llm-app-patterns
本番環境の LLM アプリケーションを構築
LLM アプリケーションの構築には、複雑なアーキテクチャ設計の意思決定が必要です。このスキルでは、RAG パイプライン、エージェントシステム、本番運用における実戦で検証されたパターンを提供します。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「llm-app-patterns」を使用しています。 ユーザーの質問：会社の返金ポリシーは何ですか？
期待される結果:
- ベクトルデータベースから関連するポリシー文書を検索
- 取得した文脈に基づき、ソース引用を含めて回答を生成
- 信頼度スコアと文書参照付きでレスポンスを返す
「llm-app-patterns」を使用しています。 ユーザーの質問：気候変動の影響に関する研究プロジェクトを計画して
期待される結果:
- データ収集、傾向分析、ソース特定、レポート草案というステップを含む計画を作成
- ツール呼び出しで各ステップを順次実行
- 調査結果を包括的な研究概要に統合
セキュリティ監査
安全This skill is a documentation file containing educational content about LLM application patterns. All static analysis findings are false positives caused by markdown formatting. The backticks flagged are code block delimiters and ASCII art borders, not shell command execution. URLs are documentation references, not active network calls. Code examples like hashlib.sha256 are illustrative and use secure algorithms. No executable code or security risks detected.
品質スコア
作れるもの
RAG ナレッジベース
ハイブリッド検索と文脈圧縮を使用して、ドキュメントに基づく質問応答システムを構築。
エージェントタスク自動化
ReAct または Plan-and-Execute パターンを使用して、検索、計算、情報統合を実行するマルチステップエージェントを作成。
LLM 本番監視
指標追跡、分散トレーシング、評価フレームワークによる LLM アプリケーションの観測性を実装。
これらのプロンプトを試す
Answer the user's question based ONLY on the following context. If the context doesn't contain enough information, say you don't have enough information.
Context:
{context}
Question: {question}
Answer:You are an AI assistant that can use tools to answer questions.
Available tools:
{tools_description}
Use this format:
Thought: [your reasoning about what to do next]
Action: [tool_name(arguments)]
Observation: [tool result]
... (repeat as needed)
Thought: I have enough information to answer
Final Answer: [your response]
Question: {question}Input: {example1_input}
Output: {example1_output}
Input: {example2_input}
Output: {example2_output}
Input: {user_input}
Output:Step 1 (Research): Research the topic: {input}
Step 2 (Analyze): Analyze these findings: {research}
Step 3 (Summarize): Summarize this analysis in 3 bullet points: {analysis}ベストプラクティス
- より良い検索精度のためにセマンティック検索とキーワード検索を組み合わせたハイブリッド検索を使用
- レイテンシとコストを削減するため、決定的なプロンプトにキャッシュを実装
- 継続的改善のため、レイテンシ、トークン使用量、ユーザー満足度などの主要指標を追跡
回避
- 文脈を破壊する、ドキュメント構造を考慮しない固定サイズチャンキングの使用
- 品質低下を検出できなくなる、評価と監視の省略
- 主要 LLM プロバイダーがダウンした際のフォールバック戦略を実装しないこと