Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Durata 14 ore
Struttura del corso
Comprensione del codice con gli LLM
- Strategie di prompting per la spiegazione e l'analisi del codice
- Lavoro su codebase e progetti sconosciuti
- Analisi del flusso di controllo, delle dipendenze e dell'architettura
Refactoring del codice per la manutenibilità
- Identificazione di code smell, codice morto e anti-pattern
- Riorganizzazione di funzioni e moduli per la chiarezza
- Utilizzo degli LLM per suggerire convenzioni di denominazione e miglioramenti di design
Miglioramento di prestazioni e affidabilità
- Rilevamento di inefficienze e rischi di sicurezza con l'aiuto dell'AI
- Suggerimento di algoritmi o librerie più efficienti
- Refactoring delle operazioni I/O, delle query al database e delle chiamate API
Automazione della documentazione del codice
- Generazione di commenti e sommari a livello di funzione/metodo
- Scrittura e aggiornamento di file README dai codebase
- Creazione di documentazione Swagger/OpenAPI con supporto LLM
Integrazione con le toolchain
- Utilizzo di estensioni VS Code e Copilot Labs per la documentazione
- Inserimento di GPT o Claude nei pre-commit hook di Git
- Integrazione nella pipeline CI per documentazione e linting
Lavoro su codebase legacy e multilingua
- Ingegneria inversa di sistemi vecchi o non documentati
- Refactoring cross-linguistico (ad es., da Python a TypeScript)
- Studi di caso e dimostrazioni di pair-AI programming
Etica, garanzia della qualità e revisione
- Validazione delle modifiche generate dall'AI e avoidance delle allucinazioni
- Migliori pratiche per la peer review quando si utilizzano LLM
- Garantire la riproducibilità e la conformità agli standard di codifica
Sintesi e prossimi passi
Requisiti
- Esperienza con linguaggi di programmazione come Python, Java o JavaScript
- Familiarità con l'architettura software e i processi di code review
- Comprensione di base di come funzionano i large language models
Pubblico di riferimento
- Ingegneri backend
- Team DevOps
- Sviluppatori senior e tech lead
Recensioni (1)
Ho acquisito una conoscenza riguardante la libreria Streamlit di Python e sicuramente cercherò di utilizzarla per migliorare le applicazioni del mio team, che sono sviluppate con R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Corso - GitHub Copilot for Developers
Traduzione automatica