ai-ml
Erstellen von AI/ML-Anwendungen mit Claude
Dieses Workflow-Bundle bietet einen umfassenden Leitfaden für die Erstellung produktiver AI-Anwendungen, von der LLM-Integration über RAG-Systeme bis hin zu AI-Agenten. Es orchestriert mehrere spezialisierte Skills zu einem kohäsiven Entwicklungsprozess.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"ai-ml" 사용 중입니다. Use @ai-product to design AI-powered features
예상 결과:
Dies triggert den ai-product Skill, um Sie durch das AI-Feature-Design mit Use-Case-Definition, Modellauswahl und Architekturplanung zu führen.
"ai-ml" 사용 중입니다. Use @rag-engineer to design RAG pipeline
예상 결과:
Der rag-engineer Skill bietet Anleitung zum Entwurf von Retrieval-Augmented-Generation-Pipelines, einschließlich Data-Pipeline-Design, Embedding-Modellauswahl und Vektordatenbank-Setup.
"ai-ml" 사용 중입니다. Use @langgraph to create stateful AI workflows
예상 결과:
Der LangGraph-Integration-Skill hilft beim Erstellen komplexer, zustandsbehafteter AI-Workflows mit proper State-Management und Workflow-Orchestrierung.
보안 감사
안전Static analysis flagged 75 potential issues (external_commands, weak_crypto, system_reconnaissance) but all are false positives. The file is a markdown documentation bundle that orchestrates other skills via reference names in code blocks. No actual code execution, shell commands, or cryptographic operations exist. This is safe for publication.
중간 위험 문제 (3)
품질 점수
만들 수 있는 것
Erstellung von LLM-gesteuerten Anwendungen
Folgen Sie dem phasenbasierten Workflow, um LLM-gesteuerte Features mit proper Observability zu entwerfen, zu integrieren und bereitzustellen.
Implementierung von RAG-Systemen
Nutzen Sie die RAG-Implementierungsphase, um Vektordatenbanken, Embedding-Strategien und Retrieval-Pipelines einzurichten.
Erstellung von AI-Agenten-Systemen
Entwerfen Sie Multi-Agenten-Architekturen mit autonomen Agenten-Patterns, CrewAI und LangGraph-Integration.
이 프롬프트를 사용해 보세요
Verwenden Sie @ai-product, um AI-gesteuerte Features für meine Anwendung zu entwerfen. Folgen Sie dem Phase 1-Workflow.
Verwenden Sie @rag-engineer, um die RAG-Pipeline zu entwerfen, dann @vector-database-engineer, um die Vektorsuche einzurichten, und @embedding-strategies, um optimale Embeddings auszuwählen.
Verwenden Sie @crewai, um ein rollenbasiertes Multi-Agenten-System zu erstellen, dann @langgraph, um zustandsbehaftete AI-Workflows zu erstellen.
Verwenden Sie @ml-engineer, um die Machine-Learning-Pipeline zu erstellen, und @mlops-engineer, um die MLOps-Infrastruktur einzurichten.
모범 사례
- Die Workflow-Phasen der Reihe nach befolgen für umfassende AI-Entwicklung
- Die Checklistenelemente verwenden, um sicherzustellen, dass alle kritischen Komponenten berücksichtigt werden
- Spezialisierte Skills für tiefgehende Expertise in jedem Bereich aufrufen
- Qualitätstore anwenden, bevor AI-Features in Produktion bereitgestellt werden
피하기
- Workflow-Phasen überspringen – jede Phase baut auf der vorherigen Arbeit auf
- Die Observability-Phase ignorieren – AI-Systeme benötigen Monitoring
- Security-Praktiken nicht befolgen – AI-Features benötigen Input-Validierung und Rate-Limiting
- Qualitätstore überspringen – AI-Features benötigen gründliches Testing vor dem Deployment