ai-ml
使用 Claude 構建 AI/ML 應用程式
此工作流程套件提供構建生產級 AI 應用程式的綜合指南，涵蓋從 LLM 整合到 RAG 系統和 AI 代理。它將多個專業技能協調為一個連貫的開發流程。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「ai-ml」。 Use @ai-product to design AI-powered features
預期結果:
這將觸發 ai-product 技能，引導您完成 AI 功能設計，包括使用案例定義、模型選擇和架構規劃。
正在使用「ai-ml」。 Use @rag-engineer to design RAG pipeline
預期結果:
rag-engineer 技能提供設計檢索增強生成管線的指導，包括資料管線設計、嵌入模型選擇和向量資料庫設置。
正在使用「ai-ml」。 Use @langgraph to create stateful AI workflows
預期結果:
LangGraph 整合技能幫助創建具有適當狀態管理和工作流程協調的複雜、有狀態 AI 工作流程。
安全審計
安全Static 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.
中風險問題 (3)
品質評分
你能建構什麼
構建 LLM 驅動的應用程式
遵循分階段工作流程，設計、整合和部署具有適當可觀察性的 LLM 驅動功能。
實作 RAG 系統
使用 RAG 實作階段設置向量資料庫、嵌入策略和檢索管線。
創建 AI 代理系統
使用自主代理模式、CrewAI 和 LangGraph 整合設計多代理架構。
試試這些提示
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.
最佳實務
- 按順序遵循工作流程階段以進行全面的 AI 開發
- 使用檢查清單項目確保所有關鍵組件都得到處理
- 調用專業技能以獲得各個領域的深度專業知識
- 在將 AI 功能部署到生產環境之前應用品質閘道
避免
- 跳過工作流程階段 - 每個階段都建立在前一個工作的基礎上
- 忽略可觀察性階段 - AI 系統需要監控
- 不遵循安全實踐 - AI 功能需要輸入驗證和速率限制
- 跳過品質閘道 - AI 功能在部署前需要徹底測試