LLMs for Code Understanding, Refactoring, and Documentation

• Doświadczenie z językami programowania takimi jak Python, Java lub JavaScript
• Znajomość architektury oprogramowania i procesów recenzji kodu
• Podstawowa wiedza na temat funkcjonowania dużych modeli językowych

Publiczność

• Inżynierowie backendowi
• Zespoły DevOps
• Starsi deweloperzy i liderzy techniczni

LLMs for Code Understanding, Refactoring, and Documentation to jest kurs techniczny skoncentrowany na zastosowaniu dużych modeli językowych (LLMs) w celu poprawy jakości kodu, zmniejszenia zadłużenia technicznego i automatyzacji zadań związanych z dokumentacją w zespołach programistycznych.

To prowadzone przez instruktora szkolenie live (online lub na miejscu) jest skierowane do programistów średnio zaawansowanych do zaawansowanych, którzy chcą używać LLMs takich jak GPT do analizy, refaktoryzacji i dokumentowania skomplikowanych lub starszych kodów.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Używać LLMs do wyjaśniania kodu, zależności i logiki w nieznanych repozytoriach.
• Wykrywać i refaktoryzować antywzorce, poprawiając czytelność kodu.
• Automatycznie generować i utrzymywać komentarze w linii, pliki README i dokumentację API.
• Integrować wnioski napędzane przez LLMs z istniejącymi przepływami pracy CI/CD i przeglądania.

Format Kursu

• Interaktywne wykłady i dyskusje.
• Dużo ćwiczeń i praktyki.
• Ręczne wdrażanie w żywym środowisku laboratoryjnym.

Opcje dostosowywania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami w celu uregulowania.

Zrozumienie kodu z LLMs

• Strategie generowania zapytań dla wyjaśnień kodu i przeglądów
• Praca z nieznanymi bazami kodu i projektami
• Analiza przepływu sterowania, zależności i architektury

Refaktoryzacja kodu dla łatwości utrzymania

• Wykrywanie nieprzyjemnego zapachu kodu, martwego kodu i antywzorców
• Przestrukturyzowanie funkcji i modułów dla jasności
• Używanie LLMs do proponowania konwencji nazw i poprawek w projekcie

Poprawa wydajności i niezawodności

• Wykrywanie niedoskonałości i zagrożeń bezpieczeństwa z pomocą AI
• Proponowanie bardziej wydajnych algorytmów lub bibliotek
• Refaktoryzacja operacji I/O, zapytań bazy danych i wywołań API

Automatyzacja kodu

• Generowanie komentarzy i podsumowań na poziomie funkcji/metody
• Pisanie i aktualizowanie plików README z baz kodu
• Tworzenie dokumentacji Swagger/OpenAPI z wsparciem LLM

Integracja z łańcuchami narzędziowymi

• Używanie rozszerzeń VS Code i Copilot Labs dla dokumentacji
• Wbudowywanie GPT lub Claude w hakach Git przed zatwierdzeniem
• Integracja w potoku CI dla dokumentacji i sprawdzania poprawności

Praca z starymi i wielojęzycznymi bazami kodu

• Rewersowe inżynierowanie starszych lub niedokumentowanych systemów
• Refaktoryzacja międzyjęzykowa (np. z Python do TypeScript)
• Przypadki użycia i demonstracje programowania parą AI

Etyka, zapewnienie jakości i przegląd

• Weryfikowanie zmian generowanych przez AI i unikanie halucynacji
• Najlepsze praktyki przeglądu przez rówieśników przy użyciu LLMs
• Zapewnienie powtarzalności i zgodności ze standardami kodowania

Podsumowanie i kolejne kroki