Bundle de flux de travail IA/ML
Aperçu
Flux de travail IA/ML complet pour la création d'applications LLM, la mise en œuvre de systèmes RAG, la création d'agents IA et le développement de pipelines d'apprentissage automatique. Ce bundle orchestre les compétences pour un développement IA en production.
Quand utiliser ce flux de travail
Utilisez ce flux de travail lorsque :
- Vous créez des applications basées sur LLM
- Vous implémentez RAG (Génération Augmentée par Récupération)
- Vous créez des agents IA
- Vous développez des pipelines ML
- Vous ajoutez des fonctionnalités IA à des applications
- Vous mettez en place l'observabilité IA
Phases du flux de travail
Phase 1 : Conception d'application IA
Compétences à invoquer
ai-product- Développement de produits IAai-engineer- Ingénierie IAai-agents-architect- Architecture d'agentsllm-app-patterns- Modèles LLM
Actions
- Définir les cas d'utilisation IA
- Choisir les modèles appropriés
- Concevoir l'architecture du système
- Planifier les flux de données
- Définir les indicateurs de succès
Prompts copier-coller
Utilisez @ai-product pour concevoir des fonctionnalités basées sur l'IA
Utilisez @ai-agents-architect pour concevoir un système multi-agents
Phase 2 : Intégration LLM
Compétences à invoquer
llm-application-dev-ai-assistant- Développement d'assistant IAllm-application-dev-langchain-agent- Agents LangChainllm-application-dev-prompt-optimize- Ingénierie des promptsgemini-api-dev- API Gemini
Actions
- Sélectionner le fournisseur LLM
- Configurer l'accès API
- Implémenter les modèles de prompts
- Configurer les paramètres du modèle
- Ajouter le support du streaming
- Implémenter la gestion des erreurs
Prompts copier-coller
Utilisez @llm-application-dev-ai-assistant pour construire une IA conversationnelle
Utilisez @llm-application-dev-langchain-agent pour créer des agents LangChain
Utilisez @llm-application-dev-prompt-optimize pour optimiser les prompts
Phase 3 : Implémentation RAG
Compétences à invoquer
rag-engineer- Ingénierie RAGrag-implementation- Implémentation RAGembedding-strategies- Sélection d'embeddingsvector-database-engineer- Bases de données vectoriellessimilarity-search-patterns- Recherche par similaritéhybrid-search-implementation- Recherche hybride
Actions
- Concevoir le pipeline de données
- Choisir le modèle d'embedding
- Configurer la base de données vectorielle
- Implémenter la stratégie de segmentation
- Configurer la récupération
- Ajouter le reclassement
- Implémenter la mise en cache
Prompts copier-coller
Utilisez @rag-engineer pour concevoir un pipeline RAG
Utilisez @vector-database-engineer pour configurer la recherche vectorielle
Utilisez @embedding-strategies pour sélectionner les embeddings optimaux
Phase 4 : Développement d'agents IA
Compétences à invoquer
autonomous-agents- Modèles d'agents autonomesautonomous-agent-patterns- Modèles d'agentscrewai- Framework CrewAIlanggraph- LangGraphmulti-agent-patterns- Systèmes multi-agentscomputer-use-agents- Agents utilisant l'ordinateur
Actions
- Concevoir l'architecture de l'agent
- Définir les rôles de l'agent
- Implémenter l'intégration des outils
- Configurer les systèmes de mémoire
- Configurer l'orchestration
- Ajouter une intervention humaine
Prompts copier-coller
Utilisez @crewai pour construire un système multi-agents basé sur les rôles
Utilisez @langgraph pour créer des workflows IA avec état
Utilisez @autonomous-agents pour concevoir un agent autonome
Phase 5 : Développement de pipelines ML
Compétences à invoquer
ml-engineer- Ingénierie MLmlops-engineer- MLOpsmachine-learning-ops-ml-pipeline- Pipelines MLml-pipeline-workflow- Workflows MLdata-engineer- Ingénierie des données
Actions
- Concevoir le pipeline ML
- Configurer le traitement des données
- Implémenter l'entraînement du modèle
- Configurer l'évaluation
- Configurer le registre de modèles
- Déployer les modèles
Prompts copier-coller
Utilisez @ml-engineer pour construire un pipeline d'apprentissage automatique
Utilisez @mlops-engineer pour configurer l'infrastructure MLOps
Phase 6 : Observabilité IA
Compétences à invoquer
langfuse- Observabilité Langfusemanifest- Télémétrie Manifestevaluation- Évaluation IAllm-evaluation- Évaluation LLM
Actions
- Configurer le traçage
- Configurer la journalisation
- Implémenter l'évaluation
- Surveiller les performances
- Suivre les coûts
- Configurer les alertes
Prompts copier-coller
Utilisez @langfuse pour configurer l'observabilité LLM
Utilisez @evaluation pour créer un cadre d'évaluation
Phase 7 : Sécurité IA
Compétences à invoquer
prompt-engineering- Sécurité des promptssecurity-scanning-security-sast- Analyse de sécurité
Actions
- Implémenter la validation des entrées
- Ajouter le filtrage des sorties
- Configurer la limitation de débit
- Configurer les contrôles d'accès
- Surveiller les abus
- Implémenter la journalisation d'audit
Checklist de développement IA
Intégration LLM
- Clés API sécurisées
- Limitation de débit configurée
- Gestion des erreurs implémentée
- Streaming activé
- Utilisation des token suivie
Système RAG
- Pipeline de données fonctionnel
- Embeddings générés
- Recherche vectorielle optimisée
- Précision de la récupération testée
- Mise en cache implémentée
Agents IA
- Rôles des agents définis
- Outils intégrés
- Mémoire fonctionnelle
- Orchestration testée
- Gestion des erreurs robuste
Observabilité
- Traçage activé
- Métriques collectées
- Évaluation en cours
- Alertes configurées
- Tableaux de bord créés
Portes de qualité
- Toutes les fonctionnalités IA testées
- Références de performance atteintes
- Mesures de sécurité en place
- Observabilité configurée
- Documentation complète
Bundles de flux de travail associés
development- Développement d'applicationsdatabase- Gestion des donnéescloud-devops- Infrastructuretesting-qa- Tests IA