KI/ML-Workflow-Bündel
Übersicht
Umfassender KI/ML-Workflow für die Erstellung von LLM-Anwendungen, Implementierung von RAG-Systemen, Erstellung von KI-Agenten und Entwicklung von maschinellen Lernpipelines. Dieses Bündel orchestriert Skills für die Produktion von KI-Entwicklung.
Wann dieser Workflow verwendet werden sollte
Verwenden Sie diesen Workflow, wenn:
- LLM-betriebene Anwendungen entwickelt werden
- RAG (Retrieval-Augmented Generation) implementiert wird
- KI-Agenten erstellt werden
- ML-Pipelines entwickelt werden
- KI-Funktionen zu Anwendungen hinzugefügt werden
- KI-Beobachtbarkeit eingerichtet wird
Workflow-Phasen
Phase 1: KI-Anwendungsdesign
Aufzurufende Skills
ai-product- KI-Produktentwicklungai-engineer- KI-Engineeringai-agents-architect- Agentenarchitekturllm-app-patterns- LLM-Muster
Aktionen
- KI-Anwendungsfälle definieren
- Geeignete Modelle auswählen
- Systemarchitektur entwerfen
- Datenflüsse planen
- Erfolgsmetriken definieren
Copy-Paste-Prompts
Verwenden Sie @ai-product, um KI-gestützte Funktionen zu entwerfen
Verwenden Sie @ai-agents-architect, um Multi-Agent-Systeme zu entwerfen
Phase 2: LLM-Integration
Aufzurufende Skills
llm-application-dev-ai-assistant- KI-Assistentenentwicklungllm-application-dev-langchain-agent- LangChain-Agentenllm-application-dev-prompt-optimize- Prompt-Engineeringgemini-api-dev- Gemini-API
Aktionen
- LLM-Anbieter auswählen
- API-Zugriff einrichten
- Prompt-Vorlagen implementieren
- Modellparameter konfigurieren
- Streaming-Unterstützung hinzufügen
- Fehlerbehandlung implementieren
Copy-Paste-Prompts
Verwenden Sie @llm-application-dev-ai-assistant, um konversationelle KI zu erstellen
Verwenden Sie @llm-application-dev-langchain-agent, um LangChain-Agenten zu erstellen
Verwenden Sie @llm-application-dev-prompt-optimize, um Prompts zu optimieren
Phase 3: RAG-Implementierung
Aufzurufende Skills
rag-engineer- RAG-Engineeringrag-implementation- RAG-Implementierungembedding-strategies- Embedding-Auswahlvector-database-engineer- Vektordatenbankensimilarity-search-patterns- Ähnlichkeitssuchehybrid-search-implementation- Hybride Suche
Aktionen
- Datenpipeline entwerfen
- Embedding-Modell auswählen
- Vektordatenbank einrichten
- Chunking-Strategie implementieren
- Abruf konfigurieren
- Re-Ranking hinzufügen
- Caching implementieren
Copy-Paste-Prompts
Verwenden Sie @rag-engineer, um die RAG-Pipeline zu entwerfen
Verwenden Sie @vector-database-engineer, um die Vektorsuche einzurichten
Verwenden Sie @embedding-strategies, um optimale Embeddings auszuwählen
Phase 4: KI-Agentenentwicklung
Aufzurufende Skills
autonomous-agents- Autonome Agentenmusterautonomous-agent-patterns- Agentenmustercrewai- CrewAI-Frameworklanggraph- LangGraphmulti-agent-patterns- Multi-Agent-Systemecomputer-use-agents- Computer-Nutzungs-Agenten
Aktionen
- Agentenarchitektur entwerfen
- Agentenrollen definieren
- Tool-Integration implementieren
- Gedächtnissysteme einrichten
- Orchestrierung konfigurieren
- Human-in-the-Loop hinzufügen
Copy-Paste-Prompts
Verwenden Sie @crewai, um rollenbasiertes Multi-Agent-System zu erstellen
Verwenden Sie @langgraph, um zustandsbehaftete KI-Workflows zu erstellen
Verwenden Sie @autonomous-agents, um autonome Agenten zu entwerfen
Phase 5: ML-Pipeline-Entwicklung
Aufzurufende Skills
ml-engineer- ML-Engineeringmlops-engineer- MLOpsmachine-learning-ops-ml-pipeline- ML-Pipelinesml-pipeline-workflow- ML-Workflowsdata-engineer- Daten-Engineering
Aktionen
- ML-Pipeline entwerfen
- Datenverarbeitung einrichten
- Modelltraining implementieren
- Evaluierung konfigurieren
- Modellregister einrichten
- Modelle bereitstellen
Copy-Paste-Prompts
Verwenden Sie @ml-engineer, um die Machine-Learning-Pipeline zu erstellen
Verwenden Sie @mlops-engineer, um die MLOps-Infrastruktur einzurichten
Phase 6: KI-Beobachtbarkeit
Aufzurufende Skills
langfuse- Langfuse-Beobachtbarkeitmanifest- Manifest-Telemetrieevaluation- KI-Evaluierungllm-evaluation- LLM-Evaluierung
Aktionen
- Tracing einrichten
- Logging konfigurieren
- Evaluierung implementieren
- Leistung überwachen
- Kosten verfolgen
- Warnungen einrichten
Copy-Paste-Prompts
Verwenden Sie @langfuse, um LLM-Beobachtbarkeit einzurichten
Verwenden Sie @evaluation, um ein Evaluierungs-Framework zu erstellen
Phase 7: KI-Sicherheit
Aufzurufende Skills
prompt-engineering- Prompt-Sicherheitsecurity-scanning-security-sast- Sicherheitsscans
Aktionen
- Eingabevalidierung implementieren
- Ausgabefilter hinzufügen
- Ratenbegrenzung konfigurieren
- Zugriffskontrollen einrichten
- Auf Missbrauch überwachen
- Audit-Logging implementieren
KI-Entwicklungs-Checkliste
LLM-Integration
- API-Schlüssel gesichert
- Ratenbegrenzung konfiguriert
- Fehlerbehandlung implementiert
- Streaming aktiviert
- Token-Nutzung verfolgt
RAG-System
- Datenpipeline funktioniert
- Embeddings generiert
- Vektorsuche optimiert
- Abrufgenauigkeit getestet
- Caching implementiert
KI-Agenten
- Agentenrollen definiert
- Tools integriert
- Gedächtnis funktioniert
- Orchestrierung getestet
- Fehlerbehandlung robust
Beobachtbarkeit
- Tracing aktiviert
- Metriken erfasst
- Evaluierung läuft
- Warnungen konfiguriert
- Dashboards erstellt
Qualitätstore
- Alle KI-Funktionen getestet
- Leistungsbenchmarks erfüllt
- Sicherheitsmaßnahmen vorhanden
- Beobachtbarkeit konfiguriert
- Dokumentation vollständig
Verwandte Workflow-Bündel
development- Anwendungsentwicklungdatabase- Datenverwaltungcloud-devops- Infrastrukturtesting-qa- KI-Tests