了大模型的哪些能力 ◦ 大模型在需求、设计、编码环节中扮演的角色 ◦ 生成模式让检查和验证变得十分重要 ◦ 生成模式让基于代码的设计反馈变得可行 ◦ 模型访问引发隐性知识表达的挑战 4、通过知识工程显式化隐性知识 ◦ 在生成框架下重新认识软件开发活动 ◦ 代码生成所依赖的典型知识体系 ◦ 在代码仓中对原生知识建模 ◦ 利用知识图谱基于代码仓对知识建模 ◦ 知识的加工、检索与组装策略 5、大模型驱动的软件开发模式 ◦ 开发模式全景 ◦ 交互式的需求分析 ◦ 有代码反馈的设计 ◦ 测试驱动的开发闭环 ◦ 显式的设计重构 6、大模型应用于企业级开发的挑战 ◦ 挑战来自哪里 ◦ 过渡和迁移策略 |
近期公开课推荐
