别再给 LLM 喂大杂烩了，这个 Skill 给模型配了「专科门诊」
别再给 LLM 喂大杂烩了，这个 Skill 给模型配了「专科门诊」
如果你做过 LLM 应用，一定有过这种体验：一上来就把 prompt 写成长篇大论，一会讲 RAG、一会讲 fine-tuning、一会又丢进去 MCP 工具调用。结果呢？模型上下文被搅成一锅粥，哪块都没做透。
using-llm-specialist 这个 Skill 的思路完全不同：它不往上下文里塞百科全书，而是先当「分诊台」——根据你当下的任务类型，自动路由到对应的专科参考表。
它到底管什么？
- Chat / Instruct Prompting — 基础对话与指令遵循
- Reasoning Models — o-series、Claude extended thinking、DeepSeek-R1、Gemini thinking、Qwen QwQ 等推理模型的使用差异
- Agentic Patterns + MCP — 工具调用、多智能体协作、MCP 集成
- RAG Architecture — 检索增强生成的架构模式
- Fine-tuning — SFT / DPO / ORPO / GRPO + LoRA 家族
- Context Engineering — 上下文窗口管理、prompt caching
- Inference Optimization — vLLM / SGLang / TensorRT-LLM
- Evaluation — LLM-as-judge 偏差控制、能力评估套件
- Safety — OWASP LLM Top 10 2025 防护
每个专科参考表 20–65 KB 不等，全部按需加载。这意味着你的上下文不会因为「全量知识库」而爆炸，只会在需要时拉取对应领域的最佳实践。
最让我上头的设计
2026 年 5 月更新的版本用了 capability-tier 词汇：frontier-reasoning / frontier-general / fast-cheap / on-device，替代了以前硬编码的具体模型名。这招很聪明——模型迭代太快，今天写的模型 ID 下个月可能就废了，但能力分层是长期稳定的。
如果你正在做 LLM 应用选型、prompt 优化、agent 架构设计，或者只是想在众多模型里快速找到「最适合当前任务」的那一个，这个 Skill 值得装。毕竟在 2026 年，知道什么时候用什么，比知道所有东西更重要。
仓库包含 46 个 skillpacks / 200+ skills，不只是这一个，值得整体 star 收藏。
评论区
0 条评论
登录后可评论。
