AI/ML ワークフローバンドル
概要
LLMアプリケーションの構築、RAGシステムの実装、AIエージェントの作成、機械学習パイプラインの開発をカバーする包括的なAI/MLワークフローです。このバンドルは、本番AI開発のためのスキルを統合します。
このワークフローを使用すべきタイミング
以下の場合にこのワークフローを使用します:
- LLMベースのアプリケーションを構築する場合
- RAG(検索拡張生成)を実装する場合
- AIエージェントを作成する場合
- MLパイプラインを開発する場合
- アプリケーションにAI機能を追加する場合
- AI可観測性を設定する場合
ワークフローフェーズ
フェーズ1: AIアプリケーション設計
呼び出すスキル
ai-product- AIプロダクト開発ai-engineer- AIエンジニアリングai-agents-architect- エージェントアーキテクチャllm-app-patterns- LLMパターン
アクション
- AIユースケースを定義する
- 適切なモデルを選択する
- システムアーキテクチャを設計する
- データフローを計画する
- 成功指標を定義する
コピペ用プロンプト
@ai-product を使用してAI搭載機能を設計する
@ai-agents-architect を使用してマルチエージェントシステムを設計する
フェーズ2: LLM統合
呼び出すスキル
llm-application-dev-ai-assistant- AIアシスタント開発llm-application-dev-langchain-agent- LangChainエージェントllm-application-dev-prompt-optimize- プロンプトエンジニアリングgemini-api-dev- Gemini API
アクション
- LLMプロバイダーを選択する
- APIアクセスを設定する
- プロンプトテンプレートを実装する
- モデルパラメータを設定する
- ストリーミングサポートを追加する
- エラーハンドリングを実装する
コピペ用プロンプト
@llm-application-dev-ai-assistant を使用して会話型AIを構築する
@llm-application-dev-langchain-agent を使用してLangChainエージェントを作成する
@llm-application-dev-prompt-optimize を使用してプロンプトを最適化する
フェーズ3: RAG実装
呼び出すスキル
rag-engineer- RAGエンジニアリングrag-implementation- RAG実装embedding-strategies- 埋め込み選択vector-database-engineer- ベクトルデータベースsimilarity-search-patterns- 類似性検索hybrid-search-implementation- ハイブリッド検索
アクション
- データパイプラインを設計する
- 埋め込みモデルを選択する
- ベクトルデータベースを設定する
- チャンキング戦略を実装する
- 検索を設定する
- リランキングを追加する
- キャッシングを実装する
コピペ用プロンプト
@rag-engineer を使用してRAGパイプラインを設計する
@vector-database-engineer を使用してベクトル検索を設定する
@embedding-strategies を使用して最適な埋め込みを選択する
フェーズ4: AIエージェント開発
呼び出すスキル
autonomous-agents- 自律エージェントパターンautonomous-agent-patterns- エージェントパターンcrewai- CrewAIフレームワークlanggraph- LangGraphmulti-agent-patterns- マルチエージェントシステムcomputer-use-agents- コンピューター操作エージェント
アクション
- エージェントアーキテクチャを設計する
- エージェントの役割を定義する
- ツール統合を実装する
- メモリシステムを設定する
- オーケストレーションを設定する
- ヒューマンインザループを追加する
コピペ用プロンプト
@crewai を使用して役割ベースのマルチエージェントシステムを構築する
@langgraph を使用してステートフルAIワークフローを作成する
@autonomous-agents を使用して自律エージェントを設計する
フェーズ5: MLパイプライン開発
呼び出すスキル
ml-engineer- MLエンジニアリングmlops-engineer- MLOpsmachine-learning-ops-ml-pipeline- MLパイプラインml-pipeline-workflow- MLワークフローdata-engineer- データエンジニアリング
アクション
- MLパイプラインを設計する
- データ処理を設定する
- モデルトレーニングを実装する
- 評価を設定する
- モデルレジストリを設定する
- モデルをデプロイする
コピペ用プロンプト
@ml-engineer を使用して機械学習パイプラインを構築する
@mlops-engineer を使用してMLOpsインフラを設定する
フェーズ6: AI可観測性
呼び出すスキル
langfuse- Langfuse可観測性manifest- Manifestテレメトリーevaluation- AI評価llm-evaluation- LLM評価
アクション
- トレーシングを設定する
- ログ記録を設定する
- 評価を実装する
- パフォーマンスを監視する
- コストを追跡する
- アラートを設定する
コピペ用プロンプト
@langfuse を使用してLLM可観測性を設定する
@evaluation を使用して評価フレームワークを作成する
フェーズ7: AIセキュリティ
呼び出すスキル
prompt-engineering- プロンプトセキュリティsecurity-scanning-security-sast- セキュリティスキャン
アクション
- 入力検証を実装する
- 出力フィルタリングを追加する
- レート制限を設定する
- アクセス制御を設定する
- 悪用を監視する
- 監査ログを実装する
AI開発チェックリスト
LLM統合
- APIキーが保護されている
- レート制限が設定されている
- エラーハンドリングが実装されている
- ストリーミングが有効
- トークン使用量が追跡されている
RAGシステム
- データパイプラインが動作している
- 埋め込みが生成されている
- ベクトル検索が最適化されている
- 検索精度がテストされている
- キャッシングが実装されている
AIエージェント
- エージェントの役割が定義されている
- ツールが統合されている
- メモリが動作している
- オーケストレーションがテストされている
- エラーハンドリングが堅牢
可観測性
- トレーシングが有効
- メトリクスが収集されている
- 評価が動作している
- アラートが設定されている
- ダッシュボードが作成されている
品質ゲート
- すべてのAI機能がテストされている
- パフォーマンスベンチマークが達成されている
- セキュリティ対策が整っている
- 可観測性が設定されている
- ドキュメントが完了している
関連ワークフローバンドル
development- アプリケーション開発database- データ管理cloud-devops- インフラtesting-qa- AIテスト