LLM Operations -- RAG, embeddings, vector databases, fine-tuning, prompt engineering avancado, custos de LLM, evals de qualidade e arquiteturas de IA para producao.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
LLM Operations -- RAG, embeddings, vector databases, fine-tuning, prompt engineering avancado, custos de LLM, evals de qualidade e arquiteturas de IA para producao.
LLM Operations -- RAG, embeddings, vector databases, fine-tuning, prompt engineering avancado, custos de LLM, evals de qualidade e arquiteturas de IA para producao. Ativar para: implementar RAG, criar pipeline de embeddings, Pinecone/Chroma/pgvector, fine-tuning, prompt engineering, reducao de custos de LLM, evals, cache semantico, streaming, agents.
When to Use This Skill
When you need specialized assistance with this domain
Do Not Use This Skill When
The task is unrelated to llm ops
A simpler, more specific tool can handle the request
The user needs general-purpose assistance without domain expertise
How It Works
A diferenca entre um prototipo de IA e um produto de IA e operabilidade.
LLM-Ops e a engenharia que torna IA confiavel, escalavel e economica.
".join(context_parts)
response = client.messages.create(
model="claude-opus-4-20250805", max_tokens=1024,
system=system or "Responda baseado no contexto.",
messages=[{"role": "user", "content": f"Contexto:
{context}
{query}"}])
return response.content[0].text
Escolha Do Vector Db
DB
Melhor Para
Hosting
Custo
Chroma
Desenvolvimento, local
Self-hosted
Gratis
pgvector
Ja usa PostgreSQL
Self/Cloud
Gratis
Pinecone
Producao gerenciada
Cloud
USD 70+/mes
Weaviate
Multi-modal
Self/Cloud
Gratis+
Qdrant
Alta performance
Self/Cloud
Gratis+
Pgvector
CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE knowledge_embeddings (
id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
content TEXT NOT NULL,
embedding vector(1536),
metadata JSONB,
created_at TIMESTAMPTZ DEFAULT NOW()
);
CREATE INDEX ON knowledge_embeddings
USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);
SELECT content, 1 - (embedding <=> QUERY_VECTOR) AS similarity
FROM knowledge_embeddings ORDER BY similarity DESC LIMIT 5;
Estrutura De Prompt De Elite
Componentes do system prompt Auri:
Identidade: Nome (Auri), Tom (Natural, caloroso, direto), Plataforma (Amazon Alexa)
Regras: Maximo 3 paragrafos curtos, sem markdown, linguagem conversacional
Capacidades: analise de negocios, conselho baseado em dados, criatividade
Limitacoes: sem internet tempo real, sem transacoes financeiras
def cot_analysis(problem: str) -> str:
steps = [
"1. O que exatamente esta sendo pedido?",
"2. Que informacoes sao criticas para resolver?",
"3. Quais abordagens possiveis existem?",
"4. Qual abordagem e melhor e por que?",
"5. Quais riscos ou limitacoes existem?",
]
prompt = f"Analise passo a passo:
PROBLEMA: {problem}
"
prompt += "
".join(steps) + "
Resposta final (concisa, para voz):"
return call_claude(prompt)
