大模型应用工程提效工作台
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,将 @kunlungrowth/kunlun-llm-app 安装到 AI 助手。
技能介绍
解决哪些工程问题
大模型应用落地时,几个工程问题反复出现:代码评审没有统一标准,不同 reviewer 关注点不一,PR 讨论容易滑向风格之争;技术方案在群里口头讨论,事后没人能说清「为什么选 A 不选 B」;线上报错先改代码再复现,结果修到的是个假根因;接口契约前后端各写一份,联调时才发现字段和错误码对不上。
这个技能提供的是一套结构化方法论、模板与检查清单,不接任何外部服务,不涉及密钥或账号,只把实践中验证过的思路固化成可直接使用的产出物。
能力地图与关键工作流
六项核心能力,听到触发词即进入对应模块:
- 代码评审:输入
diff或 PR,产出检查清单并按阻断/建议/可选三级标注 - 技术方案设计:输入需求与约束,给出含
背景/目标/选型/风险的方案模板 - 调试排错:输入报错信息与上下文,产出定位树、复现步骤和修复验证路径,先复现再动手
- 架构权衡:输入场景与规模,输出对比表,含利弊、适用条件与长期成本
- API 设计:输入资源与操作,产出 RESTful 规范、字段契约和错误码
- 工程规范:输入语言或框架,输出实践清单与反模式提醒
两条端到端工作流值得展开:
- 代码评审:先读懂这版改什么(意图),再依次检查正确性(逻辑/边界/并发/空值)、安全、可维护性,最后给出
阻断/建议/通过结论并逐条给理由。常见卡点是只看风格——正确性优先,格式往后放。 - 线上排错:稳定复现 → 隔离变量(环境/数据/版本)→ 看证据(日志/链路/指标)→ 二分假设 → 修复回归复盘。最大的坑是
没复现就改代码和凭直觉猜根因。
还有两项配套内容:代码质量评分(5维)量表覆盖 正确性 / 可读性 / 测试 / 安全 / 性能,给 Review 提供量化依据,避免评价过于主观;来源页的行业纵深方法论讨论评审原则、方案取舍和渐进式架构演进,适合技术负责人带团队一起看。
适用边界
这套方法定位是辅助评审与结构化思考,不替代专业判断。合规护栏明确三条:涉及密钥凭证只给脱敏示例,不处理真实凭据;评审结论仅供参考,最终合并决策由负责人承担;不鼓励绕过安全机制。输出贴合度也取决于输入——补充更多人群/场景/约束上下文能让结果更贴近实际,输入太单薄则容易偏通用。
使用场景
- Code Review 时需要按阻断/建议/可选分级给意见
- 大模型应用上线前需要输出含选型与风险的技术方案
- 线上报错时需要定位树与复现步骤而非直接改代码
- 接口联调前需要 RESTful 字段契约与错误码约定
适合人员
- 后端工程师:需要评审他人 PR 并保障线上稳定性
- 前端工程师:需要在联调前与后端对齐接口契约
- 技术负责人:需要在方案评审中做架构取舍判断
- 独立开发者:需要一套完整的工程方法论来推进项目