还在用if-else做AI判断？LLM Patterns把架构模式给你归好类了

你是不是也这样：AI 应用写了一大堆，Prompt 满天飞，代码越改越乱？分类用 if-else，判断靠枚举，结果换一个模型效果就崩。

不是你的问题，是姿势不对。

GitHub 上有一个叫 llm-patterns 的 Skill，把「LLM 到底该怎么用在真实项目里」这件事，掰开了揉碎了给你整理成了一套可照抄的架构模式。

核心理念就一句话

LLM 干逻辑，代码干基建。

听起来简单，做到却很难。这个 Skill 告诉你哪些场景该让 LLM 上：

• 分类判断（比如客服工单归类）
• 信息提取（从非结构化文本里拿结构化数据）
• 自然语言推理决策
• 内容生成和转换
• 那些用代码写出来又臭又长的条件判断

哪些场景老实写代码：数据校验、API 路由、数据库读写、权限判断、错误处理。

分清楚这个边界，应用架构就清爽了一大半。

三个实操模式，直接抄

① 结构化输出 — 用 Zod 写好 Response Schema，LLM 输出 JSON 后直接 parse，不用手写正则也不用担心格式崩。

② Prompt 版本化管理 — 把 Prompt 写成函数，按 v1/v2 编号，打死不写死字符串。新版 prompt 坏了？一键切回旧版。

③ 三层测试体系 — Mock 测试（快，不掉 token）、Fixture 测试（验证解析逻辑）、Eval 测试（夜间 CI 跑，准确率回归检测）。这套体系是生产级 AI 应用的标配。

怎么上手

装上这个 Skill，Claude Code 里直接调：

npx skills add https://github.com/alinaqi/claude-bootstrap --skill llm-patterns

装完你会得到一整套项目模板：Prompt 放哪里、Schema 怎么写、Client 怎么封装、测试目录怎么划，全部给你安排明白。

拿分类系统举个例子，核心链路是这样：

写 Prompt 函数 → LLM 返回 JSON → Zod Parse → 业务逻辑走你熟悉的代码

整个链路清晰可测试，LLM 只管「理解判断」，代码只管「落地执行」，谁干擅长的事谁上。

适合谁

• 正在把 AI 集成进自己产品的工程师
• 被各种 Prompt 管理搞混乱的开发者
• 想要一套可复制 AI 架构模式的团队

685 颗星，MIT 协议，生产可用，还在等什么。

GitHub：https://github.com/alinaqi/claude-bootstrap

GitHub: https://github.com/alinaqi/claude-bootstrap