ai-product
프로덕션 준비 완료 AI 제품 구축
AI 데모를 프로덕션 시스템으로 전환하세요. 이 스킬은 LLM 통합 패턴, RAG 아키텍처, 검증 전략을 가르쳐 규모 확장 가능한 AI 기능을 출시할 수 있도록 합니다.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"ai-product" 사용 중입니다. 사용자에게 응답하기 전 모든 출력을 검증하는 고객 지원 AI 를 설계하는 것을 도와주세요
예상 결과:
고객 지원 AI 를 위한 프로덕션 준비 완료 아키텍처입니다:
**프롬프트 구조**: 엄격한 출력 형식 지침이 포함된 시스템 프롬프트, 검증 훅이 포함된 템플릿의 사용자 쿼리
**검증 레이어**:
1. 스키마 검증 - 응답이 예상 JSON 구조와 일치하는지 확인
2. 안전성 검사 - 응답 전 유해한 콘텐츠 스캔
3. 사실 검증 - 지식 베이스와 주장 교차 참조
4. 형식 강제 - 응답 길이와 구조 검증
**오류 처리**: 신뢰도가 낮을 경우 인간 상담원으로 우아하게 폴백
"ai-product" 사용 중입니다. LLM 이 너무 느립니다. 체감 지연 시간을 개선하려면 어떻게 해야 하나요?
예상 결과:
다음 기법으로 스트리밍을 구현하세요:
1. **Server-Sent Events (SSE)**: 토큰 생성 시 스트리밍
2. **프로그레시브 UI**: 먼저 스켈레톤 표시, 콘텐츠 도착 시 채우기
3. **낙관적 업데이트**: AI 생성 중일 때 가능성 높은 응답 표시
4. **청크 생성**: 복잡한 응답을 작은 조각으로 분할
이렇게 하면 더 빠른 모델 응답 시간 없이도 체감 지연 시간을 40-60% 줄일 수 있습니다.
보안 감사
안전Static analysis detected 2 false positive patterns related to 'weak cryptographic algorithm' at lines 3 and 58. These are misidentified keywords ('patterns', 'architecture') in documentation text. This is a documentation-only skill with no executable code, network calls, scripts, filesystem access, or external commands. Safe for publication.
감지된 패턴
품질 점수
만들 수 있는 것
LLM 애플리케이션 아키텍처 설계
적절한 검증과 오류 처리로 LLM 을 안전하고 안정적으로 사용하는 프로덕션 시스템을 설계합니다.
AI 출력 검증
사용자에게 제공되기 전에 할루시네이션과 유해한 콘텐츠를 포착하는 안전 시스템과 검증 레이어를 구현합니다.
AI 비용 최적화
프롬프트 최적화, 컨텍스트 관리, 효율적인 토큰 사용으로 LLM API 비용을 80% 절감합니다.
이 프롬프트를 사용해 보세요
[사용 사례 설명] AI 기반 기능을 구축해야 합니다. 다음을 포함한 프로덕션 준비 완료 아키텍처를 설계해주세요: 1) 안정성을 위한 프롬프트 구조화 방법 2) 필요한 검증 레이어 3) 우아한 실패 처리 방법 4) 비용 최적화 전략
프로덕션 배포를 위해 이 프롬프트를 검토해주세요: [프롬프트 삽입]. 다음을 식별하세요: 1) 잠재적 실패 모드 2) 누락된 검증 단계 3) 컨텍스트 윈도우 최적화 기회 4) 비용 관련 문제
AI 시스템이 [특정 컨텍스트] 에서 할루시네이션을 생성하고 있습니다. 현재 프롬프트는 [프롬프트 삽입] 입니다. 정확성을 유지하면서 할루시네이션을 줄이기 위한 수정 사항을 제안해주세요.
LLM 이 [원하는 출력 형식 설명] 을 반환하도록 해야 합니다. 다음을 도와주세요: 1) 스키마 설계 2) 적절한 지침이 포함된 프롬프트 작성 3) 검증 로직 추가 4) 파싱 실패 우아하게 처리
모범 사례
- 프롬프트를 코드로 취급: 버전 관리, CI/CD 에서 테스트, 풀 리퀘스트를 통해 변경 사항 검토
- LLM 출력을 사용하기 전에 항상 스키마 검증과 안전성 검사로 검증
- 심층 방어 구축: 다중 검증 레이어로 단일 검사가 놓치는 것 포착
피하기
- 프로덕션 보강 없이 AI 데모 출시 - 사용자가 규모에서 실패를 경험하게 됨
- 관련 없는 데이터로 컨텍스트 윈도우 채우기 - 비용 증가 및 정확도 감소
- 검증 없이 LLM 출력 신뢰 - 할루시네이션이 프로덕션 사용자에게 전달됨