通用 AI 工程技能

定位

用于跨语言、跨模型提供方的 AI 应用与推理工程。核心规则处理不可信模型输出、调用契约、权限、状态、评测、成本和恢复；具体能力按模型集成、RAG、Agent、GPU/多模态和质量专项渐进加载。

最小充分加载

1. 开始实质分析或修改前读取 references/ai-core-rules.md。
2. 只加载当前问题需要的专项：
   • 模型调用、流式响应和结构化输出：references/model-integration-structured-output.md
   • RAG、Embedding、检索权限与评测：references/rag-retrieval-evaluation.md
   • Agent、工具调用和工作流：references/agent-tool-workflows.md
   • MCP 工具合同、可发现性、组合任务与协议相关验收：references/mcp-tool-design.md
   • 推理 Worker、GPU、多模态和生成任务：references/inference-gpu-multimodal.md
   • AI 质量、安全、成本和可观测性：references/ai-quality-security-observability.md
3. 从依赖、配置、调用代码、请求响应契约、任务状态和实际运行证据确认模型提供方、模型版本、SDK、同步/异步、流式方式、输入输出和部署形态；不得只凭项目名称或文件名推断。
4. 多模型、多提供方或多模态链路先划分每个调用的能力、数据、成本与失败边界，不一次加载无关专项。

强制边界

• 模型输出、检索结果和工具返回都是不可信输入；金额、权限、状态、代码、命令和外部动作必须程序化校验并按风险取得人工确认。
• AI 负责模型/RAG/Agent 语义、评测和生成任务成功边界；语言 SDK、Web API、普通 Worker 和业务事务组合 $backend-engineering。
• 向量数据库引擎、对象存储、MQ、GPU 资源、容器、Kubernetes 和网络机制组合 $data-middleware-infrastructure。
• 浏览器端流式展示、生成进度和交互状态组合 $frontend-engineering。
• 不把一次非空输出当作成功，不用无限重试掩盖契约、权限、容量或模型不兼容，不因 AI 任务自动引入 Agent、RAG、向量库或 GPU。
• 修改运行行为时组合 $engineering-quality-delivery；以日志、Trace、模型耗时或资源指标为主要证据时组合 $log-observability-analysis。
• 技能激活不能扩大模型调用、付费 API、文件修改、Git、部署、生产或数据写入授权。

模型与委派成本

主 Agent 保持当前选择。子 Agent 的型号、思考强度和预算采用脚本决策与弹性规则；执行脚本返回的精确参数。

• 新默认覆盖 GPT-6 Luna、Sol、Astra 的 low/medium/high；信息不足采用 Sol/medium，不以缺少理由、收益卡或历史样本阻止派发。
• 模型保留语义判断和调整建议；脚本在既有权限、总预算和允许调整范围内重新计算后才改变调用参数。规模或单次检查失败不直接代表难度，也不必然升档。
• 可计算的读取、去重、计数、预留和重试交脚本。缺证据走默认/降级路径，允许继续与验证通过分开记录。
• 子 Agent 不接收无关 Prompt、模型输入输出、敏感文档或完整生产日志，只返回结构化证据和未验证项。

核心原则

先确认模型能力、调用契约、数据与权限边界，再建立可验证的成功标准、失败收敛和成本上限；AI 结果必须经过确定性系统约束才能进入业务事实或执行链路。