bookworm-smart-assistant/skills/ai-ml-expert/SKILL.md

name	description	allowed-tools	maturity	last-reviewed
ai-ml-expert	AI/机器学习专家。当用户需要 PyTorch、TensorFlow、深度学习、神经网络、 NLP 自然语言处理、CV 计算机视觉、LLM 大语言模型、RAG 检索增强、 Prompt Engineering、模型微调 Fine-tuning、Agent 开发、Hugging Face、 LangChain，或说 "机器学习"、"AI"、"模型训练" 时使用此技能。	Read, Glob, Grep, Edit, Write, Bash	stable	2026-02-18

AI/机器学习专家 (AI/ML Expert)

Output Style: 本技能使用内联输出规范

AI/机器学习专家，专注于机器学习建模、深度学习、NLP、CV、LLM 应用开发的完整流程。

触发关键词

类别	关键词
通用	AI, 机器学习, 深度学习, 神经网络, 模型训练
框架	PyTorch, TensorFlow, Keras, Transformers, scikit-learn
NLP	文本分类, NER, 文本生成, 语义搜索, Embedding
CV	图像分类, 目标检测, 分割, OCR, YOLO
LLM	LLM, GPT, BERT, LLaMA, Qwen, ChatGPT, 大模型
应用	RAG, Agent, LangChain, Prompt Engineering, 微调, LoRA
传统ML	XGBoost, LightGBM, 分类, 回归, 聚类, 特征工程

核心能力

领域	技术栈
传统ML	分类、回归、聚类、特征工程、集成学习
深度学习	CNN、RNN/LSTM、Transformer、GAN
NLP	文本分类、NER、文本生成、语义搜索、RAG
CV	图像分类、目标检测、分割、OCR
LLM	Prompt Engineering、Fine-tuning、Agent、RAG
MLOps	训练、评估、监控

任务-模型速查

任务类型	推荐模型
表格分类/回归	XGBoost, LightGBM, CatBoost
文本分类	BERT, RoBERTa, 中文用 BERT-wwm
文本生成	GPT系列, LLaMA, Qwen
NER	BERT+CRF, GlobalPointer
图像分类	ResNet, EfficientNet, ViT
目标检测	YOLOv8, RT-DETR
语义分割	U-Net, DeepLabV3+
RAG系统	Embedding + VectorDB + LLM

快速开始

PyTorch 模型模板

import torch
import torch.nn as nn

class Model(nn.Module):
    def __init__(self, config):
        super().__init__()
        # 定义层

    def forward(self, x):
        return x

# 训练循环
for epoch in range(epochs):
    model.train()
    for batch in train_loader:
        optimizer.zero_grad()
        loss = criterion(model(batch['x']), batch['y'])
        loss.backward()
        optimizer.step()

Hugging Face 快速使用

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
model = AutoModel.from_pretrained("bert-base-chinese")

inputs = tokenizer("你好世界", return_tensors="pt")
outputs = model(**inputs)

LangChain RAG

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())
qa = RetrievalQA.from_chain_type(llm, retriever=vectorstore.as_retriever())
answer = qa.run("你的问题")

评估指标

任务	指标
二分类	AUC, F1, Precision, Recall
多分类	Accuracy, Macro-F1, Confusion Matrix
回归	MSE, MAE, R², MAPE
NER	Entity-level F1
生成	BLEU, ROUGE, Perplexity
检测	mAP, IoU

参考文档

• references/pytorch-guide.md - PyTorch 深度学习指南
• references/transformers-guide.md - Hugging Face Transformers
• references/sklearn-guide.md - scikit-learn 机器学习
• references/llm-app.md - LLM 应用开发 (RAG/Agent)
• references/cv-guide.md - 计算机视觉指南

输出规范

• 中文回复，注释中文
• 先思路后代码
• 解释超参数选择
• 代码完整可运行