# AI Pipeline

> 应用从 AI for Everyone 蒸馏出的「AI流水线 — 多组件串联的系统设计模式」方法论。Use when the user needs practical guidance, diagnosis, workflow design, decision support, or an action plan related to ai-pipeline.

- Skill: `kangarooking/ai-pipeline` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add kangarooking/ai-pipeline`
- Raw SKILL.md: https://api.skillmd.com/api/skills/kangarooking/ai-pipeline/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: DevOps & Infra
- Author: kangarooking (https://skillmd.com/u/kangarooking)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/kangarooking/ai-pipeline

---


## Source Metadata

Original cangjie-skill frontmatter from the distillation run:

```yaml
id: f19
title: "AI流水线 — 多组件串联的系统设计模式"
book: "AI for Everyone"
author: "Andrew Ng（吴恩达）"
source: p19, p20
tags: [system-design, pipeline, architecture, multi-module, error-propagation]
related_skills:
  - slug: ml-workflow, relation: composes-with
  - slug: ab-mapping, relation: depends-on
```

## R — Reading（原文引用）

> "像这样的AI系统四步或多步流程，有时称为流水线 — 多个AI组件协作，依次处理数据...像自动驾驶这样的复杂AI产品，需要多个AI组件协同工作。"
> — p19, p20

## I — Interpretation（用自己的话重新阐述）

很多复杂AI产品无法用单个A→B映射解决，需要将问题分解为多个步骤，每个步骤是一个独立的A→B模块，这些模块**串联**起来形成流水线：

**经典案例1：智能音箱**
1. 唤醒检测（音频→是否唤醒词）
2. 语音识别（音频→文本）
3. 意图识别（文本→用户意图）
4. 命令执行（意图→执行动作）

**经典案例2：自动驾驶**
1. 物体检测（传感器数据→物体位置）
2. 运动预测（物体位置→未来轨迹）
3. 路径规划（轨迹预测→行驶路径）
4. 控制执行（路径→方向盘/油门/刹车）

**关键洞察：误差累积**
- 如果每个模块准确率95%，4个模块串联后整体准确率只有 0.95^4 ≈ 81%
- 这意味着**单模块指标高≠系统整体好**
- 必须从端到端系统角度优化，而非只看单模块指标

## A1 — Past Application（过去应用案例）

- **智能音箱**：早期智能音箱识别"设置一个计时器"这种简单指令经常出错。分析发现：唤醒成功率98%、语音识别96%、意图识别97%、执行99%，但端到端只有0.98×0.96×0.97×0.99≈90%。10%的错误率让用户体验很差。团队后来优化了最薄弱的环节（语音识别），整体体验大幅提升。

## A2 — Future Trigger（未来触发条件）

**触发场景：**
- 设计一个复杂AI产品，需要多个步骤/模块
- 单模块指标都很高，但用户体验不好（可能是误差累积）
- 需要将复杂AI问题分解为多个子问题
- 多个团队协作开发一个AI系统

**语言信号：**
- "多个AI模块"
- "流水线"
- "AI系统架构"
- "模块串联"
- "端到端"
- "误差累积"
- "复杂AI产品"

**区分要点：**
- 是**单个A→B问题**还是**多步骤问题**？单个用ml-workflow，多个用本skill。
- 关注**系统设计**还是**流程管理**？本skill面向系统设计。

## E — Execution（执行步骤）

1. **分解问题**：将复杂AI问题分解为多个连续的A→B步骤。

2. **绘制流水线**：明确每个步骤的输入（A）和输出（B），以及步骤之间的数据流。

3. **评估单模块性能**：为每个模块设定独立的准确率/性能指标。

4. **计算端到端性能**：用乘法估算整体性能（各模块准确率的乘积）。

5. **识别瓶颈**：找到对整体性能影响最大的模块（通常是准确率最低的环节）。

6. **优化策略**：
   - 优先优化最薄弱的模块
   - 考虑在关键步骤增加冗余或人工兜底
   - 设计端到端的评估指标（而非只看单模块）

7. **组织设计**：每个模块可以由不同团队负责，但需要统一的接口规范和端到端测试。

**完成标准**：完成流水线架构图，明确各模块的A→B映射、接口规范和端到端性能指标。

## B — Boundary（使用边界）

**不适用场景：**
- 单一A→B映射能解决的问题（不需要流水线）
- 模块之间没有顺序依赖（可以并行处理）
- 系统复杂度低（2个以下模块）

**失败模式：**
- 只看单模块指标，忽视端到端性能
- 模块之间接口不规范，导致数据传递错误
- 每个模块由不同团队优化，但没人对端到端结果负责
- 过度设计流水线——能用一个模型解决的事，拆成三个模块

**作者盲区：**
- Andrew Ng没有深入讨论**模块之间的反馈回路**——实际系统中，后一步的结果可能需要反馈给前一步（如语音识别错误时重新唤醒）。
- 误差累积模型假设各模块独立，但实际上模块之间可能**相关**——一个模块的错误会影响下一个模块的输入分布。

## 相关 skills

- **[ml-workflow](/books/ai-for-everyone/ml-workflow/)** — *composes-with*：AI流水线是ML工作流的扩展——每个模块内部遵循ML工作流（收集→训练→部署），多个模块串联形成流水线。两者结合覆盖从单模型到多模块系统的完整执行流程。
- **[ab-mapping](/books/ai-for-everyone/ab-mapping/)** — *depends-on*：流水线中每个模块本质上都是一个A→B映射，理解ab-mapping是设计流水线的前提。