你的 AI 代理还不会搭 infra？这个 Skill 让你秒变 LLM 架构老手

你的 AI 代理还不会搭 infra？这个 Skill 让你秒变 LLM 架构老手

很多人现在会调 GPT 接口、会写 prompt，可真到了「给 AI 搭一个能跑的 agent 系统」这一步，往往就懵了。

RAG 该用谁的 SDK？多 agent 编排到底用 LangGraph 还是 CrewAI？工具层、记忆层、可观测性分别踩过哪些坑？这些问题光靠看文档根本理不清，因为每一块都有太多”看起来能跑，实际一上线就崩”的细节。

llm-agent-infra-master 就是专门干这个的。

它不是一个普通 skill，而是一套「行业 Master OS」—— 把 LLM agent 基础设施领域的顶级实践者心智模型，蒸馏成可以直接装进 Claude Code / OpenClaw / Codex 的可运行 skill。

说白了，你装完以后问它任何 infra 问题，它输出的不是一个搜出来的答案，而是一个做过这件事的人会给出的判断：先看哪层瓶颈、工具栈怎么选、哪些坑要避、什么时候该换方案。

它到底能帮你做什么？

• 框架选型：LangChain、LlamaIndex、DSPy、AutoGen、CrewAI … 不要只对比功能，看它帮你拆解「决策信号」和「行动策略」分别落在哪
• 工作流诊断：agent 行为退化、工具跳过、记忆泄漏、隐藏重试循环 … 它按 12 层 agent 栈逐层排查，给出严重度排序的结论
• 工具栈地图：RAG、向量数据库、tool use、observability 这些模块各自的 trade-off 是什么，直接给你决策树
• 黑话破译：为什么 builder talk 里总在说「latency vs throughput」「冷启动成本」「semantic cache」… 它帮你建立这行的认知框架

这套 skill 的背后是 106 stars 的真实项目验证，从 2026 年 5 月就已经有完整样例跑通，包括 LLM agent infra、DevOps/SRE、数据工程等多个领域的蒸馏 skill。

装的方式也简单：git clone 到对应 agent 的 skills 目录，然后直接提问就行。比如「帮我把这个 RAG 方案从 Pinecone 迁到 Vespa」，它会先问你检索瓶颈到底在哪一层，再给你带运维成本考量的结论——而不是上来就甩迁移命令。

现在做 AI 产品最缺的不是 prompt，是 infra 判断力。这个 skill 刚好补这块。

GitHub 地址：https://github.com/swaylq/master-skill

—

**GitHub:** https://github.com/swaylq/master-skill