---

name: ai-ml description: "AI 与机器学习工作流，涵盖 LLM 应用开发、RAG 实现、智能体架构、ML 流水线和 AI 驱动功能。" category: workflow-bundle risk: safe source: personal date_added: "2026-02-27"

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 智能体和开发机器学习流水线。此套件协调各项技能以实现生产级 AI 开发。

何时使用此工作流

在以下情况下使用此工作流：

• 构建 LLM 驱动的应用
• 实现 RAG（检索增强生成）
• 创建 AI 智能体
• 开发 ML 流水线
• 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

需要调用的技能

• 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

操作步骤

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

需要调用的技能

• 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

操作步骤

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. 添加流式输出支持
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

需要调用的技能

• rag-engineer - RAG 工程
• rag-implementation - RAG 实现
• embedding-strategies - 嵌入策略选择
• vector-database-engineer - 向量数据库
• similarity-search-patterns - 相似性搜索
• hybrid-search-implementation - 混合搜索

操作步骤

1. 设计数据流水线
2. 选择嵌入模型
3. 搭建向量数据库
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

需要调用的技能

• 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

操作步骤

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

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 流水线开发

需要调用的技能

• 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

操作步骤

1. 设计 ML 流水线
2. 搭建数据处理
3. 实现模型训练
4. 配置评估
5. 搭建模型注册中心
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

需要调用的技能

• langfuse - Langfuse 可观测性
• manifest - Manifest 遥测
• evaluation - AI 评估
• llm-evaluation - LLM 评估

操作步骤

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

需要调用的技能

• prompt-engineering - 提示词安全
• security-scanning-security-sast - 安全扫描

操作步骤

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
• [ ] 流式输出已启用
• [ ] Token 使用量已追踪

RAG 系统

• [ ] 数据流水线正常运行
• [ ] 嵌入已生成
• [ ] 向量搜索已优化
• [ ] 检索准确率已测试