ai-ml
Créer des applications IA/ML avec Claude
Ce bundle de flux de travail fournit un guide complet pour créer des applications IA de production, de l'intégration LLM aux systèmes RAG et aux agents IA. Il orchestre plusieurs compétences spécialisées dans un processus de développement cohérent.
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:
Cela déclenche la compétence ai-product pour vous guider dans la conception de fonctionnalités IA avec définition des cas d'utilisation, sélection du modèle et planification de l'architecture.
Utilisation de "ai-ml". Use @rag-engineer to design RAG pipeline
Résultat attendu:
La compétence rag-engineer fournit des conseils sur la conception de pipelines de génération augmentée de récupération, y compris la conception du pipeline de données, la sélection du modèle d'embedding et la configuration de la base de données vectorielle.
Utilisation de "ai-ml". Use @langgraph to create stateful AI workflows
Résultat attendu:
La compétence d'intégration LangGraph aide à créer des flux de travail IA complexes avec état, avec une gestion d'état appropriée et l'orchestration des flux de travail.
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
Créer des applications alimentées par LLM
Suivez le flux de travail par phases pour concevoir, intégrer et déployer des fonctionnalités alimentées par LLM avec une observabilité appropriée.
Implémenter des systèmes RAG
Utilisez la phase d'implémentation RAG pour configurer les bases de données vectorielles, les stratégies d'embedding et les pipelines de récupération.
Créer des systèmes d'agents IA
Concevez des architectures multi-agents utilisant des patterns d'agents autonomes, CrewAI et l'intégration LangGraph.
Essayez ces prompts
Use @ai-product to design AI-powered features for my application. Follow the Phase 1 workflow.
Use @rag-engineer to design RAG pipeline, then @vector-database-engineer to set up vector search, and @embedding-strategies to select optimal embeddings.
Use @crewai to build role-based multi-agent system, then @langgraph to create stateful AI workflows.
Use @ml-engineer to build machine learning pipeline and @mlops-engineer to set up MLOps infrastructure.
Bonnes pratiques
- Suivez les phases du flux de travail dans l'ordre pour un développement IA complet
- Utilisez les éléments de la liste de contrôle pour vous assurer que tous les composants critiques sont traités
- Invoquez des compétences spécialisées pour une expertise approfondie dans chaque domaine
- Appliquez des portes de qualité avant de déployer les fonctionnalités IA en production
Éviter
- Passer des phases du flux de travail - chaque phase s'appuie sur le travail précédent
- Ignorer la phase d'observabilité - les systèmes IA ont besoin de surveillance
- Ne pas suivre les pratiques de sécurité - les fonctionnalités IA nécessitent une validation des entrées et une limitation de taux
- Passer les portes de qualité - les fonctionnalités IA ont besoin de tests approfondis avant le déploiement