该技能定位为构建生产级 LLM 应用的专家能力，适用于从简单聊天机器人到复杂多智能体系统的开发。
用途：设计并落地 RAG 架构、向量检索、提示管理与企业级 AI 部署。
主要能力：一，RAG 系统设计，涉及分块（语义、基于 token、分层，建议 512-1024 token、重叠 10-20%）、嵌入模型选择（OpenAI、Cohere、本地模型）、向量库（Pinecone、Weaviate、Chroma、Qdrant、pgvector）、稠密/稀疏/混合检索以及交叉编码器重排序。二，LLM 应用模式，包括带记忆的对话上下文管理、工具调用的智能体工作流、多模型编排（路由加专用模型）、结构化输出（JSON/XML）与流式响应。三，生产运维，涵盖 token 用量与成本优化、延迟监控与缓存、提示版本 A/B 测试、降级回退链、提示注入与 PII 安全处理。
使用方式：资料给出 RAG 查询流程（嵌入查询、向量检索 topK、重排序取前若干、带上下文生成）与智能体循环（多轮工具调用直至返回最终答案）等架构模式，并附实现清单，用于逐项核对检索、评估、可观测性与上线准备。
适用场景：构建聊天机器人与对话式 AI、实现 RAG、创建带工具的 AI 智能体、设计多模型架构及生产部署。
限制与边界：不适用于提示优化（应用 prompt-engineer）、模型训练（用 ml-engineer）、数据管道（用 data-pipeline-engineer）或通用后端（用 backend-architect）任务。资料列出的技术栈分类、反模式（如万物皆 RAG、按字符分块、不做重排序、无界上下文、缺少护栏）为工程建议。具体安装命令、收费标准与平台支持情况暂未提供。