llm-app-patterns
Entwurfsmuster für LLM-Anwendungen
LLM-Anwendungen können ohne klare Muster für Retrieval, Agenten, Prompts und Monitoring scheitern. Diese Skill bietet praktische Vorlagen für RAG, Agenten, Prompt-Workflows und LLMOps.
Mit meinem Agent installieren
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "llm-app-patterns" from https://skillstore.io/skills/sickn33-llm-app-patterns.md and its manifest at https://skillstore.io/api/skills/sickn33-llm-app-patterns/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Agent-lesbare Ressourcen
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
Testen
„llm-app-patterns“ wird verwendet. Entwirf einen RAG-Chatbot für interne Richtlinien.
Erwartetes Ergebnis:
Ein RAG-Plan mit dokumentbewusstem Chunking, hybridem Retrieval, fundierter Generierung, Zitaten und Evaluierungsmetriken.
„llm-app-patterns“ wird verwendet. Wähle ein Agentenmuster für einen Support-Workflow aus.
Erwartetes Ergebnis:
Ein Vergleich von Function Calling und ReAct, mit einer Empfehlung basierend auf Tool-Anzahl, Validierungsbedarf und betrieblichem Risiko.
„llm-app-patterns“ wird verwendet. Verbessere die Zuverlässigkeit von LLMs in Produktion.
Erwartetes Ergebnis:
Ein Monitoring-Plan, der Latenz-Perzentile, Fehlerrate, Halluzinationsprüfungen, Kostenverfolgung, Retries, Caching und Regeln für Fallback-Modelle abdeckt.
Sicherheitsaudit
Mittleres RisikoMost static findings are false positives caused by Markdown code fences, reference links, generic database variables, and RAG terminology. Two semantic concerns remain in the examples: prompt/user logging without redaction and agent tool execution without explicit guardrails. No prompt injection attempt or malicious exfiltration intent was found in SKILL.md.
Bestätigte Sicherheitsbedenken (2)
Risikofaktoren
⚙️ Externe Befehle (37)
🌐 Netzwerkzugriff (6)
Diesen Bericht teilen & zitieren
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
Berichtslink kopieren
https://skillstore.io/skills/sickn33-llm-app-patterns/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown-Badge
[](https://skillstore.io/skills/sickn33-llm-app-patterns?utm_source=security_passport_badge)HTML-Badge
<a href="https://skillstore.io/skills/sickn33-llm-app-patterns?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-llm-app-patterns/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Einbettungskarte
<iframe src="https://skillstore.io/embed/skills/sickn33-llm-app-patterns.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Wissenschaftliche Zitate (APA · BibTeX · CFF)
APA-Zitat
sickn33. (2026). llm-app-patterns security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-llm-app-patterns/audits/4BibTeX-Zitat
@techreport{sickn33-sickn33-llm-app-patterns-2026,
author = {sickn33},
title = {llm-app-patterns security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-llm-app-patterns/audits/4},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "llm-app-patterns security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-llm-app-patterns/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-llm-app-patterns:audit:4"
description: "Skillstore immutable audit report identifier"
Skillstore-Score
Warum dieser Score Evidenzvertrauen: HochWas Sie erstellen können
Einen RAG-Wissensassistenten planen
Wähle Chunking-, Embedding-, Retrieval-, Prompting- und Zitiermuster für einen fundierten Assistenten.
Eine Agentenarchitektur auswählen
Vergleiche ReAct, Function Calling, Plan-and-Execute und Multi-Agent-Designs für eine Aufgabe.
LLMOps-Monitoring definieren
Lege Metriken für Latenz, Qualität, Kosten, Zuverlässigkeit, Evaluierung, Retries, Caching und Fallbacks fest.
Diese Prompts ausprobieren
Verwende die llm-app-patterns Skill, um ein RAG-Design für eine Support-Wissensdatenbank zu empfehlen. Beziehe Entscheidungen zu Ingestion, Retrieval und Generierung ein.
Verwende die llm-app-patterns Skill, um ReAct, Function Calling, Plan-and-Execute und Multi-Agent-Designs für meinen Workflow zu vergleichen. Liste Tradeoffs und Risiken auf.
Verwende die llm-app-patterns Skill, um Monitoring-Metriken für ein LLM-Feature zu definieren. Decke Qualität, Kosten, Latenz, Zuverlässigkeit und Alerting ab.
Verwende die llm-app-patterns Skill, um diese LLM-Architektur hinsichtlich Retrieval-Qualität, Tool-Sicherheit, Observability, Caching, Rate Limits und Fallback-Verhalten zu prüfen.
Bewährte Praktiken
- Behandle alle Beispiele als Ausgangspunkte und ergänze Sicherheitskontrollen vor dem Produktionseinsatz.
- Passe die Architekturkomplexität an Aufgabe, Kostengrenzen und betriebliche Reife an.
- Miss Qualität, Latenz, Kosten und Sicherheit, bevor du ein LLM-Feature erweiterst.
Vermeiden
- Beispiele zur Ausführung von Agenten-Tools ohne Allowlists oder Argumentvalidierung kopieren.
- Prompts oder Benutzerkennungen ohne Schwärzung, Aufbewahrungsgrenzen und Zugriffskontrollen protokollieren.
- Multi-Agent-Designs wählen, wenn ein einfacher RAG- oder Function-Calling-Flow ausreicht.