这个 Skill 把 LLM 工程化的「决策树」直接给你了

做 LLM 应用落地，最难的不是调 API，而是「上了生产才发现一堆问题」——检索不准、模型幻觉、部署成本爆炸、线上行为漂移没人知道。

今天挖到一个 Skill，叫 ai-llm-engineering，定位是 LLM 工程化的「操作手册」。来自 Microck（ordinary-claude-skills 仓库），GitHub 402 Stars，专门解决从架构选型到上线运维的全链路问题。

核心能力：决策树 + 快速参考表

这个 Skill 的精髓是一张架构决策树，把 LLM 应用从 0 到 1 的技术选型做成了清晰的分支流程：

• 需要实时知识？→ RAG 方案（基础版 / 进阶版 reranking）
• 需要调用工具？→ Agent 方案（单步 ReAct / 多步多 Agent）
• 效果要求高？→ Fine-tuning（PEFT/LoRA 标准流程）

每个分支都直接给出对应框架（LangChain/LlamaIndex、LangGraph/CrewAI）和量化指标，不是泛泛而谈——比如 RAG 用 hybrid retrieval 精度 0.648，多层安全防御单层绕过率 >90%。

部署 & 监控：vLLM 24x 吞吐是什么概念

特别实用的是它的 Quick Reference 表，把评测、部署、监控的主流工具链都列出来了：

• 部署用 vLLM，量化到 FP8/FP4，吞吐提升 24 倍
• 监控用 Arize Phoenix / LangFuse，漂移检测 18 秒响应
• 评测用 LangSmith / W&B / RAGAS，多指标覆盖幻觉、偏见、成本

这是实打实的生产数字，不是宣传话术。

适合谁用

• 正在把 LLM 应用往生产推的工程师
• 需要统一技术选型标准的技术负责人
• 想快速建立 LLM 工程化知识体系的团队

安装方式也很简单，直接从仓库拿 SKILL.md 放到 ~/.claude/skills/ 即可。

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

GitHub: https://github.com/Microck/ordinary-claude-skills/tree/main/skills_all/ai-llm-engineering