生产级 LLM/RAG 系统构建教练
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,安装 @kunlungrowth/kunlun-llm-twin。
技能介绍
要解决什么问题
把 RAG 从 Demo 推到线上时,常见痛点是:评审没清单、方案只堆功能不讲取舍、线上报错靠猜、向量库与编排框架选型各说各话、检索与生成接口契约前后端对不齐。本技能不代写业务代码,而是把「生产级 LLM/RAG」相关的工程动作收成可复用的结构化输出。
技能如何工作
识别触发词后进入六项能力之一(可组合):
- 代码评审:对 PR/diff 按正确性、安全、可维护性分级,输出阻断/建议/可选及理由
- 技术方案设计:在需求与约束下填充背景、目标、选型与风险模板
- 调试排错:基于报错与上下文给定位树、复现步骤与修复验证路径
- 架构权衡:按场景与规模输出选型表(利弊、适用、成本)
- API 设计:围绕资源与操作产出 REST 契约、字段与错误码
- 工程规范:按语言/框架给清单与反模式
内置两条主流程:代码评审(先意图与正确性,再安全与可维护性)与线上排错(复现 → 隔离变量 → 证据 → 假设验证 → 回归复盘)。另含质量五维量表与意图路由表,便于把口语诉求(如「用 A 还是 B」「又报错了」)映射到对应能力。
适用边界
纯方法论与模板,不接付费 API、不处理真实密钥;评审与方案仅供辅助,合并与上线决策仍由负责人承担。输入里写清人群、数据规模、延迟与合规约束,输出会更贴近你的栈(如 LangChain、LlamaIndex、自研检索服务)。
使用场景
- 检索链路改版 PR 上线前,需要按正确性、安全与测试覆盖出分级评审意见
- 选型向量库与重排服务时,要写清 QPS、成本与回滚方案的架构对比表
- RAG 服务超时或幻觉率突增,需从日志与指标推导复现步骤与二分排查路径
- 对外检索/生成 API 联调前,要统一资源命名、分页字段与可机读错误码契约
适合人员
- 负责 RAG 服务上线的后端工程师,需要可执行的 CR 清单而非口头挑刺
- 写向量检索与模型编排方案的技术负责人,需在约束下输出选型与风险章节
- 值守 LLM 应用的 DevOps/SRE,告警后要先复现再改配置或回滚
- 独立开发者自建知识库问答,缺统一模板把接口契约与反模式一次对齐