做 LLM 应用，最难的不是选模型而是架构决策

做 LLM 应用，最难的不是选模型

是你决定”这个场景该用 RAG 还是微调”、”什么时候切多 Agent”、”评估指标到底怎么搭”——这些问题教科书不教，官方文档不写，你只能自己踩坑。但凡有人能把这些决策逻辑整理成一套可查的框架，那价值是巨大的。

最近在 Smithery 上发现了一个叫 ai-llm-engineering 的 Skill，来自独立开发者 Microck，GitHub 仓库 ordinary-claude-skills（107 ⭐）。它给自己的定位很清晰：一个面向 LLM 工程全生命周期的操作手册级 Skill，覆盖架构选型、Prompt 设计、RAG、Agent、微调、部署、监控、安全八大模块。

决策树先行，而不是参数表

这个 Skill 最值钱的地方，是它把 LLM 工程里最常见的决策做成了决策树。比如要不要上 RAG？它会引导你先判断：是需要最新知识，还是复杂检索，还是工具调用？根据回答推荐不同的技术路径，而不是丢给你一篇”十大 RAG 框架对比”。

类似的决策矩阵还包括：RAG 类型选择（Naive → Advanced → Modular）、模型选型（GPT-4 vs Claude vs Gemini vs 自托管）、部署策略等等。每个节点都有对应的工具推荐和关键参数说明。

模板直接可复制

光有框架不够，它还配了生产级模板：

• RAG Pipeline：基础版 + 高级版（含重排序与上下文嵌入）
• Chain-of-Thought / ReAct：拿来直接用
• Multi-Agent 编排：Manager-Worker 模式
• 评估套件：多指标测试（幻觉率、偏见、成本）

部署与监控也有料

除了应用层，它还覆盖LLMOps：vLLM 部署支持 FP8/FP4 量化，声称带来 24 倍吞吐量提升；自动化漂移检测响应时间 18 秒；CI/CD 对齐的评估门控。安全方面则包含多层防御体系（单层绕过率>90%，需要多层叠加）。

怎么用

在 Claude Code 里一行命令装上：
npx skills add Microck/ordinary-claude-skills --skill ai-llm-engineering
装完之后用 skills use ai-llm-engineering 调起，遇到架构决策或技术选型问题时它会自动介入，给出有框架的参考建议。

对于正在做 LLM 应用落地、但还在靠”感觉”做技术决策的团队，这个 Skill 是一个不错的系统性起点——至少下次跟同事讨论”要不要上微调”的时候，你可以先翻决策树，而不是翻 Slack 记录。

GitHub · Microck/ordinary-claude-skills

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