Bundle de Fluxo de Trabalho de IA/ML
Visão Geral
Fluxo de trabalho abrangente de IA/ML para construir aplicações LLM, implementar sistemas RAG, criar agentes de IA e desenvolver pipelines de aprendizado de máquina. Este bundle orquestra habilidades para desenvolvimento de IA em produção.
Quando Usar Este Fluxo de Trabalho
Use este fluxo de trabalho quando:
- Construindo aplicações alimentadas por LLM
- Implementando RAG (Geração Aumentada por Recuperação)
- Criando agentes de IA
- Desenvolvendo pipelines de ML
- Adicionando funcionalidades de IA a aplicações
- Configurando observabilidade de IA
Fases do Fluxo de Trabalho
Fase 1: Design de Aplicação de IA
Habilidades a Invocar
ai-product- Desenvolvimento de produto de IAai-engineer- Engenharia de IAai-agents-architect- Arquitetura de agentesllm-app-patterns- Padrões de LLM
Ações
- Definir casos de uso de IA
- Escolher modelos apropriados
- Projetar arquitetura do sistema
- Planejar fluxos de dados
- Definir métricas de sucesso
Prompts de Copiar e Colar
Use @ai-product para projetar funcionalidades alimentadas por IA
Use @ai-agents-architect para projetar sistema multiagente
Fase 2: Integração com LLM
Habilidades a Invocar
llm-application-dev-ai-assistant- Desenvolvimento de assistente de IAllm-application-dev-langchain-agent- Agentes LangChainllm-application-dev-prompt-optimize- Engenharia de promptgemini-api-dev- API Gemini
Ações
- Selecionar provedor de LLM
- Configurar acesso à API
- Implementar templates de prompt
- Configurar parâmetros do modelo
- Adicionar suporte a streaming
- Implementar tratamento de erros
Prompts de Copiar e Colar
Use @llm-application-dev-ai-assistant para construir IA conversacional
Use @llm-application-dev-langchain-agent para criar agentes LangChain
Use @llm-application-dev-prompt-optimize para otimizar prompts
Fase 3: Implementação RAG
Habilidades a Invocar
rag-engineer- Engenharia RAGrag-implementation- Implementação RAGembedding-strategies- Seleção de embeddingsvector-database-engineer- Bancos de dados vetoriaissimilarity-search-patterns- Busca por similaridadehybrid-search-implementation- Busca híbrida
Ações
- Projetar pipeline de dados
- Escolher modelo de embedding
- Configurar banco de dados vetorial
- Implementar estratégia de chunking
- Configurar recuperação
- Adicionar reranking
- Implementar cache
Prompts de Copiar e Colar
Use @rag-engineer para projetar pipeline RAG
Use @vector-database-engineer para configurar busca vetorial
Use @embedding-strategies para selecionar embeddings ideais
Fase 4: Desenvolvimento de Agentes de IA
Habilidades a Invocar
autonomous-agents- Padrões de agentes autônomosautonomous-agent-patterns- Padrões de agentescrewai- Framework CrewAIlanggraph- LangGraphmulti-agent-patterns- Sistemas multiagentescomputer-use-agents- Agentes de uso de computador
Ações
- Projetar arquitetura do agente
- Definir papéis dos agentes
- Implementar integração de ferramentas
- Configurar sistemas de memória
- Configurar orquestração
- Adicionar humano no circuito
Prompts de Copiar e Colar
Use @crewai para construir sistema multiagente baseado em papéis
Use @langgraph para criar fluxos de trabalho de IA com estado
Use @autonomous-agents para projetar agente autônomo
Fase 5: Desenvolvimento de Pipeline de ML
Habilidades a Invocar
ml-engineer- Engenharia de MLmlops-engineer- MLOpsmachine-learning-ops-ml-pipeline- Pipelines de MLml-pipeline-workflow- Fluxos de trabalho de MLdata-engineer- Engenharia de dados
Ações
- Projetar pipeline de ML
- Configurar processamento de dados
- Implementar treinamento de modelo
- Configurar avaliação
- Configurar registro de modelos
- Implantar modelos
Prompts de Copiar e Colar
Use @ml-engineer para construir pipeline de aprendizado de máquina
Use @mlops-engineer para configurar infraestrutura MLOps
Fase 6: Observabilidade de IA
Habilidades a Invocar
langfuse- Observabilidade Langfusemanifest- Telemetria Manifestevaluation- Avaliação de IAllm-evaluation- Avaliação de LLM
Ações
- Configurar tracing
- Configurar logging
- Implementar avaliação
- Monitorar desempenho
- Rastrear custos
- Configurar alertas
Prompts de Copiar e Colar
Use @langfuse para configurar observabilidade de LLM
Use @evaluation para criar framework de avaliação
Fase 7: Segurança de IA
Habilidades a Invocar
prompt-engineering- Segurança de promptsecurity-scanning-security-sast- Varredura de segurança
Ações
- Implementar validação de entrada
- Adicionar filtragem de saída
- Configurar limitação de taxa
- Configurar controles de acesso
- Monitorar abuso
- Implementar log de auditoria
Lista de Verificação de Desenvolvimento de IA
Integração com LLM
- Chaves de API seguras
- Limitação de taxa configurada
- Tratamento de erros implementado
- Streaming habilitado
- Uso de tokens rastreado
Sistema RAG
- Pipeline de dados funcionando
- Embeddings gerados
- Busca vetorial otimizada
- Precisão de recuperação testada
- Cache implementado
Agentes de IA
- Papéis dos agentes definidos
- Ferramentas integradas
- Memória funcionando
- Orquestração testada
- Tratamento de erros robusto
Observabilidade
- Tracing habilitado
- Métricas coletadas
- Avaliação em execução
- Alertas configurados
- Dashboards criados
Gateways de Qualidade
- Todas as funcionalidades de IA testadas
- Benchmarks de desempenho atendidos
- Medidas de segurança em vigor
- Observabilidade configurada
- Documentação completa
Bundles de Fluxo de Trabalho Relacionados
development- Desenvolvimento de aplicaçõesdatabase- Gerenciamento de dadoscloud-devops- Infraestruturatesting-qa- Testes de IA