ai-engineer
Entwickeln Sie produktionsreife LLM-Apps mit AI Engineer
Entwickeln Sie schnell produktionsreife LLM-Anwendungen, RAG-Systeme und intelligente KI-Agenten mit Expertenberatung zu Vektorsuche, multimodaler KI und Unternehmensintegrationen.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "ai-engineer". Build a production RAG system for my documentation
Erwartetes Ergebnis:
Ich helfe Ihnen beim Aufbau eines produktionsreifen RAG-Systems. Zunächst skizziere ich die Architektur: 1) Dokumentenverarbeitungspipeline mit Chunking-Strategien, 2) Vektorspeicher mit Qdrant und HNSW-Indexierung, 3) Retrieval mit hybrider Suche, die Vektorähnlichkeit und BM25 kombiniert, 4) Reranking mit CrossEncoder für verbesserte Relevanz. Möchten Sie, dass ich Implementierungscode für eine bestimmte Komponente bereitstelle?
Verwendung von "ai-engineer". How do I implement AI safety in my chatbot?
Erwartetes Ergebnis:
Für KI-Sicherheit in produktionsreifen Chatbots implementieren Sie diese Ebenen: 1) Eingabefilterung mit Prompt-Injection-Erkennung, 2) PII-Erkennung und Redaktion mit Presidio, 3) Ausgabemoderation mit der OpenAI Moderation API, 4) Rate Limiting pro Benutzer zur Missbrauchsprävention. Möchten Sie detaillierte Implementierungsanleitung für eine dieser Komponenten?
Sicherheitsaudit
SicherPrompt-only skill with no executable code. Static analysis scanned 0 files (0 lines) and detected 0 potential security issues. Risk score: 0/100. This is a text-based persona prompt for AI engineering tasks with no scripts, network calls, filesystem access, or external command execution. No prompt injection attempts detected.
Qualitätsbewertung
Was du bauen kannst
Enterprise Knowledge Base RAG
Erstellen Sie ein produktionsreifes RAG-System, das Vektorsuche mit Keyword-Matching kombiniert, um präzise Antworten aus der Unternehmensdokumentation bereitzustellen.
Customer Service AI Agent
Erstellen Sie ein Multi-Agenten-System, das Kundenanfragen mit Eskalationsworkflows und Integration in CRM-Systeme bearbeitet.
Document Analysis Pipeline
Implementieren Sie eine multimodale Pipeline, die Informationen aus PDFs, Bildern und Tabellen für die automatisierte Dokumentenverarbeitung extrahiert.
Probiere diese Prompts
Helfen Sie mir, ein grundlegendes RAG-System mit LangChain und Qdrant für semantische Suche zu erstellen. Inklusive Vektorspeicher, Chunking-Strategie und Retrieval-Pipeline.
Verbessern Sie mein aktuelles RAG-System mit hybrider Suche, Reranking und Query Decomposition. Wie implementiere ich diese Muster in der Produktion?
Entwerfen Sie ein Multi-Agenten-System mit CrewAI mit spezialisierten Rollen für Recherche, Analyse und Berichterstattung. Inklusive Speicherverwaltung und Tool-Integration.
Entwerfen Sie eine kostenoptimierte LLM-Inferenzpipeline mit semantischem Caching, Model Routing basierend auf Query-Komplexität und Budgetkontrollen.
Bewährte Verfahren
- Beginnen Sie mit klaren Erfolgskennzahlen und Evaluierungsframeworks, bevor Sie KI-Systeme erstellen
- Implementieren Sie Observability vom ersten Tag an mit Tracing, Metriken und Logging
- Verwenden Sie strukturierte Ausgaben und Typsicherheit, um zuverlässiges KI-Verhalten zu gewährleisten
Vermeiden
- Erstellung eines Proof-of-Concept ohne Berücksichtigung der Produktionsskalierbarkeit
- Auslassen von Fehlerbehandlung und Fallback-Strategien für KI-Service-Ausfälle
- Ignorieren der Kostenauswirkungen von LLM-Nutzung in Produktionssystemen