OCI Generative AI Services 技能是一项面向 Oracle Cloud Infrastructure（OCI）生成式 AI 服务的专家能力，旨在提供全面的 CLI 命令、SDK 示例与最佳实践，弥补 Claude 对 OCI 训练数据有限的问题。
一、用途 该技能用于指导用户在 OCI 上使用生成式 AI 能力，覆盖基础模型调用、推理端点、文本生成、聊天补全、嵌入生成以及模型微调等任务，并给出可执行的命令行与 Python 代码示例。
二、核心 GenAI 服务
- 基础模型（Foundation Models）：预训练大语言模型（LLM），包括用于聊天与生成的 Cohere Command 模型、Meta Llama 模型，并支持模型微调与定制。
- 推理端点（Inference Endpoints）：专用与按需推理端点，支持文本生成与补全、带对话历史的聊天补全、用于语义搜索的嵌入。
- 微调（Fine-Tuning）：基于自有数据进行自定义模型训练，支持 T-Few 与 vanilla 微调方法，涵盖训练数据管理与模型版本管理。
三、使用方式（OCI CLI） 资料给出大量 CLI 命令，主要包括：
- 列出与查询模型：oci generative-ai model list（可按能力筛选 TEXT_GENERATION、CHAT、EMBEDDINGS）、model get。
- 专用 AI 集群：dedicated-ai-cluster list/get/create/update/delete，创建时指定类型（如 FINE_TUNING）、单元数与单元规格（如 LARGE_COHERE）。
- 端点：endpoint list/get/create/update/delete，创建时关联 model-id 与 dedicated-ai-cluster-id。
- 文本生成：oci generative-ai-inference generate-text，通过 serving-mode 指定 ON_DEMAND 或 DEDICATED，请求体包含 prompt、maxTokens、temperature、topP、frequencyPenalty、presencePenalty 等。
- 聊天补全：oci generative-ai-inference chat，支持 system/user/assistant 多轮消息历史。
- 嵌入生成：oci generative-ai-inference embed-text，支持多输入与 truncate 参数。
- 微调：oci generative-ai model create，指定 base-model-id、训练数据集（OBJECT_STORAGE 桶与对象）与 fine-tune-details（如 TFEW_TRAINING_CONFIG、totalTrainingEpochs、learningRate），并可列出、查询、删除模型。
四、Python SDK 示例 资料提供 Python SDK 的鉴权与调用示例：通过 oci.config.from_file 加载配置，创建 GenerativeAiInferenceClient 并指定服务端点，随后分别演示文本生成（CohereLlmInferenceRequest、GenerateTextDetails）、聊天（CohereChatRequest、ChatDetails、CohereMessage）、嵌入（CohereEmbedTextRequest、EmbedTextDetails）与流式响应（is_stream=True 并逐块处理）的实现方式。还包含 OCIChatbot 与 DocumentQA 两个使用场景类：前者维护对话历史实现多轮聊天并可重置；后者添加文档、生成嵌入，并通过余弦相似度检索与查询最相关的文档。
五、训练数据格式 微调支持 JSONL 格式，每行包含 prompt 与 completion 字段，资料给出三条示例（OCI Compute、block storage、autonomous database 的问答）。
六、最佳实践
- 模型选择：按任务选择聊天或生成模型，嵌入模型用于语义搜索、文档相似度与聚类；模型越大能力越强但成本越高；建议先用按需模式做原型再部署专用端点。
- 提示工程：指令清晰、使用 system 角色保持一致行为、加入 few-shot 示例、调整 temperature（事实性 0.1-0.5，创造性 0.7-1.0）、设置合理的 max tokens。
- 性能优化：生产流量使用专用端点、缓存相同提示的响应、并行批处理、流式提升体验、监控 token 用量。
- 安全与合规：敏感数据需有控制措施、使用 IAM 策略限制访问、启用审计日志、在自有租户内微调数据、敏感负载使用私有端点。
- 成本管理：开发用按需、生产用专用、优化 token、选择满足需求的最小模型并跟踪用量。
七、适用场景 资料明确列出的场景包括聊天机器人实现（维护对话历史）与基于嵌入的文档问答（相似度检索）。
八、限制 资料未提供收费、价格、平台支持范围、性能指标或效果承诺等信息，相关内容暂未提供。使用前需遵守上述安全与合规注意事项，避免在无适当控制的情况下向模型发送敏感数据。