Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 7 Stunden
Schulungsübersicht
Best Practices und Werkzeuge
Häufige Fehlerquellen und Gegenstrategien
Einführung in Prompt Engineering
Verfeinerung von Prompts und iteratives Design
Prompting für Testautomatisierung und SQL-Generierung
Zusammenfassung und nächste Schritte
Verwendung von Prompts zur Codeerklärung und Fehlersuche (Debugging)
Verfassen von Prompts für die Codegenerierung
- Vermeidung halluzinierter Codes oder Sicherheitslücken
- Behandlung unvollständiger oder mehrdeutiger Eingaben
- Erstellen sicherer Fallback-Prompts und Schutzmaßnahmen (Guardrails)
- Erstellen von Testfällen aus Anforderungen oder Code
- Generieren strukturierter SQL-Abfragen aus natürlicher Sprache
- Formatieren der Ausgaben zur Integration in Testsuiten
- Erklären von Legacy- oder unbekanntem Code
- Prompting für Logik-Abstimmungen oder die Analyse von Randfällen
- Finden und Erklären von Fehlern oder Ineffizienzen
- Generieren von Code aus beschreibenden Texten in natürlicher Sprache
- Steuern des Ausgabeformats und der Programmiersprache
- Arbeiten mit komplexer Logik oder mehreren Funktionen
- Verbesserung der Ergebnisse durch Prompt-Ketten und Feedback-Schleifen
- Fehlerbehebung und Strategien zur Prompt-Anpassung
- Fallstudien zur Verfeinerung bei technischen Aufgaben
- Prompt-Bibliotheken und Wiederverwendungsmuster
- Verwendung von Prompt-Vorlagen in VS Code oder API-basierten Arbeitsabläufen
- Bewertung der Prompt-Qualität und -Leistung im Produktivbetrieb
- Verständnis von Prompts, Kontext, Tokens und Modellen
- Prompt-Typen: Zero-shot, One-shot, Few-shot
- Nutzung von System- versus Benutzeranweisungen in verschiedenen APIs
Voraussetzungen
Zielgruppe
- Entwickler, die LLMs in der Codegenerierung oder -analyse einsetzen
- Technische Leiter, die KI-Tools in Arbeitsabläufen erforschen
- Softwareprofis, die mit LLM-Integrationen experimentieren
- Erfahrung in der Softwareentwicklung oder Skriptprogrammierung
- Vertrautheit mit gängigen Programmiersprachen (z. B. Python, JavaScript, SQL)
- Grundlegendes Verständnis von Large Language Models (LLMs) und KI-Tools wie ChatGPT, Claude oder Copilot
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung