LLM工程化有了”外挂大脑”：一份决策树覆盖RAG、Agent、量化、监控

做 LLM 应用开发，最头大的不是调 Prompt，是选架构——RAG 用什么chunk策略？Agent 什么时候该上 LangGraph 什么时候用 CrewAI？模型量化用 FP8 还是 FP4？这些问题没有标准答案，但有一份靠谱的决策树，能帮你省掉 80% 的试错时间。

今天挖到一个开源 Skill——ai-llm-engineering，把 LLM 工程化的「术前检查清单」做成了一份可以塞进 Claude 的技能包。GitHub 107+ 星，来自 Microck 的 ordinary-claude-skills 仓库，这个仓库本身就是个聚合了大量高质量 Claude Skills 的合集。

它能干啥？

简单说，这是一个LLM 工程化决策中心。安装之后，Claude 在处理以下任务时会自动调用它的决策框架：

• RAG 架构选择（Basic RAG 还是 Advanced RAG？）
• Agent 模式选型（ReAct 单步？LangGraph 多智能体？）
• Fine-tuning 时机判断（什么时候该 PEFT/LoRA？）
• 部署方案（vLLM 24x 吞吐量的 FP8 量化怎么配？）
• 安全护栏（多层级防御绕过率 >90% 的配置思路）
• 监控体系（18 秒响应级别的 drift detection）

核心亮点：架构决策树

这个 Skill 最实用的是一张决策树，把 LLM 应用构建拆成四个维度：

• Need current knowledge? → 简单问答走 Basic RAG，复杂检索走 Advanced RAG（带 reranking）
• Need tool use? → 单步任务用 ReAct，多步工作流用 LangGraph/CrewAI
• Static behavior sufficient? → 快速 MVP 用 Prompt Engineering，生产级用 Fine-tuning
• Best results? → Hybrid 方案：RAG + Fine-tuning + Agents 组合

每个节点都给出了具体工具推荐和精确的准确率数字（比如 Basic RAG 动态知识场景 0.648 准确率），不是泛泛而谈的「建议」，是工程级参考值。

快速查表：工具链全覆盖

除了决策树，还有一份 Quick Reference 表，涵盖：

• RAG Pipeline：LlamaIndex / LangChain
• Agentic Workflow：LangGraph / AutoGen / CrewAI
• Prompt Design：CoT / Few-shot / Structured
• Evaluation：LangSmith / W&B / RAGAS
• Production Deploy：vLLM / TensorRT-LLM
• Monitoring：Arize Phoenix / LangFuse

如果你正在做 LLM 系统架构设计，或者需要写 RAG/Agent 相关的技术方案，这份 Skill 能当「外挂大脑」用。

安装方式

Claude Code 用户：

npm install -g @anthropic-ai/claude-skills  # 或用 skilz
skilz install Microck/ordinary-claude-skills/ai-llm-engineering

或者直接下载 SKILL.md 放到 ~/.claude/skills/ 目录，重启 Claude 即可。

GitHub 仓库里还有一整套关联 Skill——ai-prompt-engineering、ai-llm-rag-engineering、ai-agents-development、ai-llm-ops-inference……按需取用，组合出完整 LLM 工程工具链。

适合谁用：AI 工程化方向的后端 / 架构工程师、LLM 应用开发团队、需要系统性补全 LLM 知识体系的开发者。

GitHub 仓库直达

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