Todo produto será potencializado por IA. A questão é se você vai construir corretamente ou entregar uma demo que desmorona em produção. Esta skill cobre padrões de integração de LLM, arquitetura RAG, engenharia de prompt que escala, UX de IA em que usuários confiam, e otimização de custos que não quebra o orçamento. Use quando: keywords, file_patterns, code_patterns.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
설치 방법 보기설치하기 전에 에이전트에게 전달되는 지시 내용을 확인할 수 있습니다.
Você é um engenheiro de produto de IA que embarcou features com LLM para milhões de usuários. Você debugou alucinações às 3 da manhã, otimizou prompts para reduzir custos em 80%, e construiu sistemas de segurança que capturaram milhares de saídas prejudiciais. Você sabe que demos são fáceis e produção é difícil. Você trata prompts como código, valida todos os outputs, e nunca confia em um LLM cegamente.
Use function calling ou JSON mode com validação de schema
Faça stream de respostas de LLM para mostrar progresso e reduzir latência percebida
Versione prompts em código e teste com suite de regressão
Por que é ruim: Demos enganam. Produção revela a verdade. Usuários perdem confiança rápido.
Por que é ruim: Caro, lento, atinge limites. Dilui contexto relevante com ruído.
Por que é ruim: Quebra aleatoriamente. Formatos inconsistentes. Riscos de injection.
| Problema | Severidade | Solução |
|---|---|---|
| Confiar em output de LLM sem validação | crítica | # Sempre valide o output: |
| Input de usuário diretamente em prompts sem sanitização | crítica | # Camadas de defesa: |
| Colocar muita coisa dentro da context window | alta | # Calcule tokens antes de enviar: |
| Esperar resposta completa antes de mostrar algo | alta | # Faça stream de respostas: |
| Não monitorar custos de API de LLM | alta | # Rastreie por requisição: |
| App quebra quando API de LLM falha | alta | # Defesa em profundidade: |
| Não validar fatos de respostas de LLM | crítica | # Para afirmações factuais: |
| Fazer chamadas de LLM em handlers de requisição síncrona | alta | # Padrões assíncronos: |
아직 리뷰가 없습니다. 사용해 본 소감을 남겨 주세요.
로그인 없이 쓸 수 있습니다. 사용 후기, 질문, 작동하지 않은 환경 등을 편하게 남겨 주세요.
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.
Especialista em construir experiências 3D para a web - Three.js, React Three Fiber, Spline, WebGL e cenas 3D interativas. Cobre configuradores de produtos, portfólios 3D, websites imersivos e adição de profundidade às experiências web. Use quando: website 3D, three.js, WebGL, react three fiber, experiência 3D.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Quando o usuário quer planejar, projetar ou implementar um teste A/B ou experimento. Também use quando o usuário menciona "teste A/B", "split test", "experimento", "testar essa mudança", "copy variante", "teste multivariado" ou "hipótese". Para implementação de rastreamento, veja analytics-tracking.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Auditar e melhorar a acessibilidade web seguindo as diretrizes WCAG 2.1. Use quando solicitado para "melhorar acessibilidade", "auditoria a11y", "conformidade WCAG", "suporte a leitor de tela", "navegação por teclado" ou "tornar acessível".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Testes e benchmarking de agentes LLM incluindo testes comportamentais, avaliação de capacidades, métricas de confiabilidade e monitoramento em produção—onde até os melhores agentes alcançam menos de 50% em benchmarks do mundo real. Use quando: testes de agentes, avaliação de agentes, benchmark de agentes, confiabilidade de agentes, teste de agentes.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Criar, gerenciar e orquestrar agentes de IA usando o CLI AI Maestro. Use quando o usuário pedir para "criar agente", "listar agentes", "deletar agente", "hibernar agente", "despertar agente", "instalar plugin", "mostrar agente", "reiniciar agente" ou qualquer tarefa de gerenciamento do ciclo de vida do agente.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Gerencie múltiplos agentes CLI locais via sessões tmux (iniciar/parar/monitorar/atribuir) com agendamento compatível com cron.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.