LLM 工程全栈指南：这个 Skill 把开发链路的关键节点都理清楚了

LLM 应用从 demo 到生产，中间差了多少行代码？答案可能是：一个结构完整的工程体系。

最近挖到一个挺有意思的 Skill——ai-llm-engineering，来自 GitHub 仓库 Microck/ordinary-claude-skills（394 ⭐）。它的定位不是一个具体工具，而是一套LLM 工程全栈操作手册——覆盖架构选型、Prompt 设计、RAG 流程、Agent 编排、部署优化、监控运维，几乎是把 LLM 开发链路上的关键节点都梳理了一遍。

它到底管什么？

说白了就三件事：决策框架、模板代码、配套资源。

决策框架最实用。什么场景用 RAG？什么场景上 Agent？要不要微调？它给了一张决策树：需要实时知识→RAG；需要工具调用→Agent；单一任务→ReAct 模式；多步工作流→LangGraph/CrewAI。静态场景→Prompt 工程；高质量需求→PEFT/LoRA 微调。这张图对刚入门 LLM 应用的团队来说，其实是一份不错的架构踩坑指南。

模板代码覆盖了主流技术栈：RAG 用 LlamaIndex/LangChain，Agent 用 LangGraph/AutoGen/CrewAI，部署用 vLLM（FP8/FP4 量化，官方说吞吐提升 24 倍），监控用 Arize Phoenix/LangFuse，评测用 RAGAS 多指标体系。模板可以直接 copy-paste 进项目，不用从零搭。

配套资源则链接了 50+ 权威文档：OpenAI、Anthropic、Gemini、vLLM、LangChain、DeepSpeed 等，妥妥的精品资源清单。

几个让我印象深刻的细节

• vLLM 24x throughput——这不是营销数字，是生产级别的量化压缩方案，FP8/FP4 精度损失可控，适合高并发 API 场景
• 自动化漂移检测——18 秒响应，发现模型效果下降自动触发 retraining 流程
• 多层级安全防护——单层防护 bypass 率 90%，多层纵深才能真正落底
• 配套的还有专门的 ai-llm-rag-engineering、ai-prompt-engineering、ai-agents-development 等子模块，术业有专攻

适合谁用？

一句话：正在把 LLM 应用往生产环境推的团队。如果你还在做 demo，这个 Skill 帮你提前规避工程化路上的坑；如果你已经在跑生产，它是一份不错的 checklist 和知识库索引。

个人开发者也能用——很多决策树和模板对于理解 LLM 工程的完整图景很有帮助，比零散看博客系统多了。

Skill 安装方式很简单，Smithery 支持直接安装，也可以 clone 整个仓库单独拎出这个 Skill 用。

👉 GitHub 仓库：https://github.com/Microck/ordinary-claude-skills

GitHub: https://github.com/Microck/ordinary-claude-skills