LLM 工程不会做系统只会调API？这个技能库把手脚架、评测、部署、安全全包了

你有没有这种感觉——看了一堆 LLM 教程，RAG、Agent、Prompt 工程、优化部署……每个都会一点，但真正做项目时还是手忙脚乱，不知道该用什么、怎么组合、坑在哪？

今天聊一个我很看好的 Skill：ai-llm-engineering。

为什么这个 Skill 值得注意

它不是一个”教你写 Prompt”的工具。它更像一个LLM 工程的实战操作台——把架构设计、评测体系、部署优化、安全防护这些散落在各处的知识，串成一套可以直接用的决策框架和操作清单。

核心亮点：

• 不是理论课，是工程检查清单：覆盖从模型选型、RAG 构建、Agent 设计到 CI/CD 评测、线上监控的全流程。每个环节都有 preflight checklist（部署前检查）和 decision matrix（决策矩阵），告诉你什么时候该用 naive RAG，什么时候该上 hybrid RAG。
• 覆盖最新工程进展：PEFT/LoRA 微调、vLLM 推理优化（24 倍吞吐）、多层安全防护、18 秒级 drift 检测……这些都是 2024-2025 年真实生产环境在用的方案，不是纸上谈兵。
• 内置反模式警告：数据泄漏、Prompt 稀释、RAG 上下文超载、Agent 失控……踩过坑的人都知道这些多要命。这个 Skill 直接把这些陷阱做成 checklist，让你在上线前就看到。

怎么用

安装方式很灵活，支持多种 AI Coding Agent：

# Claude Code
npx vskill@latest install Microck/ordinary-claude-skills/ai-llm-engineering

# 或者用其他 Agent（Cursor / Windsurf / Codex 等）
npx vskill@latest install Microck/ordinary-claude-skills/ai-llm-engineering --agent <your-agent>

装好后，在 Claude Code 里直接说：

skills use ai-llm-engineering

然后你就可以问它各种 LLM 工程问题了——”我要在私有知识库里跑 QA，应该选什么 chunk 策略？””评测 LLM 输出质量有哪些指标？””模型上线前需要做哪些安全检查？”

我的判断

这两年 LLM 应用开发的门槛在降低，但工程化的门槛没有。一个做原型的开发者，和一个能把 LLM 系统做到生产级别的工程师之间，差的就是这种能把 checklist、decision matrix、anti-pattern 沉淀下来的系统性知识。

ai-llm-engineering 正在做这件事。它不适合纯新手（需要你已经有 LLM 开发经验），但对于正在从”调 API”进阶到”做系统”的工程师，这是一个非常实在的工具箱。

GitHub 上 313 颗星，44 个 fork，2026 年 7 月还有更新，活跃度也不错。

GitHub 链接：https://github.com/Microck/ordinary-claude-skills（skills_all/ai-llm-engineering 目录下）

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