Bundle de Flujo de Trabajo de IA/ML
Resumen
Flujo de trabajo integral de IA/ML para construir aplicaciones LLM, implementar sistemas RAG, crear agentes de IA y desarrollar pipelines de aprendizaje automático. Este bundle orquesta habilidades para el desarrollo de IA en producción.
Cuándo usar este flujo de trabajo
Usa este flujo de trabajo cuando:
- Construyas aplicaciones potenciadas por LLM
- Implementes RAG (Recuperación Aumentada por Generación)
- Creases agentes de IA
- Desarrolles pipelines de ML
- Añadas funciones de IA a aplicaciones
- Configures observabilidad de IA
Fases del flujo de trabajo
Fase 1: Diseño de aplicación de IA
Habilidades a invocar
ai-product- Desarrollo de producto de IAai-engineer- Ingeniería de IAai-agents-architect- Arquitectura de agentesllm-app-patterns- Patrones LLM
Acciones
- Definir casos de uso de IA
- Elegir modelos apropiados
- Diseñar arquitectura del sistema
- Planificar flujos de datos
- Definir métricas de éxito
Prompts de copiar y pegar
Usa @ai-product para diseñar funciones potenciadas por IA
Usa @ai-agents-architect para diseñar un sistema multi-agente
Fase 2: Integración de LLM
Habilidades a invocar
llm-application-dev-ai-assistant- Desarrollo de asistente de IAllm-application-dev-langchain-agent- Agentes LangChainllm-application-dev-prompt-optimize- Ingeniería de promptsgemini-api-dev- API de Gemini
Acciones
- Seleccionar proveedor de LLM
- Configurar acceso a API
- Implementar plantillas de prompts
- Configurar parámetros del modelo
- Añadir soporte de streaming
- Implementar manejo de errores
Prompts de copiar y pegar
Usa @llm-application-dev-ai-assistant para construir IA conversacional
Usa @llm-application-dev-langchain-agent para crear agentes LangChain
Usa @llm-application-dev-prompt-optimize para optimizar prompts
Fase 3: Implementación de RAG
Habilidades a invocar
rag-engineer- Ingeniería de RAGrag-implementation- Implementación de RAGembedding-strategies- Selección de embeddingsvector-database-engineer- Bases de datos vectorialessimilarity-search-patterns- Búsqueda por similitudhybrid-search-implementation- Búsqueda híbrida
Acciones
- Diseñar pipeline de datos
- Elegir modelo de embeddings
- Configurar base de datos vectorial
- Implementar estrategia de chunking
- Configurar recuperación
- Añadir reordenamiento
- Implementar almacenamiento en caché
Prompts de copiar y pegar
Usa @rag-engineer para diseñar un pipeline RAG
Usa @vector-database-engineer para configurar búsqueda vectorial
Usa @embedding-strategies para seleccionar embeddings óptimos
Fase 4: Desarrollo de agentes de IA
Habilidades a invocar
autonomous-agents- Patrones de agentes autónomosautonomous-agent-patterns- Patrones de agentescrewai- Framework CrewAIlanggraph- LangGraphmulti-agent-patterns- Sistemas multi-agentecomputer-use-agents- Agentes de uso de ordenador
Acciones
- Diseñar arquitectura del agente
- Definir roles del agente
- Implementar integración de herramientas
- Configurar sistemas de memoria
- Configurar orquestación
- Añadir supervisión humana (human-in-the-loop)
Prompts de copiar y pegar
Usa @crewai para construir un sistema multi-agente basado en roles
Usa @langgraph para crear flujos de trabajo de IA con estado
Usa @autonomous-agents para diseñar un agente autónomo
Fase 5: Desarrollo de pipeline de ML
Habilidades a invocar
ml-engineer- Ingeniería de MLmlops-engineer- MLOpsmachine-learning-ops-ml-pipeline- Pipelines de MLml-pipeline-workflow- Flujos de trabajo de MLdata-engineer- Ingeniería de datos
Acciones
- Diseñar pipeline de ML
- Configurar procesamiento de datos
- Implementar entrenamiento del modelo
- Configurar evaluación
- Configurar registro de modelos
- Desplegar modelos
Prompts de copiar y pegar
Usa @ml-engineer para construir un pipeline de aprendizaje automático
Usa @mlops-engineer para configurar la infraestructura de MLOps
Fase 6: Observabilidad de IA
Habilidades a invocar
langfuse- Observabilidad con Langfusemanifest- Telemetría con Manifestevaluation- Evaluación de IAllm-evaluation- Evaluación de LLM
Acciones
- Configurar trazabilidad
- Configurar registro de eventos
- Implementar evaluación
- Monitorear rendimiento
- Rastrear costos
- Configurar alertas
Prompts de copiar y pegar
Usa @langfuse para configurar observabilidad de LLM
Usa @evaluation para crear un framework de evaluación
Fase 7: Seguridad de IA
Habilidades a invocar
prompt-engineering- Seguridad de promptssecurity-scanning-security-sast- Escaneo de seguridad
Acciones
- Implementar validación de entrada
- Añadir filtrado de salida
- Configurar límite de tasa
- Configurar controles de acceso
- Monitorear abusos
- Implementar registro de auditoría
Lista de verificación de desarrollo de IA
Integración de LLM
- Claves de API aseguradas
- Límite de tasa configurado
- Manejo de errores implementado
- Streaming habilitado
- Uso de tokens rastreado
Sistema RAG
- Pipeline de datos funcionando
- Embeddings generados
- Búsqueda vectorial optimizada
- Precisión de recuperación probada
- Almacenamiento en caché implementado
Agentes de IA
- Roles de agentes definidos
- Herramientas integradas
- Memoria funcionando
- Orquestación probada
- Manejo de errores robusto
Observabilidad
- Trazabilidad habilitada
- Métricas recopiladas
- Evaluación en ejecución
- Alertas configuradas
- Paneles de control creados
Puertas de calidad
- Todas las funciones de IA probadas
- Benchmarks de rendimiento cumplidos
- Medidas de seguridad implementadas
- Observabilidad configurada
- Documentación completa
Bundles de flujo de trabajo relacionados
development- Desarrollo de aplicacionesdatabase- Gestión de datoscloud-devops- Infraestructuratesting-qa- Pruebas de IA