mcpField
A
ai-ml

ai-ml

github.com/sickn33开发48.7k219 次安装今天更新
代码仓库

关于 ai-ml

ai-ml 是面向开发团队的工作流技能包，涵盖 LLM 应用、RAG 系统、AI Agent 和机器学习流水线。它将任务拆分为可选阶段，并提供设计、集成、安全与可观测性方面的指导。

主要功能

  1. 01分阶段组织 AI/ML 开发
  2. 02LLM 应用集成指导
  3. 03RAG 流程设计指导
  4. 04Agent 架构与编排指导
  5. 05ML 流程开发指导
  6. 06安全与可观测性检查

适用场景

  1. 01规划 LLM 应用开发步骤
  2. 02设计 RAG 检索流程
  3. 03开发带工具集成的 Agent
  4. 04设置 ML 流程与监控

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sickn33/agentic-awesome-skills --skill ai-ml

安装后在 Claude Code 中输入/ai-ml确认已加载。

详细介绍

AI/ML 工作流套件

概述

全面的 AI/ML 工作流，用于构建 LLM 应用、实现 RAG 系统、创建 AI Agent，以及开发机器学习流水线。此套件负责协调生产级 AI 开发所需的各项技能。

何时使用此工作流

在以下情况下使用此工作流：

  • 构建由 LLM 驱动的应用
  • 实现 RAG（检索增强生成）
  • 创建 AI Agent
  • 开发 ML 流水线
  • 为应用添加 AI 功能
  • 设置 AI 可观测性

选择与完成

仅选择请求产品所需的阶段；此工作流不授权委派、托管调用、部署、后台任务或外部消息。阅读实际选用的技能和可用工具架构。实施前，定义任务级质量标准、检索／来源检查、数据权限、延迟／时效性限制以及故障恢复方案。在目标环境中验证每项使用的能力；清单项不会因为存在相关指令就自动视为已完成。

工作流阶段

阶段 1：AI 应用设计
要调用的技能
  • ai-product - AI 产品开发
  • ai-engineer - AI 工程
  • ai-agents-architect - Agent 架构
  • llm-app-patterns - LLM 模式
操作
  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
可复制粘贴的提示词
Use @ai-product to design AI-powered features

Use @ai-agents-architect to design multi-agent system
阶段 2：LLM 集成
要调用的技能
  • llm-application-dev-ai-assistant - AI 助手开发
  • llm-application-dev-langchain-agent - LangChain Agent
  • 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. 添加流式传输支持
  6. 实现错误处理
可复制粘贴的提示词
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
要调用的技能
  • 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 - 相似性搜索
  • hybrid-search-implementation - 混合搜索
操作
  1. 设计数据流水线
  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
可复制粘贴的提示词
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 Agent 开发
要调用的技能
  • autonomous-agents - 自主 Agent 模式
  • autonomous-agent-patterns - Agent 模式
  • crewai - CrewAI 框架
  • langgraph - LangGraph
  • multi-agent-patterns - 多 Agent 系统
  • computer-use-agents - 计算机使用 Agent
操作
  1. 设计 Agent 架构
  2. 定义 Agent 角色
  3. 实现工具集成
  4. 设置记忆系统
  5. 配置编排
  6. 添加人在回路机制
可复制粘贴的提示词
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 流水线开发
要调用的技能
  • ml-engineer - ML 工程
  • mlops-engineer - MLOps
  • machine-learning-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
可复制粘贴的提示词
Use @ml-engineer to build machine learning pipeline

Use @mlops-engineer to set up MLOps infrastructure
阶段 6：AI 可观测性
要调用的技能
  • 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
  2. 配置日志记录
  3. 实现评估
  4. 监控性能
  5. 跟踪成本
  6. 设置警报
可复制粘贴的提示词
Use @langfuse to set up LLM observability

Use @evaluation to create evaluation framework
阶段 7：AI 安全
要调用的技能
  • prompt-engineering - 提示词安全
  • security-scanning-security-sast - 安全扫描
操作
  1. 实施输入验证
  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. 实施审计日志记录

AI 开发检查清单

大模型集成
  • 确保 API 密钥安全
  • 配置速率限制
  • 实施错误处理
  • 启用流式传输
  • 跟踪令牌用量
RAG 系统
  • 数据管道正常运行
  • 生成嵌入
  • 优化向量搜索
  • 测试检索准确率
  • 实施缓存
AI Agent
  • 定义 Agent 角色
  • 集成工具
  • 确保记忆正常运行
  • 测试编排
  • 确保错误处理健全
可观测性
  • 启用跟踪
  • 收集指标
  • 运行评估
  • 配置告警
  • 创建仪表板

质量门禁

  • 测试所有 AI 功能
  • 达到性能基准
  • 落实安全措施
  • 配置可观测性
  • 完成文档

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，才使用此技能。
  • 不要将输出视为特定环境验证、测试或专家审查的替代品。
  • 如果缺少必要的输入、权限、安全边界或成功标准，请暂停并请求澄清。

评论

支持 Markdown