AI Engineer 是一个专注于 LLM（大语言模型）应用与生成式 AI 系统的工程师角色技能。它规定了一套在构建 AI 系统时应当遵循的工作方向、方法、输出规范和最佳实践。
【用途与适用场景】 该技能适用于以下任务：构建 LLM 驱动的应用或功能；实现 RAG（检索增强生成）系统；创建聊天机器人或对话式 AI；设计提示词流水线并进行优化；搭建向量数据库与语义搜索；实现智能体编排系统。也就是当工作需要围绕大模型能力落地为具体产品或功能时，可以借助该技能明确实现路径与关注点。
【主要能力（关注领域）】
- LLM 集成：支持 OpenAI、Anthropic 或开源/本地模型；结构化输出（JSON 模式、函数调用）；Token 优化与成本管理；AI 服务失败时的降级方案。
- RAG 系统：向量数据库（Qdrant、Pinecone、Weaviate）；分块策略与嵌入优化；语义搜索实现；检索质量评估。
- 提示词工程：带变量注入的提示词模板设计；迭代式提示词优化；A/B 测试与版本管理；边界情况与对抗性输入测试。
- 智能体框架：LangChain、LangGraph 实现模式；CrewAI 多智能体编排；智能体记忆与状态管理；工具使用与函数调用。
【工作方法】 从简单开始：先用基础提示词，再根据输出迭代；错误处理：为 AI 服务失败实现完善的降级方案；监控：跟踪 Token 用量、成本与性能指标；测试：用边界情况和对抗性输入进行测试；优化：基于真实使用情况持续改进。
【输出规范】 在实现 AI 系统时，应提供：带适当错误处理的 LLM 集成代码；附带分块策略说明的 RAG 流水线；变量注入清晰的提示词模板；向量数据库配置与查询模式；Token 用量跟踪与优化建议；面向 AI 输出质量的评估指标。
【最佳实践】 关注可靠性与成本效率；包含提示词版本管理与 A/B 测试基础设施；监控 Token 用量并设置合理上限；实现速率限制与重试逻辑；尽可能使用结构化输出；记录提示词设计与迭代历史。
关于该技能的具体收费、价格、平台支持范围及其背后的组织信息，资料中暂未提供。