AI Ml

AI/ML 工作流套件

概述

用于构建LLM应用、实现RAG系统、创建AI智能体和开发机器学习管道的综合AI/ML工作流。此套件编排生产级AI开发所需的各项技能。

何时使用此工作流

在以下场景使用此工作流：

• 构建LLM驱动的应用程序
• 实现RAG（检索增强生成）
• 创建AI智能体
• 开发ML管道
• 为应用添加AI功能
• 设置AI可观测性

工作流阶段

阶段1：AI应用设计

调用技能

• ai-product - AI产品开发
• ai-engineer - AI工程
• ai-agents-architect - 智能体架构
• llm-app-patterns - LLM模式

操作

1. 定义AI用例
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

复制粘贴提示词

Use @ai-product to design AI-powered features

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

阶段2：LLM集成

调用技能

• 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

操作

1. 选择LLM提供商
2. 设置API访问
3. 实现提示词模板
4. 配置模型参数
5. 添加流式支持
6. 实现错误处理

复制粘贴提示词

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

Use @llm-application-dev-langchain-agent to create LangChain agents

Use @llm-application-dev-prompt-optimize to optimize prompts

阶段3：RAG实现

调用技能

• rag-engineer - RAG工程
• rag-implementation - RAG实现
• embedding-strategies - 嵌入选择
• vector-database-engineer - 向量数据库
• similarity-search-patterns - 相似度搜索
• hybrid-search-implementation - 混合搜索

操作

1. 设计数据管道
2. 选择嵌入模型
3. 设置向量数据库
4. 实现分块策略
5. 配置检索
6. 添加重排序
7. 实现缓存

复制粘贴提示词

Use @rag-engineer to design RAG pipeline

Use @vector-database-engineer to set up vector search

Use @embedding-strategies to select optimal embeddings

阶段4：AI智能体开发

调用技能

• 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 - 计算机使用智能体

操作

1. 设计智能体架构
2. 定义智能体角色
3. 实现工具集成
4. 设置记忆系统
5. 配置编排
6. 添加人机协作

复制粘贴提示词

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

Use @langgraph to create stateful AI workflows

Use @autonomous-agents to design autonomous agent

阶段5：ML管道开发

调用技能

• ml-engineer - ML工程
• mlops-engineer - MLOps
• machine-learning-ops-ml-pipeline - ML管道
• ml-pipeline-workflow - ML工作流
• data-engineer - 数据工程

操作

1. 设计ML管道
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

复制粘贴提示词

Use @ml-engineer to build machine learning pipeline

Use @mlops-engineer to set up MLOps infrastructure

阶段6：AI可观测性

调用技能

• 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
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

复制粘贴提示词

Use @langfuse to set up LLM observability

Use @evaluation to create evaluation framework

阶段7：AI安全

调用技能

• prompt-engineering - 提示词安全
• 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. 监控滥用行为
6. 实现审计日志

AI开发检查清单

LLM集成

• API密钥已安全存储
• 速率限制已配置
• 错误处理已实现
• 流式传输已启用
• Token使用已追踪

RAG系统

• 数据管道正常运行
• 嵌入已生成
• 向量搜索已优化
• 检索准确性已测试
• 缓存已实现

AI智能体

• 智能体角色已定义
• 工具已集成
• 记忆系统正常工作
• 编排已测试
• 错误处理健壮

可观测性

• 追踪已启用
• 指标已收集
• 评估正在运行
• 告警已配置
• 仪表板已创建

质量门控

• 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
• 文档已完成

相关工作流套件

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

限制

• 仅当任务明确符合上述范围时使用此技能。
• 输出内容不能替代环境特定的验证、测试或专家审查。
• 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。