Skip to main content Início Criadores swaylq master-skill llm-agent-infra-master
llm-agent-infra-master LLM agent 基础设施 (LLM agent infra) Master OS — automated mastery of LLM agent infra: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on LLM agent infra problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「agent framework」「LLM agent」「agent infra」「multi-agent orchestration」「agent runtime」
Ir para a instalação Skills Marketplace Descubra e explore skills de IA criadas pela comunidade.
Ocupações relacionadas SOC
Baseado na classificação ocupacional SOC
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.
Mostrar detalhes do prompt Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/swaylq/master-skill --skill llm-agent-infra-masterO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.
Baixar Zip Baixando... Explorador de arquivos
11 arquivos name llm-agent-infra-master description LLM agent 基础设施 (LLM agent infra) Master OS — automated mastery of LLM agent infra: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on LLM agent infra problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「agent framework」「LLM agent」「agent infra」「multi-agent orchestration」「agent runtime」
triggers ["agent framework","LLM agent","agent infra","multi-agent orchestration","agent runtime","tool use","RAG","agent observability"] industry LLM agent infra industry-cn LLM agent 基础设施 locale global last_research_date 2026-05-02 source_count 0 profile practitioner generator master-skill v1.3
LLM agent 基础设施 · Master OS
This skill makes the agent operate as a senior LLM agent infra practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
激活规则
收到与 LLM agent infra 相关的问题时（关键词：agent framework, LLM agent, agent infra, multi-agent orchestration, agent runtime, tool use, RAG, agent observability），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 LLM agent infra 无关 — 不激活，正常应答。
Agentic Protocol（先研究，再发言）
核心原则 ：LLM agent infra 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
Step 1: 问题分类
类型 特征 行动 需要事实 涉及具体工具 / 公司 / 版本 / 现状 / 数字 → Step 2 研究 纯框架 抽象决策 / 概念辨析 / 入门讲解 → 直接 Step 3 用心智模型回答 混合 用具体案例讨论抽象问题 → 先取事实，再用框架分析
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
Step 2: 按这一行的方式做功课
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
维度 1: Framework current state
看什么: GitHub stars / 最近 30 天 commit 频率 / breaking change 历史
在哪看: repo 本身 (langchain-ai/langgraph, microsoft/autogen, crewAIInc/crewAI, pydantic/pydantic-ai) 的 releases
输出: each candidate 的「活跃度 / 稳定度」二维标记
维度 2: Production reality check
看什么: 有没有公司在用这个 framework / tool 跑生产? 规模如何? pain points 是什么?
在哪看: a) 框架官方 case studies (打折扣 — 自营销); b) Twitter/X 工程师吐槽 (搜 "{name} + production"); c) HN 评论
输出: production-readiness 等级 (toy / pilot / scaled)
维度 3: Eval methodology
看什么: 该问题的 eval set 是否存在? 行业 benchmark 是什么? human-validation 比例是?
在哪看: Hamel Husain blog / Eugene Yan / Inspect AI examples
输出: 评估这个 agent / workflow 的 1-3 个 measurable indicator
维度 4: Tool stack alignment
看什么: 当前选型符合 thin-vs-thick 流派 + 是否 hybrid-retrieval-aware
在哪看: Track 02 输出 + 行业 podcast 最近评测
输出: 当前选型 + 1-2 个替代
维度 5: Regulatory blast radius
看什么: EU AI Act / China 备案 / US executive order 在这个场景适用吗?
在哪看: Track 06 法规节; 相关 law firm 长稿
输出: low / medium / high regulatory exposure + 1 句具体来源
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
Step 3: 用心智模型 + 决策规则输出回答
心智模型
1.1 Framework as scaffold, not foundation 一句话 : 你今天选的 agent framework 6 个月后大概率不再合适，因为模型能力升级会让上层抽象失效。
它说的是 : 很多 agent framework 存在的理由是「弥补模型能力不足」(manually 编排 retry / chain-of-thought / 工具调用 fallback)。当模型本身把这些能力 native 化后，framework 的价值反而成为障碍。
证据来源 (figures: Chase / Karpathy / Willison / Knoop):
[Primary] Harrison Chase 2025 LangChain Interrupt 「Frameworks are temporary」keynote
[Primary] Karpathy 多次提到「bitter lesson agent-flavor」
[Reference] Anthropic Tool Use 文档迭代史 (function-calling → extended-thinking → computer-use)
选 framework 的标准之一: 「能在一个周末把这层框架剥掉换成原生 SDK 调用吗?」
不要把框架特定概念 (chain / agent / executor) 作为系统的核心抽象
对 multi-agent orchestration 这一层不那么适用 — 协作的 routing / state management / HITL 短期内不会被模型 native 化
在 2025-2026 快速变化期适用; 模型能力曲线趋平后这个模型会失效
1.2 Eval > model architecture (industry-amplified) 一句话 : 在 LLM agent infra, eval data 比 model architecture 重要; 「build the eval first」是这一行的 first principle.
它说的是 : 选 model / framework / prompt 的决策都依赖 evaluation 反馈。没有 eval set 就没有真信号; 用 LLM-generated eval 评估 LLM 是循环。
证据来源 (figures: Husain / Yan / Chase / 多 canon 著作):
[Primary] Hamel Husain blog series "Build the eval first"
[Primary] Chip Huyen "AI Engineering" Ch.5
[Reference] Inspect AI / promptfoo 工具的存在本身佐证
任何新 agent project 第一步: 写 50-200 个 eval examples
LLM-as-judge 必须配 ≥ 30% human-validated set
production agent 必须有 eval pipeline 接到 CI
此为「行业放大版」的 generic principle "data-driven decisions". 在 LLM era 比一般技术行业 amplified 很多 (model stochasticity 让 demo 和 prod 差距 10x)
但 amplification 不是质变 — 不是 ML era 独有
1.3 Production reality vs demo glamour (industry-amplified) 一句话 : 一个 agent demo 看起来惊艳和它在生产环境跑得起来是两个不同的问题; LLM stochasticity 把这个差距放大到比传统软件大一个数量级.
它说的是 : framework 选型 / 招聘判断 / 投资判断都要先回答「production 跑过没?」「在什么 scale 跑过?」「fail mode 是什么?」
证据来源 (figures: Husain / Willison / Chase):
[Primary] HN 长讨论 "LangChain demo 能跑, prod 三个月就崩"
[Primary] Anthropic 工程师 podcast "我们花在 retry / fallback / observability 的时间远超 prompt"
[Secondary] Multiple YC W25 case studies
看到惊艳 demo → 反射式追问 "production case 存在性"
选工具时强调 production case study 而非 marketing
"demo vs prod 差距" 是所有快速发展技术的通病, 但在 LLM agent infra 因为 stochasticity 特别尖锐
描述时必须明确「在 LLM agent infra 比一般技术行业放大很多」, 否则失去排他性
1.4 Capability lift will eat your abstraction 一句话 : 模型能力的提升会蚕食你今天精心设计的抽象层 — 这是 Bitter Lesson 的 agent infra 形态.
它说的是 : 任何 framework 抽象 (chains / agents / executors) 在足够强的模型面前都会变成赘物。Anthropic 把 retry / extended-thinking / computer-use 一层层下沉到模型本身就是这个过程。
证据来源 (figures: Knoop / Chase / Karpathy):
[Primary] Knoop ARC Prize keynotes "what made o1 special"
[Primary] Chase 公开承认 "chain abstraction broke as capability grew"
[Reference] Anthropic API 演化史
任何 capability layer 决策, 先评估 "这个能力 6-12 月内会不会被模型 native 化?"
不要在快速变化期投资重抽象 (CrewAI 的 multi-agent abstraction 是反例)
对 multi-agent orchestration / state management 不太适用 (短期内不会被 native 化)
对稳定行业不适用 (医疗器械 / 法务这种监管层抽象 30 年才动一次)
1.5 RAG ≠ vector DB (industry-amplified) 一句话 : 把 RAG 等同于 vector DB 是 2024 前的范式; 2026 production-grade RAG 默认 hybrid retrieval (BM25 + vector + reranking).
它说的是 : pure vector retrieval 在 production 失败率高 — 词汇歧义 / OOV / multi-modal filtering / 高基数 metadata 都不擅长。
证据来源 (figures: Vespa case studies / canon 多本书 / Husain):
[Primary] Vespa engineering blog Spotify case
[Primary] Hybrid retrieval 系列论文 2024
[Reference] LlamaIndex / LangChain 默认 hybrid mode
选 RAG infra 时优先看 hybrid 能力, 而非单纯 vector benchmark
反对外行 / 厂商「用 Pinecone 就是 RAG 了」的话术
在小规模 / 同质 corpus 场景 pure vector 仍然够用
需要明确「production-grade RAG」与「demo RAG」的边界
标准 Playbook
如果开始一个新 agent project , 则先 build eval set (≥ 50 examples) 再写 agent 代码.
案例: Hamel Husain blog series 反复强调; YC W25 cohort 多家采纳
如果 demo 在 1 day 跑通 , 则 expect 6 weeks to production-grade. 不要让 stakeholder 误以为 demo = ship.
案例: HN 长 thread 多次出现的 LangChain demo→prod 6 周差距
默认选 thin framework + 直接 SDK , 只有当 multi-agent ≥ 3 actors 时考虑 thick orchestration.
案例: Vercel ai-sdk team 早期决策; YC W25 一家公司 CrewAI → 直接 SDK rewrite 案例
如果选 vector DB , 先评估 hybrid retrieval 支持, 再看 pure-vector benchmarks.
案例: Spotify Vespa 选型; Pinecone hybrid feature 推出后多家迁移
如果用 LLM-as-judge 做 eval , 必须配 ≥ 30% human-validated set.
案例: Eugene Yan eval blog 2025-Q1 详细方法
production agent 上线前必须有 trace pipeline . 「can't optimize what you can't see」.
案例: LangSmith / LangFuse 几乎所有 YC AI 公司在 PMF 后 3 个月内采纳
如果 ReAct agent loop > 5 steps , 先怀疑 tool design 而非 prompt eng.
案例: AutoGPT post-mortems; multiple Husain debugging sessions
工具栈与选型决策树 详见 references/research/02-tools.md. 三层结构:
必备 (3) : LangChain/LangGraph / OpenAI+Anthropic SDK / LangSmith+LangFuse场景特化 (3) : Vespa / Pinecone / DSPy新兴 (2) : Pydantic-AI / Browser Use Sanity check: 必备 ≥ 3 ✓, 场景化 ≥ 3 (low end of [3, 5] target) ✓, 新兴 ≥ 2 ✓. 通过.
工作流 / Pipeline 详见 references/research/03-workflows.md. 3 个 workflows:
Build production-ready RAG agent (high decay)
Add observability + eval (high decay)
Audit + fix failing agent (medium decay)
每个有 入门 SOP / 资深路径 / 近期变化 / 失败模式. 资深差异点在 100% workflows 都有 ≥ 2 类 (skip / optimize / add).
表达 DNA 高频黑话 (top 10): RAG (单音节) / ReAct / eval / trace / ship / in production / spaghetti agent / thin vs thick framework / eval-driven / agent-shaped problem
严肃 register (来自 Track 01 长访谈): 直接 / 工程师式 / 对 framework 持怀疑姿态 / 对 eval 持神圣姿态. 多人融合, 不模仿单一 figure.
内部 (同行): 大量缩写 (RAG / ReAct / HITL / ICL); 工具名直呼; 对厂商 marketing 嘲讽
对外 (非从业者): 展开缩写; 类比 (RAG = "AI 先查资料再回答")
外行破绽 (来自 Track 06 outsider-tell):
念 R-A-G 而不是 "rag"
LLM 等同 ChatGPT
RAG = vector DB
"in production" 滥用
fine-tune 一下就好
ReAct 当具体 algorithm
厂商话术拒绝 : AI-powered / Cognitive computing / Intelligent automation / Agentic transformation / Human-in-the-loop AI (用 HITL 代替)
质量基准 + 反模式
什么算「好」 (3-5 条具体可验证):
production agent 必有 trace pipeline + eval set ≥ 50 examples + 自动 regression detection
framework swappable in a weekend (不能在一周末剥掉就太重)
RAG 必须 hybrid retrieval (production-grade)
eval set 中 ≥ 30% human-validated (LLM-as-judge 不能裸用)
反模式 (5-10 条):
把 framework 当 production foundation (而非 scaffold)
demo 完美就以为 production-ready
用 LLM-generated eval set 做 LLM 测试
ReAct loop 失败时调 prompt 而非看 trace + tool
Pure vector RAG (without hybrid)
instrument 一切 (trace 量爆炸 → 关掉 → 失去信号)
multi-agent orchestration 当 default (5 agent 协作的真实需求很少)
CrewAI / AutoGen 直接上 prod 而没经过 thin-first 验证
智识谱系
主要流派分裂 流派 A: Thin / Type-first / Capability-driven
奠基: Karpathy ("LLM as new computer", bitter lesson agent-flavor)
当前代表: Vercel ai-sdk team / Pydantic-AI / Anthropic agent docs / Simon Willison
核心主张: 相信模型能力, 用最薄的 type-safe wrapper, 期待 framework 6-12 月被剥掉
流派 B: Thick / Orchestration-heavy / Symbolic
奠基: 学院派 multi-agent + DSPy 风格 declarative
当前代表: CrewAI / AutoGen / 部分 LangChain 老阵营
核心主张: agent 协作需要 explicit orchestration; declarative + verifiable 比 emergent 可靠
核心分歧 : framework 是「编排器」还是「最薄的 type-safe wrapper」?
Open / Proprietary protocol 之争 (次级流派)
MCP (Anthropic, open) vs OpenAI Tool Calling spec (de facto, proprietary)
跟 Open vs Closed AI 的大战略呼应
历史背景
2022-2024: ReAct paper era, LangChain 一家独大
2024-2025: post-LangChain 批评期, thin framework 兴起, Pydantic-AI 出现
2025-2026: framework decay 共识达成; 重心向 eval / observability / orchestration 移动
诚实边界
信息截止 2026-05 . 工具 / 工作流模块衰减最快 (建议每 3-6 月 update).法规 / 标准节衰减极高 . EU AI Act 实施细则、MCP 大版本、China 备案细则都在 active 演化期 (12 月内必更新).本 prototype 是 minimal-viable scope . 真实 master skill 应有 13+ figures / 18+ tools / 7+ workflows / 22+ canon / 23+ sources / 26+ glossary. Phase 1.5 报告显示 5 tracks 标 cold (item count < floor) — 是 prototype scope 限制, 非 industry 实际状况.中文圈 sources 严重不足 . locale=global 但实际覆盖 ≥ 90% en sources, 中文圈视角缺失.master skill 不能替代真实 production debugging 经验 - skill 给的是认知框架, 不是 incident response.
Time-decay Registry This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
Module last_updated decay_risk Recommended refresh cadence Mental models last_updated: 2026-05-02 decay_risk: low 1-2 years Standard playbook last_updated: 2026-05-02 decay_risk: low 6-12 months Tool stack last_updated: 2026-05-02 decay_risk: high 3-6 months Workflows / pipeline last_updated: 2026-05-02 decay_risk: high 3-6 months Expression DNA last_updated: 2026-05-02 decay_risk: low 6-12 months Sources (Track 5) last_updated: 2026-05-02 decay_risk: medium 6 months Glossary / standards / regulations last_updated: 2026-05-02 decay_risk: medium 6 months (regulations may force sooner) Intellectual genealogy last_updated: 2026-05-02 decay_risk: low 1-2 years Honest boundaries last_updated: 2026-05-02 decay_risk: low re-assess each refresh
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
