ai-engineer

AI 工程师

目的

提供端到端 AI 系统开发方面的专业知识，涵盖从大模型集成到生产部署的全过程。包括 RAG 架构、嵌入策略、向量数据库、提示词工程和 AI 应用模式。

适用场景

• 构建由大模型驱动的应用或功能
• 实现 RAG（检索增强生成）系统
• 集成 AI API（OpenAI、Anthropic 等）
• 设计嵌入和向量搜索流水线
• 构建聊天机器人或对话式 AI
• 实现可使用工具的 AI Agent
• 优化 AI 系统的延迟和成本

快速入门

在以下情况调用此技能：

• 构建由大模型驱动的应用或功能
• 使用向量数据库实现 RAG 系统
• 将 AI API 集成到应用中
• 设计嵌入和检索流水线
• 构建对话式 AI 或 Agent

以下情况不要调用：

• 从头开始训练自定义 ML 模型（使用 ml-engineer）
• 将 ML 模型部署到生产基础设施（使用 mlops-engineer）
• 管理多 Agent 协作（使用 agent-organizer）
• 优化大模型服务基础设施（使用 llm-architect）

决策框架

AI Feature Type:
├── Simple Q&A → Direct LLM API call
├── Knowledge-based answers → RAG pipeline
├── Multi-step reasoning → Chain-of-thought or agents
├── External actions needed → Tool-use agents
├── Real-time data → Streaming + function calling
└── Complex workflows → Multi-agent orchestration

核心工作流

1. RAG 流水线实现

1. 使用合适的策略对文档分块
2. 使用合适的模型生成嵌入
3. 将嵌入及元数据存储在向量数据库中
4. 实现语义搜索并进行重排
5. 使用检索到的上下文构造提示词
6. 添加评估和监控

2. 大模型集成

1. 根据使用场景选择合适的模型
2. 设计带版本管理的提示词模板
3. 实现结构化输出解析
4. 添加重试逻辑和备用方案
5. 监控令牌用量和成本
6. 在适当情况下缓存响应

3. AI Agent 开发

1. 定义 Agent 的能力和工具
2. 实现带验证功能的工具接口
3. 设计包含终止条件的 Agent 循环
4. 添加防护措施和安全检查
5. 实现日志记录和追踪
6. 测试边缘情况和故障模式

最佳实践

• 将提示词与应用代码一起进行版本管理
• 使用结构化输出（JSON 模式）提高可靠性
• 为常见查询实现语义缓存
• 在关键决策中加入人工审核
• 监控幻觉率和检索质量
• 设计 AI 故障时的优雅降级方案

反模式

反模式	问题	正确做法
将提示词写在代码中	难以迭代和测试	使用带版本管理的提示词模板
不做评估	无法了解生产环境中的质量	实现评估流水线
同步调用大模型	用户体验缓慢	使用流式响应
上下文不设上限	令牌限制和成本问题	实现上下文窗口管理
没有备用方案	API 出错时系统会故障	添加重试逻辑和替代方案