AI Engineer Skill：让 AI 编程助手具备生产级 LLM 应用工程能力

sickn33/agentic-awesome-skills 是目前 GitHub 上规模最大的开源 Agent Skills 集合之一（主仓库 Star 45.3k，包含 2,000+ 个可安装 Skill），而 ai-engineer 是其中最核心的生产级 Skill 之一——专门教 AI 编程助手如何从零构建生产可用的 LLM 应用、RAG 系统和 Agent 编排架构。这个 Skill 不是给你一个提示词模板，而是塞给 Agent 一套完整的工程方法论：先澄清需求、再设计架构、最后带着监控和安全控制实现，还要测完才交付。Smithery 平台显示安装量已破 8,000，近 30 天仍有稳定增长，是近期最受开发者关注的生产级 AI 工程 Skill 之一。

功能与原则

ai-engineer 的核心能力是把 AI 编程助手升级成真正的 AI 工程师。它不是简单的「写代码」Skill，而是覆盖从模型选型、向量检索、Agent 框架到成本控制和安全性评估的完整工程链路。

设计原则有三条：生产优先（不做 PoC，要做能上线的系统）、安全内置（prompt injection、PII、合规问题从一开始就走控制流）、可观测（日志、追踪、A/B 测试是交付标准，不是事后补的）。

认可度

• GitHub Star（主仓库）：45,377（截至 2026-08-25）
• Smithery 安装量（ai-engineer 子 Skill）：8,021 次
• 父项目发布：2026-02-27，当前活跃维护（最近更新 2026-08-20 v15.16.0）
• 覆盖工具：Claude Code、Cursor、Codex CLI、Gemini CLI、Antigravity 等主流 AI 编程助手

链接

GitHub（父仓库）：https://github.com/sickn33/agentic-awesome-skills

Smithery 安装页：https://smithery.ai/skills/sickn33/ai-engineer

原作者

@sickn33（GitHub username: sickn33），独立开发者，专注于 Agentic AI 工具链与 Skills 生态建设。其 agentic-awesome-skills 是目前最活跃的社区 Skills 集合之一，被 WebHack、Data Hackers 等多个技术社区推荐采用。

介绍

ai-engineer 脱胎于 sickn33 的 2,000+ Skill 超大仓库，定位是「让 AI 编程助手具备真正的 AI 工程能力」。它的 SKILL.md 文件长达 200+ 行，内容密度极高：覆盖 LLM 集成（RAG、Agent 编排、多模态）、向量数据库（Pinecone/Qdrant/Chroma/Milvus）、Agent 框架（LangChain/LangGraph/CrewAI/AutoGen）、Prompt 工程（CoT/ToT/自洽）、AI 安全（prompt injection 检测、PII 处理、内容审核），以及生产部署（FastAPI 流式推理、缓存、熔断、灰度发布）。

不同于大多数 Skill 只给几条规则，ai-engineer 实际上是在给 AI 注入一套完整的 AI 工程知识体系。当你对它说「帮我做个企业知识库 RAG 系统」，它不是直接开始写代码，而是先问：你的向量数据库选哪个？检索要不要混合 BM25？重排模型用不用？上下文窗口多大时要上摘要压缩？这正是生产级 AI 应用开发应有的第一步。

特点

• 覆盖全链路：从模型选型、Embedding、RAG、Agent 编排到监控告警，一套 Skill 全包
• 多框架并重：LangChain/LangGraph、LlamaIndex、CrewAI、AutoGen 均给出最佳实践，不绑定单一框架
• 安全内置：prompt injection 检测、PII 脱敏、内容审核不是附加项，是工作流强制步骤
• 成本意识：多模型路由、semantic caching、token 优化方案随技能一起交付，不是事后才想起
• 可观测导向：LangSmith、Phoenix、Weights & Biases 集成方案随代码一起输出，交付即带监控

使用方法

安装父仓库（推荐）：

npx agentic-awesome-skills --claude

安装后，Claude Code 对话中直接引用：

@ai-engineer 帮我设计一个客服 Agent，支持多轮对话和工单创建

单独安装（GitHub CLI）：

gh skill preview sickn33/agentic-awesome-skills 
  plugins/agentic-awesome-skills-claude/skills/ai-engineer/SKILL.md

最小示例：
输入：

我想给内部知识库做一个 RAG 系统，技术栈是 FastAPI + Qdrant，文档主要是 PDF，支持中文检索。

Skill 引导输出：澄清文档量级 → 推荐 embedding 模型（BGE-large-zh） → 设计分块策略（语义递归分块） → 混合检索方案（向量+BM25） → Qdrant 部署配置 → 重排模型选型 → 上线监控方案。

使用场景与人群

适用场景：
– 企业内部知识库 RAG 系统设计与实现
– 多模型 AI 应用架构选型与落地
– Agent 系统开发（客服、调研、自动化工作流）
– AI 安全审计与合规检查
– LLM 应用成本优化与性能调优

目标用户：
– 后端/全栈工程师，正在将 AI 能力集成到产品中
– AI 应用开发者，有大模型 API 使用经验，想做生产级系统
– 技术负责人，需要给团队 AI 工程能力建立规范

输入与输出案例

案例 1：RAG 系统设计
输入：

帮我设计一个法律文档 RAG 系统，支持合同检索和条款解释，需要考虑多语言和敏感信息处理。

Skill 输出：
1. 确认文档规模（合同数量级）、语言覆盖范围
2. 选型：embedding 用 BGE-large-zh-v1.5，向量库用 Qdrant（支持 sparse retrieval 混排）
3. 分块策略：按条款语义边界分块，加 clause_id 作为元数据
4. 安全层：PII 检测（正则+NER）→ 脱敏后检索，敏感字段做访问控制
5. 评测方案：Recall@K + 幻觉率，A/B 对比不同 chunk size 效果

案例 2：多 Agent 编排
输入：

做一个多 Agent 客服系统，主 Agent 负责意图分类和分发，两个子 Agent 分别处理退款和物流查询，需要带记忆和升级机制。

Skill 输出：
1. 主 Agent 用 Claude 4 Sonnet + function calling 做路由
2. 子 Agent 用轻量模型（GPT-4o-mini）降成本
3. 记忆方案：会话级 EpMemory + 长期 KnowledgBase
4. 升级机制：置信度 < 0.7 触发人工接管，写入 Slack webhook
5. 全链路 Tracing（LangSmith），每轮对话带 trace_id 方便排查

GitHub: https://github.com/sickn33/agentic-awesome-skills