llm-app-patterns
构建生产级 LLM 应用程序
构建 LLM 应用程序需要应对复杂的架构决策。本技能提供 RAG 管道、代理系统和生产运营的实战验证模式。
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“llm-app-patterns”。 用户问：公司的退款政策是什么？
预期结果:
- 从向量数据库检索相关策略文档
- 基于检索到的上下文生成带有来源引用的回答
- 返回带有置信度分数和文档引用的响应
正在使用“llm-app-patterns”。 用户问：制定一个关于气候变化影响的研究项目计划
预期结果:
- 创建包含以下步骤的计划：收集数据、分析趋势、确定来源、起草报告
- 通过工具调用按顺序执行每个步骤
- 将发现综合为全面的研究大纲
安全审计
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.
质量评分
你能构建什么
RAG 知识库
使用混合搜索和上下文压缩，构建基于文档的问答系统。
代理任务自动化
创建能够搜索、计算和综合信息的多步骤代理，使用 ReAct 或计划-执行模式。
LLM 生产监控
通过指标跟踪、分布式追踪和评估框架，实现 LLM 应用程序的可观测性。
试试这些提示
仅根据以下上下文回答用户的问题。如果上下文未包含足够信息，请说明你没有足够的信息。
上下文：
{context}
问题：{question}
回答：你可以使用工具来回答问题的 AI 助手。
可用工具：
{tools_description}
使用以下格式：
Thought：[关于下一步操作的推理]
Action：[tool_name(arguments)]
Observation：[工具结果]
...（根据需要重复）
Thought：我有足够的信息来回答
Final Answer：[你的回答]
问题：{question}输入：{example1_input}
输出：{example1_output}
输入：{example2_input}
输出：{example2_output}
输入：{user_input}
输出：步骤 1（研究）：研究主题：{input}
步骤 2（分析）：分析这些发现：{research}
步骤 3（总结）：用 3 个要点总结此分析：{analysis}最佳实践
- 使用结合语义匹配和关键词匹配的混合搜索以提高检索准确性
- 对确定性提示词实施缓存以降低延迟和成本
- 跟踪关键指标（如延迟、令牌使用量和用户满意度）以持续改进
避免
- 使用不考虑文档结构的固定大小分块，这会破坏上下文
- 跳过评估和监控，导致无法检测质量下降
- 当主要 LLM 提供商出现故障时未实施降级策略