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.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "ai-ml". Use @ai-product to design AI-powered features
Résultat attendu:
Dies triggert den ai-product Skill, um Sie durch das AI-Feature-Design mit Use-Case-Definition, Modellauswahl und Architekturplanung zu führen.
Utilisation de "ai-ml". Use @rag-engineer to design RAG pipeline
Résultat attendu:
Der rag-engineer Skill bietet Anleitung zum Entwurf von Retrieval-Augmented-Generation-Pipelines, einschließlich Data-Pipeline-Design, Embedding-Modellauswahl und Vektordatenbank-Setup.
Utilisation de "ai-ml". Use @langgraph to create stateful AI workflows
Résultat attendu:
Der LangGraph-Integration-Skill hilft beim Erstellen komplexer, zustandsbehafteter AI-Workflows mit proper State-Management und Workflow-Orchestrierung.
Audit de sécurité
SûrStatic 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.
Problèmes à risque moyen (3)
Score de qualité
Ce que vous pouvez construire
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.
Essayez ces prompts
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.
Bonnes pratiques
- 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
Éviter
- 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