Pacote 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 machine learning. Este pacote orquestra habilidades para desenvolvimento de IA em produção.

Quando Usar Este Fluxo de Trabalho

Use este fluxo de trabalho quando:

• Estiver construindo aplicações com LLM
• Estiver implementando RAG (Geração Aumentada por Recuperação)
• Estiver criando agentes de IA
• Estiver desenvolvendo pipelines de ML
• Estiver adicionando recursos de IA a aplicações
• Estiver configurando observabilidade de IA

Seleção e Conclusão

Selecione apenas as fases necessárias para o produto solicitado; este fluxo de trabalho não autoriza delegação, chamadas hospedadas, implantação, trabalhos em segundo plano ou mensagens externas. Leia a habilidade selecionada real e o esquema de ferramenta disponível. Defina qualidade em nível de tarefa, verificações de recuperação/fonte, permissões de dados, limites de latência/atualidade e recuperação de falhas antes da implementação. Verifique cada capacidade utilizada no ambiente de destino; itens de checklist não marcados não foram concluídos porque existe uma instrução.

Fases do Fluxo de Trabalho

Fase 1: Design de Aplicação de IA

Habilidades a Invocar

• ai-product - Desenvolvimento de produto de IA
• ai-engineer - Engenharia de IA
• ai-agents-architect - Arquitetura de agente
• llm-app-patterns - Padrões de LLM

Ações

1. Definir casos de uso de IA
2. Escolher modelos apropriados
3. Projetar arquitetura do sistema
4. Planejar fluxos de dados
5. Definir métricas de sucesso

Prompts para Copiar e Colar

Use @ai-product to design AI-powered features

Use @ai-agents-architect to design multi-agent system

Fase 2: Integração de LLM

Habilidades a Invocar

• llm-application-dev-ai-assistant - Desenvolvimento de assistente de IA
• llm-application-dev-langchain-agent - Agentes LangChain
• llm-application-dev-prompt-optimize - Engenharia de prompt
• gemini-api-dev - API Gemini

Ações

1. Selecionar provedor de LLM
2. Configurar acesso à API
3. Implementar modelos de prompt
4. Configurar parâmetros do modelo
5. Adicionar suporte a streaming
6. Implementar tratamento de erros

Prompts para Copiar e Colar

Use @llm-application-dev-ai-assistant to build conversational AI

Use @llm-application-dev-langchain-agent to create LangChain agents

Use @llm-application-dev-prompt-optimize to optimize prompts

Fase 3: Implementação de RAG

Habilidades a Invocar

• rag-engineer - Engenharia de RAG
• rag-implementation - Implementação de RAG
• embedding-strategies - Seleção de embedding
• vector-database-engineer - Bancos de dados vetoriais
• similarity-search-patterns - Busca por similaridade
• hybrid-search-implementation - Busca híbrida

Ações

1. Projetar pipeline de dados
2. Escolher modelo de embedding
3. Configurar banco de dados vetorial
4. Implementar estratégia de chunking
5. Configurar recuperação
6. Adicionar reranking
7. Implementar caching

Prompts para Copiar e Colar

Use @rag-engineer to design RAG pipeline

Use @vector-database-engineer to set up vector search

Use @embedding-strategies to select optimal embeddings

Fase 4: Desenvolvimento de Agente de IA

Habilidades a Invocar

• autonomous-agents - Padrões de agente autônomo
• autonomous-agent-patterns - Padrões de agente
• crewai - Framework CrewAI
• langgraph - LangGraph
• multi-agent-patterns - Sistemas multiagente
• computer-use-agents - Agentes de uso de computador

Ações

1. Projetar arquitetura do agente
2. Definir papéis do agente
3. Implementar integração de ferramentas
4. Configurar sistemas de memória
5. Configurar orquestração
6. Adicionar humano no loop

Prompts para Copiar e Colar

Use @crewai to build role-based multi-agent system

Use @langgraph to create stateful AI workflows

Use @autonomous-agents to design autonomous agent

Fase 5: Desenvolvimento de Pipeline de ML

Habilidades a Invocar

• ml-engineer - Engenharia de ML
• mlops-engineer - MLOps
• machine-learning-ops-ml-pipeline - Pipelines de ML
• ml-pipeline-workflow - Fluxos de trabalho de ML
• data-engineer - Engenharia de dados

Ações

1. Projetar pipeline de ML
2. Configurar processamento de dados
3. Implementar treinamento de modelo
4. Configurar avaliação
5. Configurar registro de modelo
6. Implantar modelos

Prompts para Copiar e Colar

Use @ml-engineer to build machine learning pipeline

Use @mlops-engineer to set up MLOps infrastructure

Fase 6: Observabilidade de IA

Habilidades a Invocar

• langfuse - Observabilidade Langfuse
• manifest - Telemetria Manifest
• evaluation - Avaliação de IA
• llm-evaluation - Avaliação de LLM

Ações

1. Configurar tracing
2. Configurar logging
3. Implementar avaliação
4. Monitorar desempenho
5. Rastrear custos
6. Configurar alertas

…