ai-ml

用途：该技能面向 AI/ML 服务开发，给出以 FastAPI 为服务框架、LangChain 为编排层、OpenAI 与 Anthropic 为模型提供方、ONNX 为部署格式的工程模式，并包含模型训练管线示例。

主要能力：

1. FastAPI 服务骨架：使用 lifespan 初始化 LLMService，通过 api_router 挂载 /api/v1 路由。
2. LLM 服务抽象：BaseLLM 抽象类，OpenAILLM 与 AnthropicLLM 分别封装 AsyncOpenAI 与 AsyncAnthropic，LLMService 按 provider 缓存实例并统一 generate 接口。
3. LangChain SQL Agent：create_openai_tools_agent 构建只读 SQL 查询代理，系统提示限定仅生成 SELECT，AgentExecutor 设置 max_iterations=3。
4. SQL 工具：SQLQueryTool 校验查询必须以 SELECT 开头，并拦截 INSERT、UPDATE、DELETE、DROP、ALTER 等关键字，结果最多返回 50 行。
5. 聊天接口：POST /chat 接收 ChatRequest，返回 ChatResponse，包含 conversation_id 与 processing_time_ms。
6. ONNX 导出：使用 optimum.onnxruntime 的 ORTModelForSequenceClassification 导出，并可选 ORTQuantizer 与 AutoQuantizationConfig.avx512_vnni 量化。
7. 训练管线：IntentClassifierTrainer 基于 transformers 的 Trainer，加载 JSON 数据集，tokenize 后训练意图分类模型并保存。
8. 配置与模型：pydantic-settings 读取 .env，Pydantic 定义 ChatRequest/ChatResponse。

使用方式：依赖 Python >=3.11，安装 fastapi、uvicorn、pydantic、openai、anthropic、langchain、sentence-transformers、torch、transformers、onnx、onnxruntime、structlog 等指定版本；按示例目录组织 src/ai_service 与 tests；通过环境变量提供 API Key 与数据库 URL。

适用场景：需要快速搭建 AI 服务、LLM 多提供方切换、只读数据库问答代理、文本分类模型训练与 ONNX 部署的项目。

限制：资料未提供实际部署、性能、收费与平台支持信息；SQL 工具仅允许 SELECT，训练与导出示例未给出完整数据集格式与评估指标。