Loading...
Loading...
共找到 19 个 Skills
AI优先的应用模式、LLM测试、提示词管理
将硬编码提示词迁移至Langfuse，实现版本控制与无需部署的迭代。适用于用户希望将提示词外部化、迁移至Langfuse或搭建提示词管理体系的场景。
一款用于追踪、评估、提示词管理和成本跟踪的LLM可观测性平台。适用于Langfuse部署、LLM成本监控、token使用量追踪或提示词版本控制场景。
Amazon Bedrock 提示词管理：用于创建、版本控制和管理带有变量的提示词模板，支持多变体A/B测试以及与Flow集成。适用于创建可复用提示词模板、管理提示词版本、为提示词实施A/B测试、将提示词与Bedrock Flows集成、优化提示词工程或构建生产级提示词目录等场景。
专注于大语言模型（LLM）提示词的设计、优化与评估。擅长思维链（Chain-of-Thought）、ReAct、少样本学习以及生产环境下的提示词管理。适用于提示词编写、LLM输出优化或提示词系统构建场景。触发关键词包括"prompt engineering"、"prompt optimization"、"chain of thought"、"few-shot"、"prompt template"、"LLM prompting"。
Langfuse 专家——这是一款开源LLM可观测性平台。涵盖追踪、提示词管理、评估、数据集，以及与LangChain、LlamaIndex和OpenAI的集成。对于生产环境中LLM应用的调试、监控和优化至关重要。适用场景：langfuse、llm可观测性、llm追踪、提示词管理、llm评估。
使用Go语言的Genkit开发AI驱动的应用。适用于用户要求使用Genkit在Go中构建AI功能、Agent、工作流或工具，或者处理涉及内容生成、提示词、流式输出、工具调用、对接模型提供商的Genkit Go代码的场景。
当用户需要设计单个模型请求或一类请求的指令方式与模板结构时使用，包括提示词插槽、输入/指令/信息分层、映射、递归占位符注入、提示词配置、基于YAML或配置文件驱动的提示词行为，以及可复用的提示词结构。
将包含硬编码LLM提示词的应用分五个阶段迁移至完整的LaunchDarkly AI Configs实现：提取提示词、用AI SDK封装、添加工具、添加追踪功能、添加评估/判定器。适用于用户希望将模型/提示词配置外部化、从直接调用服务商接口（OpenAI、Anthropic、Bedrock、Gemini）切换到托管式AI Config，或是进行从硬编码到LaunchDarkly的完整分阶段迁移场景。
与Langfuse API进行交互。当用户想要查询追踪记录、获取提示词、创建数据集、管理评分或通过Langfuse REST API执行其他操作时使用。
通过Langfuse MCP调试AI追踪记录、排查异常、分析会话并管理提示词，同时支持MCP的安装与配置。
使用LangSmith对LLM应用和AI Agent进行插桩、链路追踪、评估和监控。适用于为LLM流水线设置可观测性、运行离线或在线评估、在Prompt Hub中管理提示词、创建回归测试数据集，或是部署Agent服务器等场景。触发关键词：langsmith, langchain tracing, llm tracing, llm observability, llm evaluation, trace llm calls, @traceable, wrap_openai, langsmith evaluate, langsmith dataset, langsmith feedback, langsmith prompt hub, langsmith project, llm monitoring, llm debugging, llm quality, openevals, langsmith cli, langsmith experiment, annotate llm, llm judge。