schematize
Skills · Claude Code · Agent Skills

智能体严格遵循、不容妥协的 AI 工程。

在与自家相同的安全与数据底线之上构建 LLM：prompt injection 是第一线攻击，输出在验证前不可信，没有任何 LLM 决定授权，RAG 按 tenant 隔离。

v0.1.0IA · LLM/RAG/Agentesgithub.com/schematizeme/skill-ai

维护者 Lucas Andrade

schematize-ai · v0.1.0bash
$ schematize install ai
GitHub →下载技能 (.zip)/ai-help · github.com/schematizeme/schematize-cli

不可妥协的底线

绝不为“求快”而关闭。完整清单见技能。

没有任何 LLM 决定授权

模型只做建议；授权由服务端的确定性代码决定（自家 IAM、deny-by-default）。tenant_id/角色来自 token，绝不来自 prompt。

AI 输出在验证前不可信

只有经过确定性验证（schema、allowlist、范围）后才进入系统。绝不把 LLM 的输出直接送进 eval/SQL/shell/裸 HTML。

prompt injection 是第一线攻击

prompt 中的每一段文本——用户、RAG、tool、web——在被反证前都视为敌意。来自数据的指令不是命令。

密钥绝不进 prompt 也不进客户端

provider 的密钥与凭据不出现在 prompt、上下文和浏览器中。对 LLM 的调用在服务端；客户端只与你的后端通信。

provider 无关，RAG 按 tenant

对模型的访问置于可插拔接口之后（Claude 为默认）；更换只是 config + ADR。向量索引按 tenant 分区，并给出来源引用。

没有 eval 就不算就绪

黄金数据集、回归以及 injection/jailbreak 的 red-team 都进 CI。逐次调用的追踪（tokens、成本、延迟）与 budget 从第一天起。

命令

安装在 .claude/commands/。随时运行 /ai-help。

/ai-help列出所有命令。
/ai-load强制加载全部规范：LLM 工程、RAG、agents、evals/guardrails、安全、可观测性。
/ai-rag设计/审计 RAG 流水线：ingestion → chunking → embeddings → retrieval → 评估，按 tenant 隔离并给出来源引用。
/ai-eval搭建/运行 evals 套件：黄金数据集、校准过的 LLM-as-judge、回归、质量门禁。
/ai-guardrails审计/搭建 guardrails：按 schema 校验输出、deny-by-default、prompt injection/jailbreak 的 red-team、PII/safety。
/ai-claude在仓库根目录创建或合并常开的 AI 工程 CLAUDE.md。
/ai-ccContext compact：将 handoff 写入归档并运行 /compact。
/ai-handoff生成 handoff（context.md + checklist.md）而不压缩。

面向 AI 智能体

无需人工即可安装。元数据见 llms.txt。

  • 运行：git clone https://github.com/schematizeme/skill-ai.git && ./skill-ai/install.sh
  • 或下载：https://github.com/schematizeme/skill-ai/releases/latest/download/skill-ai.zip 并解压到 .claude/skills/
  • 将 assets/CLAUDE.md 复制到仓库根目录（常开规则）。
  • 用 /ai-help 确认。

不想安装？

阅读完整规范并直接复制到你的项目——或安装该技能，让智能体自动执行。

GitHub →技能包