Agent Skills
返回列表
💻

AI 开发工程师全流程工作流

开发编程 更新于 2026.08.30

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 @org-eyw2ohcx/bettermen-ai-dev-engineer-200。

技能介绍

问题从哪来

很多团队能把 AI Demo 做出来,却在工程化阶段卡住:RAG 召回不稳、Agent 多步调用难排查、Prompt 改一版就要手动回归、线上 Token 成本看不见、内容安全与合规没 checklist。产品与 PM 视角的 skill 能定方向,但编码落地、服务形态、评测与运维往往缺一套可对照执行的阶段划分。本 skill 定位为 AI PM 的工程执行搭档,把「从需求到上线」拆成可触发的动作,而不是泛泛的「做 AI 应用」。

技能如何组织工作流

整体按 10 个阶段、45+ 个关键动作推进,并支持三种使用方式:遇到单点任务走快捷模式(例如「清洗文档准备 RAG 入库」直连阶段二),从零搭应用走全流程模式,线上问题走调试模式(如 RAG 召回低 → 切片与混合检索,成本失控 → 模型网关与语义缓存)。

阶段一~二把 PRD 落成技术方案与数据工程:架构选型表(ChatBot / RAG / ReAct Agent / Multi-Agent / 高并发队列)、技术栈决策矩阵、RAG 切片与向量化、微调数据与质量检查清单。阶段三是核心实现:三层 Prompt 架构与版本管理、ReAct / Multi-Agent 编排、完整 RAG Pipeline(混合检索、Query Rewriting、Re-ranking、引用标注),以及微调决策框架。

阶段四~五覆盖 FastAPI 类后端(SSE 流式、中间件)与前端交互细节(react-markdown 代码高亮、Agent 思考链展示、AbortController 中断、RAG 来源展开)。阶段六强调分层测试:LLM-as-Judge(Faithfulness / Harmfulness)、Golden Dataset、对抗集(注入 / 越狱 / 角色绕过)与 Prompt 变更必跑 Eval。阶段七~八是 Docker / CI/CD、监控灰度,以及延迟优化表与 v2.0 的模型网关智能路由、语义缓存增强、Bad Case 驱动迭代。

v2.0 新增阶段九~十对应业内稀缺能力:LLMOps(Prompt 工程化管理、AgentOps 追踪、RLHF 反馈闭环,与经典 MLOps 的差异对照)与安全护栏(多层防护、Prompt Injection 防御、输出审核、国内合规检查清单)。附加资源含 eval_runner.py、cost_tracker.py、model_gateway.py、guardrails.py 等脚本与运维/安全 reference 文档。

适用边界与注意点

  • 侧重工程实现与运维,不替代产品需求定义;宜与 ai-pm 类 skill 配合。
  • 内容偏可落地的检查清单与模式选择,不会替你托管云资源或代替具体业务合规审批。
  • 先简单后复杂是内置原则:Prompt → RAG → Agent → 微调;每个 AI 调用需有降级链与非 AI 兜底。
  • 国内场景会强调内容安全 API、数据不出境、ICP/算法备案等,部署前仍需按自身主体完成实网合规。

使用场景

  • 拿到 PRD 后需要输出技术方案、架构图与 Token 成本估算表,而不是只列功能点
  • 私有文档要入库做问答,需定切片策略、去重校验并向量入库前的质量抽检清单
  • 线上 RAG 回答信源不足,要按混合检索、Query Rewriting 与 Re-ranking 逐项排查
  • 多模型混用导致账单飙升,要搭语义缓存与模型网关做路由、降级与故障切换

适合人员

  • 负责 AI 客服/知识库从 0 到 1 的后端,要把 ReAct Agent 与 SSE 流式接口一次设计清楚
  • 数据平台工程师,每周要清洗新文档批次并维护 RAG 索引与分布均衡检查
  • 应用团队在 Prompt 频繁改动,需要 Golden Dataset 与 LLM-as-Judge 做每次变更回归
  • 创业公司技术负责人,上线前要做注入/越狱测试与国内内容安全、合规自检