构建 LLM 应用与 AI Agent 的全流程开发工作流
解决 AI 项目从设计到部署的碎片化问题：通过一套结构化的工作流，引导开发者完成从 AI 产品设计、RAG 检索增强、智能体构建到 MLOps 监控的全生命周期开发。
为什么需要这个技能
开发一个生产级别的 AI 应用并非简单的 API 调用。它涉及到模型选择、Prompt 优化、知识库构建（RAG）、多 Agent 协同、模型评估及可观测性监控等多个复杂环节。
如果没有标准的工作流，开发者容易在“调优 Prompt”和“处理数据噪声”中陷入死循环。本技能提供了一套从设计到安全防御的完整链路，确保 AI 功能能够稳定、可预测地在生产环境中运行。
适用场景
- 从 0 到 1 构建 AI 产品：需要设计 AI 用例并选择合适的 LLM 方案。
- 实现企业级知识库：需要搭建 RAG（检索增强生成）系统以减少模型幻觉。
- 开发复杂智能体：构建能够自主调用工具、具备记忆能力的多 Agent 系统。
- 优化机器学习流水线：需要从数据工程、模型训练到部署的 MLOps 闭环。
- 提升 AI 系统可靠性：在生产环境中建立可观测性（Observability）和安全审计。
核心工作流
该工作流分为七个核心阶段，每个阶段可调用特定的 AI Skill：
- AI 应用设计：定义用例，通过
@ai-product和@ai-agents-architect规划系统架构与数据流。 - LLM 集成：配置 API，利用
@llm-application-dev-prompt-optimize优化提示词，实现流式输出与错误处理。 - RAG 实现：通过
@rag-engineer和@vector-database-engineer构建向量数据库、设计分块（Chunking）策略与混合检索方案。 - AI Agent 开发：利用
@crewai或@langgraph定义 Agent 角色，集成工具链并设计状态管理。 - ML 管道开发：调用
@ml-engineer和@mlops-engineer实现数据预处理、模型训练与注册。 - AI 可观测性：通过
@langfuse建立追踪（Tracing）与评估体系，监控 Token 消耗与响应质量。 - AI 安全防御：实施输入验证与输出过滤，防止 Prompt 注入等安全风险。
下载和安装
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐