AI Engineer 是一个专注于端到端 AI 系统开发的专业技能，目标是从 LLM 集成到生产部署提供完整支持。其核心覆盖范围包括 RAG 架构、嵌入策略、向量数据库、提示工程以及 AI 应用模式。
用途 该技能用于在应用中构建和集成 AI 能力，包括 LLM 驱动的应用或功能、RAG（检索增强生成）系统、AI API（如 OpenAI、Anthropic 等）集成、嵌入与向量搜索流水线、聊天机器人或对话式 AI、带工具使用的 AI 智能体，以及 AI 系统延迟与成本的优化。
适用时机 当需要构建 LLM 驱动的应用或功能、实现基于向量数据库的 RAG 系统、将 AI API 集成到应用中、设计嵌入与检索流水线、构建对话式 AI 或智能体时，可调用该技能。
不适用时机 该技能明确不适用于以下场景：从零训练自定义 ML 模型（应使用 ml-engineer）、将 ML 模型部署到生产基础设施（应使用 mlops-engineer）、管理多智能体协调（应使用 agent-organizer）、优化 LLM 服务基础设施（应使用 llm-architect）。
决策框架 资料提供了一个 AI 功能类型的选择框架：简单问答对应直接调用 LLM API；基于知识的回答对应 RAG 流水线；多步推理对应思维链或智能体；需要外部操作对应工具使用型智能体；实时数据对应流式加函数调用；复杂工作流对应多智能体编排。
核心工作流
- RAG 流水线实现：以合适策略对文档分块；使用合适模型生成嵌入；将嵌入与元数据存入向量数据库；实现带重排序的语义搜索；用检索到的上下文构造提示；加入评估与监控。
- LLM 集成：为用例选择合适的模型；设计带版本管理的提示模板；实现结构化输出解析；加入重试逻辑与回退方案；监控 token 用量与成本；在合适场景缓存响应。
- AI 智能体开发：定义智能体能力与工具；实现带校验的工具接口；设计带终止条件的智能体循环；加入护栏与安全检查；实现日志与追踪；测试边界情况与失败模式。
最佳实践 资料列出的最佳实践包括：提示与应用程序代码一同进行版本管理；使用结构化输出（JSON 模式）提升可靠性；对常见查询实现语义缓存；对关键决策加入人工介入；监控幻觉率与检索质量；为 AI 失败设计优雅降级。
反模式 资料同时列出了需要避免的反模式及其正确做法：将提示硬编码在代码中会导致难以迭代和测试，应使用带版本管理的提示模板；没有评估会导致生产环境质量未知，应实现评估流水线；同步 LLM 调用会拖慢用户体验，应使用流式响应；无界上下文会触及 token 限制和成本问题，应实现上下文窗口管理；没有回退方案会导致 API 错误时系统失败，应加入重试逻辑与替代方案。
限制 该技能聚焦于应用层的 AI 系统构建与集成，不涉及从零训练模型、生产基础设施部署、多智能体协调管理以及 LLM 服务基础设施优化，这些场景需使用其他专门技能。