豆包MarsCode 牵手南京大学软件学院,探索LLM驱动的软件人才培养新模式|豆包MarsCode 校园计划进行时

大模型数据库机器学习

picture.image

在2024年南京大学软件学院的 DevOps 学期课程中,豆包MarsCode 以其强大的 AI 能力为学生们提供了全新的编程体验,成为课程改革与创新的核心工具。此次合作由南京大学软件学院荣国平(南京大学软件学院准聘助理教授,特任研究员,博士生导师)牵头,围绕大型语言模型(LLM)在软件人才培养中的应用展开。

picture.image

图片为部分同学答辩现场

🏅 项目成果: 打造全功能的智能音乐平台

学生们利用豆包MarsCode 的代码补全和 AI 问答,以极高效率完成了从后端到前端的全栈开发工作,成功打造出一系列创意十足的“云音乐播放系统”。豆包MarsCode 不仅让开发过程变得简单和高效,更激发了学生优化产品体验的热情,开启了从“学会开发”到“创造价值”的转变之路。

学生分为11个小组,以豆包MarsCode 为技术支撑,共同开发了一款集成多项功能的音乐平台:

▪️ 个性化推荐:基于算法的音乐推荐功能,为用户提供独特的听歌体验。

▪️ 交互式设计:支持用户评论歌曲、评分、创建和分享歌单,丰富平台互动性。

▪️ 全栈架构:完成注册、登录、上传音乐、管理歌单等完整功能链条。

▪️ 动态迭代:在云端实现多次高频迭代,优化系统性能与用户体验。

picture.image

picture.image

项目的每一个页面和功能模块均通过豆包MarsCode 辅助完成,从云端部署的实际效果中可以看到学生们的创新能力得到了充分释放。

🌟 豆包MarsCode 的技术优势

同学们提到,豆包MarsCode 在开发全程中发挥了以下关键作用:

picture.image

picture.image

图片来自学生答辩PPT

这些技术极大地提高了开发速度,让学生得以专注于功能创新与用户体验的优化。

📈 教学改革与开发实践的结合

荣国平表示:“课程改革的核心在于充分发挥 LLM 技术在实践中的强大能力,让学生在豆包MarsCode 的辅助下通过实践掌握知识。学生们从中感受到了开发的乐趣,也获得了更多的创作自由。”

课程引入了 DevOps 理念,通过 GitLab CI/CD 流水线实现自动化构建与部署,推动了学生在实际开发环境中的应用能力:

▪️ 高频迭代:从每3天一次到每日3次的快速迭代周期,满足不断变化的需求。

▪️ 协作与分工:前后端开发人员紧密合作,保障系统功能的完整性与稳定性。

🌄 未来的合作与展望

豆包MarsCode 与南京大学软件学院的合作为教育与科技融合树立了新的标杆,未来双方将继续携手共同推动高校人才培养,同时,豆包MarsCode 高校团队将持续探索:

  1. 跨学科项目开发 :拓展合作领域,结合 AI 技术与更多学科应用场景,如智能医疗、智慧城市等,培养复合型技术人才。

  2. 长期教学工具支持 :将豆包MarsCode 全面引入软件学院的更多课程,包括软件工程、人工智能等核心方向,为学生提供持续的技术支持。

  3. 科研合作 :围绕 LLM 技术的教学应用与工业实践,与高校共同开展研究,探索如何通过 AI 技术进一步提升教育质量与效率。

4.创新赛事与实习计划 :联合举办以 AI 为主题的编程挑战赛,鼓励学生将创意转化为实际成果,并通过实习机会深入企业实践。

正如豆包MarsCode 编程助手技术负责人说的那样:“ AI Coding 是一个快速演进的领域,我们需要了解它当前的局限性,为未来的各种可能性做好准备,可能一个任务今天无法完成但是在明天模型升级后就可以实现了。唯一的应对办法是刻意练习,刻意地用 LLM 完成一些日常的任务,感知模型能力的边界和变化,并且尝试用工程的手段去弥补模型的不足以投入使用”,我们期待更多的高校师生加入我们的行列,一同助力校园 AI 开发者!

豆包MarsCode 校园计划核心角色正在招募中,并且将在近期举办一场定向邀请的“空中宣讲会”:成为“校园大使”担任品牌的高校代言人,协助组织校园活动,将享受官方资源支持;成为“校园助教”传播 AI 编程通识,与我们共建知识体系,将有机会获得实习绿通!别犹豫啦!加入豆包MarsCode 校园计划,与我们并肩携手、共同创造!

picture.image

欢迎同学们扫码加入豆包MarsCode 校园官方微信群(进群需备注:学校-专业-姓名),了解豆包MarsCode 最新推出的高校活动、免费课程资源与礼物福利等资讯。入群的同学们可以在群聊中通过小助手触达豆包MarsCode 产研团队哦~

picture.image

picture.image

0
0
0
0
关于作者
相关资源
火山引擎大规模机器学习平台架构设计与应用实践
围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践,全面分享如何以开发者的极致体验为核心,进行机器学习平台的设计与实现。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论