Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 7 heures
Plan du cours
Meilleures pratiques et outils
Pièges courants et stratégies d'atténuation
Introduction au Prompt Engineering
Raffinement des prompts et conception itérative
Prompting pour l'automatisation des tests et la génération de SQL
Résumé et prochaines étapes
Utilisation des prompts pour l'explication et le débogage de code
Rédaction de prompts pour la génération de code
- Éviter le code halluciné ou les vulnérabilités de sécurité
- Gérer les entrées incomplètes ou ambiguës
- Créer des prompts de secours sécurisés et des garde-fous
- Créer des cas de test à partir d'exigences ou de code
- Générer des requêtes SQL structurées à partir du langage naturel
- Formater les sorties pour intégration dans des suites de tests
- Expliquer le code legacy ou inconnu
- Demander des explications de logique ou des analyses de cas limites
- Trouver et expliquer les bogues ou les inefficacités
- Générer du code à partir de descriptions en langage clair
- Contrôler le format de sortie et le langage de programmation
- Traiter la logique complexe ou les fonctions multiples
- Améliorer les résultats par l'enchaînement de prompts et les boucles de rétroaction
- Récupération d'erreurs et stratégies de réglage des prompts
- Études de cas de raffinement pour les tâches techniques
- Bibliothèques de prompts et modèles de réutilisation
- Utilisation de modèles de prompts dans VS Code ou des flux de travail basés sur API
- Évaluation de la qualité et des performances des prompts en usage de production
- Comprendre les prompts, le contexte, les jetons (tokens) et les modèles
- Types de prompts : zero-shot, one-shot, few-shot
- Utilisation des instructions système par rapport aux instructions utilisateur dans différentes API
Pré requis
Public cible
- Développeurs utilisant les LLM pour la génération ou l'analyse de code
- Responsables techniques explorant les outils d'IA dans leurs flux de travail
- Professionnels du logiciel expérimentant les intégrations de LLM
- Expérience en développement logiciel ou en script
- Connaissance des langages de programmation courants (par ex. Python, JavaScript, SQL)
- Compréhension de base des grands modèles de langage et des outils d'IA tels que ChatGPT, Claude ou Copilot
Nos clients témoignent (1)
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