Plan du cours
Introduction au Vibe Coding
- Définition et historique du vibe coding
- Philosophie de la collaboration “prompt-to-code”
- Comment le coding assisté par l'IA diffère du développement traditionnel
Grands Modèles Linguistiques dans le Coding
- Aperçu des LLMs pour les développeurs : GPT-4, DeepSeek, Qwen, Mistral
- Comparaison entre les AI coders open source et propriétaires
- Déploiement des LLMs localement ou via des APIs
Ingénierie de Prompts pour les Développeurs
- Techniques efficaces d'ingénierie de prompts pour la génération et le refactoring de code
- Gestion du contexte et de l'état de conversation
- Création de modèles de prompts réutilisables pour les tâches de coding
Environnements de Vibe Coding Pratiques
- Utilisation de Replit pour le coding collaboratif assisté par l'IA
- Intégration de GitHub Copilot et Qwen Coder dans les IDEs
- Personnalisation des workflows pour la collaboration d'équipe
Qualité et Validation du Code dans les Workflows Assistés par l'IA
- Revue et test du code généré par des LLMs
- Assurer la cohérence, la maintenabilité et la sécurité
- Intégration d'outils de validation du code dans les workflows
Intégration Entreprise et Gouvernance
- Étendre le vibe coding à travers les équipes
- Gouvernance, éthique et conformité de l'IA dans la génération de code
- Conception de cadres organisationnels pour le développement assisté par l'IA
Sujets Avancés : Extension du Vibe Coding
- Combinaison de plusieurs LLMs pour des workflows hybrides d'IA
- Intégration du vibe coding dans l'automatisation CI/CD
- Tendances futures : écosystèmes de développement multi-agents
Projet d'équipe et Collaboration
- Conception d'un projet de coding assisté par l'IA en situation réelle
- Collaboration entre développeurs humains et IA
- Présentation des résultats et mesure des gains de productivité
Résumé et Étapes Suivantes
Pré requis
- Une compréhension des workflows de développement logiciel
- Une expérience avec Python, JavaScript ou un autre langage de programmation moderne
- Une familiarité avec les systèmes de contrôle de version basés sur Git
Public Cible
- Ingénieurs logiciels explorant le développement assisté par l'IA
- Responsables techniques supervisant l'adoption de l'IA dans les workflows de coding
- Équipes de développement d'entreprise souhaitant intégrer des LLMs dans leurs pipelines de production
Nos clients témoignent (2)
J'ai acquis des connaissances sur la bibliothèque Streamlit en Python et je vais certainement essayer de l'utiliser pour améliorer les applications de mon équipe qui sont actuellement développées avec R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Formation - GitHub Copilot for Developers
Traduction automatique
Formateur capable d'ajuster le niveau du cours pendant la formation pour correspondre à notre niveau de compréhension sur le sujet, afin que nous puissions acquérir des connaissances plus utiles qui nous aideront davantage à maîtriser les outils dans notre travail quotidien.
Tatt Juen - ViTrox Technologies Sdn Bhd
Formation - Intermediate GitHub Copilot
Traduction automatique