人工智能与机器学习

ai-ml
分类通用
作者Agentic Awesome Skills 社区
许可MIT
评分4.60/5
使用13.3K

AI/ML 工作流 bundle

概述

一套全面的 AI/ML 工作流，用于构建 LLM 应用、实现 RAG 系统、创建 AI 智能体以及开发机器学习流水线。本 bundle 编排了生产级 AI 开发所需的各项技能。

何时使用此工作流

在以下场景中使用此工作流：

  • 构建由 LLM 驱动的应用

  • 实现 RAG（检索增强生成）

  • 创建 AI 智能体 (Agents)

  • 开发 ML 流水线

  • 为应用添加 AI 功能

  • 搭建 AI 可观测性系统

工作流阶段

第一阶段：AI 应用设计

#### 调用的技能

  • ai-product - AI 产品开发

  • ai-engineer - AI 工程

  • ai-agents-architect - 智能体架构

  • llm-app-patterns - LLM 设计模式

#### 执行动作
1. 定义 AI 使用场景
2. 选择合适的模型
3. 设计系统架构
4. 规划数据流
5. 定义成功指标

#### 快捷提示词

code
Use @ai-product to design AI-powered features

code
Use @ai-agents-architect to design multi-agent system

第二阶段：LLM 集成

#### 调用的技能

  • llm-application-dev-ai-assistant - AI 助手开发

  • llm-application-dev-langchain-agent - LangChain 智能体

  • llm-application-dev-prompt-optimize - 提示词工程

  • gemini-api-dev - Gemini API

#### 执行动作
1. 选择 LLM 提供商
2. 配置 API 访问
3. 实现提示词模板
4. 配置模型参数
5. 添加流式传输支持
6. 实现错误处理机制

#### 快捷提示词

code
Use @llm-application-dev-ai-assistant to build conversational AI

code
Use @llm-application-dev-langchain-agent to create LangChain agents
code
Use @llm-application-dev-prompt-optimize to optimize prompts

第三阶段：RAG 实现

#### 调用的技能

  • rag-engineer - RAG 工程

  • rag-implementation - RAG 实现

  • embedding-strategies - Embedding 选择

  • vector-database-engineer - 向量数据库

  • similarity-search-patterns - 相似度搜索

  • hybrid-search-implementation - 混合搜索

#### 执行动作
1. 设计数据流水线
2. 选择 Embedding 模型
3. 搭建向量数据库
4. 实现分块 (Chunking) 策略
5. 配置检索机制
6. 添加重排序 (Reranking)
7. 实现缓存机制

#### 快捷提示词

code
Use @rag-engineer to design RAG pipeline

code
Use @vector-database-engineer to set up vector search
code
Use @embedding-strategies to select optimal embeddings

第四阶段：AI 智能体开发

#### 调用的技能

  • autonomous-agents - 自主智能体模式

  • autonomous-agent-patterns - 智能体模式

  • crewai - CrewAI 框架

  • langgraph - LangGraph

  • multi-agent-patterns - 多智能体系统

  • computer-use-agents - 计算机操作智能体

#### 执行动作
1. 设计智能体架构
2. 定义智能体角色
3. 实现工具集成
4. 搭建记忆系统
5. 配置编排机制
6. 添加人机协作 (Human-in-the-loop)

#### 快捷提示词

code
Use @crewai to build role-based multi-agent system

code
Use @langgraph to create stateful AI workflows
code
Use @autonomous-agents to design autonomous agent

第五阶段：ML 流水线开发

#### 调用的技能

  • ml-engineer - ML 工程

  • mlops-engineer - MLOps

  • machine-learnin - 机器学习

  • g-ops-ml-pipeline - ML 流水线

  • ml-pipeline-workflow - ML 工作流

  • data-engineer - 数据工程

#### 操作
1. 设计 ML 流水线
2. 设置数据处理
3. 实现模型训练
4. 配置评估
5. 设置模型注册表
6. 部署模型

#### 快捷提示词

code
Use @ml-engineer to build machine learning pipeline

code
Use @mlops-engineer to set up MLOps infrastructure

第 6 阶段：AI 可观测性

#### 调用的技能

  • langfuse - Langfuse 可观测性

  • manifest - Manifest 遥测

  • evaluation - AI 评估

  • llm-evaluation - LLM 评估

#### 操作
1. 设置追踪 (Tracing)
2. 配置日志
3. 实现评估
4. 监控性能
5. 追踪成本
6. 设置告警

#### 快捷提示词

code
Use @langfuse to set up LLM observability

code
Use @evaluation to create evaluation framework

第 7 阶段：AI 安全

#### 调用的技能

  • prompt-engineering - Prompt 安全

  • security-scanning-security-sast - 安全扫描

#### 操作
1. 实现输入验证
2. 添加输出过滤
3. 配置速率限制
4. 设置访问控制
5. 监控滥用情况
6. 实现审计日志

AI 开发清单

LLM 集成

  • [ ] API 密钥已加密
  • [ ] 速率限制已配置
  • [ ] 错误处理已实现
  • [ ] 已启用流式传输
  • [ ] Token 使用量已追踪

RAG 系统

  • [ ] 数据流水线运行正常
  • [ ] Embedding 已生成
  • [ ] 向量搜索已优化
  • [ ] 检索准确率已测试
  • [ ] 已实现缓存

AI Agent

  • [ ] Agent 角色已定义
  • [ ] 工具已集成
  • [ ] 记忆功能正常
  • [ ] 编排已测试
  • [ ] 错误处理稳健

可观测性

  • [ ] 已启用追踪
  • [ ] 指标已收集
  • [ ] 评估正在运行
  • [ ] 告警已配置
  • [ ] 仪表盘已创建

质量门禁

  • [ ] 所有 AI 功能已测试
  • [ ] 性能基准已达标
  • [ ] 安全措施已到位
  • [ ] 可观测性已配置
  • [ ] 文档已完备

相关工作流包

  • development - 应用开发
  • database - 数据管理
  • cloud-devops - 基础设施
  • testing-qa - AI 测试

局限性

  • 仅在任务明确符合上述范围时使用此技能。
  • 不要将输出视为针对特定环境的验证、测试或专家评审的替代方案。
  • 如果缺少必要的输入、权限、安全边界或成功标准，请停止并请求澄清。