## 资源脚本/ validate-ai-integration.sh 参考文献/ ai-patterns.md # 人工智能集成实施该技能将指导您将 AI 和 LLM 功能集成到应用程序中，从基本的聊天界面到复杂的 RAG 管道和函数调用。它利用 GoodVibes 精密工具和项目分析来实现生产就绪的 AI 实施。 ## 何时使用此技能当您需要执行以下操作时，请使用此技能： * 实现与 LLM 提供商的聊天界面 * 添加流式响应功能 * 构建RAG（检索增强生成）管道 * 集成嵌入和向量搜索 * 实现工具/函数调用模式 * 连接到 OpenAI、Anthropic 或本地模型 * 处理AI API速率限制和错误恢复 ## 工作流程请按照以下顺序进行 AI 集成： ### 1\.发现现有的人工智能基础设施在实施 AI 功能之前，请了解当前状态：检测堆栈：项目根目录：“。” 类别：[“ai”，“llm”] 这标识了： * 正在使用的AI SDK（Vercel AI SDK、LangChain、LlamaIndex） * 法学硕士提供商（OpenAI、Anthropic、Cohere） *矢量数据库（Pinecone、pgvector、Weaviate） * 现有的聊天或完成端点 * 嵌入生成模式 **检查 AI 决策的项目内存：** 精度读取：文件： - 路径：“.goodvibes/memory/decisions.json” - 路径：“.goodvibes/memory/patterns.json” 冗长：最少寻找： * 提供商选择（“使用 OpenAI GPT-4 提高质量”） * 成本优化模式（“24 小时缓存嵌入”） * 流媒体首选项（“始终针对聊天 UI 进行流媒体播放”） * 已知问题（“Claude Opus 的人择速率限制”） **搜索现有的人工智能模式：** precision_grep：查询： - id：openai-用法模式：“导入。*openai|来自‘openai’” glob: "**/*.{ts,tsx,js,jsx}" - id：流端点模式：“流|StreamingTextResponse|toDataStreamResponse” 全局：“**/*.{ts,tsx}” - id：嵌入模式：“嵌入|嵌入|向量” 全局：“**/*.{ts,tsx}” 输出：格式：仅文件 ### 2\.供应商选择根据需求选择合适的AI提供商和SDK。请参阅：**[references/ai-patterns.md]()**以进行提供商比较。 **关键决策因素：** 需要|推荐 ---|--- 最佳模型品质 | OpenAI GPT-4 或 Anthropic Claude Opus 最快的响应 | OpenAI GPT-4o 或 Anthropic Claude Haiku 性价比|人类克劳德俳句或 GPT-4o-mini 本地/隐私 | Ollama 与 Llama 3 或 Mistral 函数调用 | OpenAI（最佳支持）或 Anthropic 长上下文 |人类克劳德（200K 代币）反应集成 | Vercel人工智能SDK 复杂的工作流程| LangChain 或 LlamaIndex **安装依赖项：** 精度执行：命令： - cmd：“npm install ai @ai-sdk/openai @ai-sdk/anthropic zod” 期望：退出代码：0 冗长：最少 ### 3\.配置API密钥安全地管理环境变量中的 API 密钥。 **检查 .env.example 的文档：** 精度读取：文件： - 路径：“.env.example” 冗长：最少 **添加所需的环境变量：** 精度编辑：操作： - 文件：“.env.example” 编辑： - 动作：追加内容： | # AI 提供商 API 密钥 OPENAI_API_KEY=your_openai_api_key_here ANTHROPIC_API_KEY=sk-ant-... # 可选：模型配置 AI_MODEL=gpt-4o # 或 gpt-4o-mini、claude-3-5-sonnet-20241022 等 AI_TEMPERATURE=0.7 AI_MAX_TOKENS=4096 冗长：最少 **验证不存在硬编码密钥：** precision_grep：查询： - id：硬编码密钥模式：“sk-[a-zA-Z0-9]{20,}” glob: "**/*.{ts,tsx,js,jsx}" 输出：格式：仅计数期望计数：0。如果找到，立即将键移至环境变量。 ### 4\.实现聊天界面使用 Vercel AI SDK 模式创建聊天端点和 UI。 **创建API路由：** 精度写入：文件： - 路径：“src/app/api/chat/route.ts” 模式：如果存在则失败内容： | 从'@ai-sdk/openai'导入{openai}；从“ai”导入{streamText}；导出常量运行时='边缘'; // 可选：用于低延迟响应的边缘运行时。如果使用仅限 Node 的模块（ws、fs 等），请删除 // 注意：在文件顶部导入zod // 从 'zod' 导入 { z }; 导出异步函数 POST(req: Request) { // 使用 Zod 验证输入（此处所示，为简洁起见，在后面的示例中省略） const RequestSchema = z.object({ 消息： z.array(z.object({ 角色： z.enum(['用户', '助理', '系统']), 内容：z.string().max(10000), }））， }); const body = RequestSchema.safeParse(await req.json()); 如果（！body.成功）{ return new Response('无效请求', { status: 400 }); } const { 消息 } = body.data; 常量结果=streamText({ 型号：openai('gpt-4o'), 消息，温度：0.7，最大代币数：4096， }); 返回结果.toDataStreamResponse(); } 冗长：最少 **创建聊天UI组件：** 精度写入：文件： - 路径：“src/components/chat.tsx” 模式：如果存在则失败内容： | '使用客户端'；从 'ai/react' 导入 { useChat } ；导出函数 Chat() { const { 消息、输入、handleInputChange、handleSubmit、isLoading } = useChat(); 返回（

{messages.map((m) => (

{m.内容}

))} {isLoading &&

思考...

}

）； } 冗长：最少 **验证实施：** 精度执行：命令： - cmd：“npm 运行类型检查” 期望：退出代码：0 冗长：最少 ### 5\.实施流响应通过逐个令牌流优化聊天用户体验。 **流媒体通过 `streamText()` 和 `useChat()` 内置于 Vercel AI SDK**。上面的模式已经开始流动。 **对于自定义流实现：** 精度写入：文件： - 路径：“src/lib/streaming.ts” 模式：如果存在则失败内容： | 从“openai”导入 OpenAI； const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); 导出异步函数streamCompletion（提示：字符串）{ const 流 = 等待 openai.chat.completions.create({ 型号：'gpt-4o'，消息：[{角色：'用户'，内容：提示}]，流：真实， }); const 编码器 = new TextEncoder(); 返回新的 ReadableStream({ 异步启动（控制器）{ for wait (const 流块) { const content = chunk.choices[0]?.delta?.content || ''; 如果（内容）{ 控制器.enqueue(encoder.encode(内容)); } } 控制器.close(); }, }); } 冗长：最少 **服务器发送事件 (SSE) 替代方案：** 精度写入：文件： - 路径：“src/app/api/stream/route.ts” 模式：如果存在则失败内容： | 从“openai”导入 OpenAI；导出常量运行时='边缘'; // 可选：用于低延迟响应的边缘运行时。如果使用仅限 Node 的模块（ws、fs 等），请删除导出异步函数 POST(req: Request) { // 添加 Zod 验证，如第一个 API 路由示例所示 const { 提示 } = 等待 req.json(); const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); const 流 = 等待 openai.chat.completions.create({ 型号：'gpt-4o'，消息：[{角色：'用户'，内容：提示}]，流：真实， }); const 编码器 = new TextEncoder(); 返回新的响应（新的可读流（{ 异步启动（控制器）{ for wait (const 流块) { const content = chunk.choices[0]?.delta?.content || ''; 如果（内容）{ controller.enqueue(encoder.encode(`data: ${JSON.stringify({ content })}\n\n`)); } } controller.enqueue(encoder.encode('数据: [完成]\n\n')); 控制器.close(); }, }), { 标题：{ '内容类型'：'文本/事件流'， '缓存控制': '无缓存', '连接': '保持活动', }, } ）； } 冗长：最少 ### 6\.构建 RAG 管道实施文档摄取、分块、嵌入和检索。 **步骤 6.1：文档摄取** 精度写入：文件： - 路径：“src/lib/rag/ingestion.ts” 模式：如果存在则失败内容： | 从 'langchain/text_splitter' 导入 { RecursiveCharacterTextSplitter }；导出异步函数 chunkDocument（文本：字符串，元数据：记录<字符串，未知> = {}）{ const splitter = new RecursiveCharacterTextSplitter({ 块大小：1000，块重叠：200，分隔符：['\n\n', '\n', ' ', ''], }); const chunks =等待 splitter.createDocuments([文本], [元数据]); 返回 chunks.map((块, 索引) => ({ 内容：块.pageContent，元数据: { ...chunk.metadata, chunk_index: 索引 }, })); } 冗长：最少 **步骤 6.2：生成嵌入** 精度写入：文件： - 路径：“src/lib/rag/embeddings.ts” 模式：如果存在则失败内容： | 从“ai”导入{嵌入}；从'@ai-sdk/openai'导入{openai}；导出异步函数generateEmbedding(text: string): Promise { const { 嵌入 } = 等待嵌入（{ 模型：openai.embedding('text-embedding-3-small'), 值：文本， }); 返回嵌入； } 导出异步函数generateEmbeddings(texts: string[]): Promise { 返回 Promise.all(texts.map(generateEmbedding)); } 冗长：最少 **步骤 6.3：矢量存储（松果示例）** 精度写入：文件： - 路径：“src/lib/rag/vector-store.ts” 模式：如果存在则失败内容： | 从 '@pinecone-database/pinecone' 导入 { Pinecone }；从'./embeddings'导入{generateEmbedding}； // 在启动时验证环境变量（此处显示示例，为简洁起见，后续使用 !） const apiKey = process.env.PINECONE_API_KEY; if (!apiKey) throw new Error('需要 PINECONE_API_KEY'); const pinecone = new Pinecone({ apiKey }); const index = pinecone.index('文档'); 导出异步函数 storeDocument(id: 字符串, 文本: 字符串, 元数据: 记录<字符串, 未知>) { const 嵌入=等待generateEmbedding(text); 等待索引.upsert([{ 身份证号，值：嵌入，元数据：{ 文本，...元数据 }， }]); } 导出异步函数 searchSimilar(query: string, topK: number = 5) { const queryEmbedding =等待generateEmbedding（查询）； const 结果 = 等待索引.query({ 向量：queryEmbedding，顶部K, 包括元数据：true， }); 返回结果.matches || []； } 冗长：最少 **步骤 6.4：RAG 完成端点** 精度写入：文件： - 路径：“src/app/api/rag/route.ts” 模式：如果存在则失败内容： | 从'@ai-sdk/openai'导入{openai}；从“ai”导入{streamText}；从'@/lib/rag/vector-store'导入{searchSimilar}；导出常量运行时='边缘'; // 可选：用于低延迟响应的边缘运行时。如果使用仅限 Node 的模块（ws、fs 等），请删除导出异步函数 POST(req: Request) { // 添加 Zod 验证，如第一个 API 路由示例所示 const { messages } = wait req.json(); const lastMessage = messages[messages.length - 1]; // 检索相关上下文 const context =等待searchSimilar(lastMessage.content, 3); const contextText = 上下文 .map((match) => match.metadata?.text || '') .join('\n\n'); // 使用上下文增强提示常量augmentedMessages = [ { 角色：'系统'，内容：“你是一个有用的助手。使用以下上下文回答用户的问题:\n\n${contextText}`, }, ...消息， ]; 常量结果=streamText({ 型号：openai('gpt-4o'), 消息：增强消息， }); 返回结果.toDataStreamResponse(); } 冗长：最少 ### 7\.实施矢量搜索配置向量数据库以进行语义搜索。 **提供商比较：** 请参阅：**[references/ai-patterns.md]()**进行矢量数据库比较。 **松果（管理）：** 精度执行：命令： - cmd：“npm install @pinecone-database/pinecone” 期望：退出代码：0 冗长：最少 **pgvector（PostgreSQL 扩展）：** 精度写入：文件： - 路径：“src/lib/vector/pgvector.ts” 模式：如果存在则失败内容： | 从 'drizzle-orm' 导入 { sql }; 从'@/lib/db'导入{db}；导出异步函数enablePgvector() { 等待 db.execute(sql`如果不存在则创建扩展向量`); } 导出异步函数 searchSimilar(嵌入: number[], limit: number = 5) { 返回 db.execute(sql` SELECT id、内容、元数据、1 - (嵌入 <=> ${embedding}::vector) AS 相似度来自文档按嵌入 <=> ${embedding}::vector 排序限制 ${限制} `); } 冗长：最少 **Weaviate（混合搜索）：** 精度写入：文件： - 路径：“src/lib/vector/weaviate.ts” 模式：如果存在则失败内容： | 从 'weaviate-ts-client' 导入 weaviate, { WeaviateClient }; const 客户端：WeaviateClient = weaviate.client({ 方案：'https'，主机：process.env.WEAVIATE_HOST！， apiKey: { apiKey: process.env.WEAVIATE_API_KEY! }, }); 导出异步函数混合搜索（查询：字符串，限制：数量= 5）{ 返回客户端.graphql .get() .withClassName('文档') .withHybrid({ 查询, alpha: 0.5 }) .withFields('内容元数据_additional { 分数 }') .withLimit(限制) .do(); } 冗长：最少 ### 8\.实现工具/函数调用使 LLM 能够调用外部函数和工具。 **使用 Zod 模式定义工具：** 精度写入：文件： - 路径：“src/lib/ai/tools.ts” 模式：如果存在则失败内容： | 从 'zod' 导入 { z }；从“ai”导入{工具}；导出常量天气工具 = 工具({ 描述：“获取某个位置的当前天气”，参数： z.object({ location: z.string().describe('城市名称或邮政编码'), 单位: z.enum(['摄氏度', '华氏度']).default('摄氏度'), }), 执行： async ({ 位置，单位 }) => { // 使用 URL 构造函数调用天气 API 以进行安全参数编码 const url = new URL('https://api.weather.com/v1/current'); url.searchParams.set('位置', 位置); url.searchParams.set('单位', 单位); const 响应 = 等待 fetch(url); 返回response.json(); }, }); 导出常量计算器工具 = 工具({ 描述：“执行数学计算”，参数： z.object({ expression: z.string().describe('要计算的数学表达式'), }), 执行： async ({ 表达式 }) => { // 使用 mathjs 进行安全评估尝试{ const { 评估 } = 等待导入('mathjs'); const 结果 = 评估（表达式）；返回{结果}； } 捕获（错误）{ return { error: '无效的表达式' }; } }, }); 冗长：最少 **使用工具完成：** 精度写入：文件： - 路径：“src/app/api/chat-tools/route.ts” 模式：如果存在则失败内容： | 从'@ai-sdk/openai'导入{openai}；从“ai”导入{streamText}；从'@/lib/ai/tools'导入{weatherTool，calculatorTool}；导出常量运行时='边缘'; // 可选：用于低延迟响应的边缘运行时。如果使用仅限 Node 的模块（ws、fs 等），请删除导出异步函数 POST(req: Request) { // 添加 Zod 验证，如第一个 API 路由示例所示 const { messages } = wait req.json(); 常量结果=streamText({ 型号：openai('gpt-4o'), 消息，工具：{ 天气：天气工具，计算器：计算器工具， }, maxSteps: 5, // 允许使用多步工具 }); 返回结果.toDataStreamResponse(); } 冗长：最少 **在 UI 中处理工具结果：** 精度编辑：操作： - 文件：“src/components/chat.tsx” 编辑： - 动作：替换 old_text: "导出函数 Chat() {" 新文本：| 导出函数 Chat() { const { 消息、输入、handleInputChange、handleSubmit、isLoading } = useChat({ onToolCall: ({ toolCall }) => { // 在生产中使用正确的记录器： logger.info('工具调用：', toolCall.toolName, toolCall.args); console.log('工具调用：', toolCall.toolName, toolCall.args); }, }); 冗长：最少 ### 9\.添加安全性和速率限制防止滥用并管理成本。 **限速中间件：** 精度写入：文件： - 路径：“src/middleware/rate-limit.ts” 模式：如果存在则失败内容： | 从'@upstash/ratelimit'导入{Ratelimit}；从'@upstash/redis'导入{Redis}；常量 Redis = 新 Redis({ url: process.env.UPSTASH_REDIS_REST_URL!, 令牌：process.env.UPSTASH_REDIS_REST_TOKEN！， }); 导出常量速率限制 = 新速率限制（{ 雷迪斯， limiter: Ratelimit.slidingWindow(10, '60 s'), // 每分钟 10 个请求分析：真实， }); 导出异步函数 checkRateLimit(identifier: string) { const { 成功、限制、剩余、重置 } =等待ratelimit.limit(identifier); 如果（！成功）{ throw new Error(`超出速率限制。在 ${Math.ceil((reset - Date.now()) / 1000)}s` 中重试`); } 返回{限制，剩余，重置}； } 冗长：最少 **对路由应用速率限制：** 精度编辑：操作： - 文件：“src/app/api/chat/route.ts” 编辑： - 动作：替换 old_text: "导出异步函数 POST(req: Request) {" 新文本：| 从 '@/middleware/rate-limit' 导入 { checkRateLimit }；导出异步函数 POST(req: Request) { const ip = req.headers.get('x-forwarded-for') || '匿名的'; 尝试{ 等待 checkRateLimit(ip); } 捕获（错误）{ const 消息 = 错误实例错误？ error.message : '超出速率限制'; 返回新的响应（消息，{状态：429}）； } 冗长：最少 **及时预防注射：** 精度写入：文件： - 路径：“src/lib/ai/safety.ts” 模式：如果存在则失败内容： | // 检测提示注入尝试导出函数 detectorInjection(输入：字符串): boolean { 常量注入模式 = [ /忽略（上一个|上面|全部）（说明|提示）/i， /你现在/我， /新指令：/i， /系统：/i， /<\w+>/, // 类似 HTML 的标签 ]; 返回injectionPatterns.some((pattern)=>pattern.test(input)); } // 清理用户输入导出函数 sanitizeInput(输入：字符串): 字符串 { // 删除潜在的注入标记返回输入 .replace(/[<>]/g, '') .replace(/系统:/gi, '') .trim() .slice(0, 10000); // 限制长度 } 冗长：最少 **内容过滤：** 精度写入：文件： - 路径：“src/lib/ai/moderation.ts” 模式：如果存在则失败内容： | 从“openai”导入 OpenAI； const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); 导出异步函数moderateContent(text: string) { const 审核 =等待 openai.moderations.create({ 输入: 文本 }); const 结果 = moderation.results[0]; if (结果.标记) { const 类别 = Object.entries(结果.类别) .filter(([_, 已标记]) => 已标记) .map(([类别]) => 类别); 抛出新的错误（`内容标记为：$ {categories.join（'，'）}`）； } 返回结果； } 冗长：最少 ### 10\.测试人工智能集成实施确定性测试策略。 **模拟法学硕士回复：** 精度写入：文件： - 路径：“src/lib/ai/__tests__/chat.test.ts” 模式：如果存在则失败内容： | 从 'vitest' 导入 { 描述、it、期望、vi }；从“ai”导入{streamText}； vi.mock('ai', () => ({ 流文本：vi.fn(), })); 描述('聊天API', () => { it('应该返回流式响应', async () => { 常量模拟流 = { toDataStreamResponse: () => new Response('模拟响应'), }; vi.mocked(streamText).mockResolvedValue(mockStream); 从 '@/app/api/chat/route' 导入 { POST }； const req = new Request('http://localhost/api/chat', { 方法：'POST'， body: JSON.stringify({ messages: [{ role: 'user', content: 'Hello' }] }), }); const 响应 = 等待 POST(req); 期望（response.ok）.toBe（true）; }); }); 冗长：最少 **使用确定性种子进行测试：** 精度写入：文件： - 路径：“src/lib/ai/__tests__/embeddings.test.ts” 模式：如果存在则失败内容： | 从 'vitest' 导入 { 描述、它、期望 }；从'../embeddings'导入{generateEmbedding}；描述（'嵌入'，（）=> { // 模拟AI SDK以防止测试中真正的API调用 vi.mock('ai', () => ({ 嵌入： vi.fn().mockResolvedValue({ 嵌入：new Array(1536).fill(0.1) }) })); it('应该生成一致的嵌入', async () => { const text = '你好世界'; const embedding1 = 等待generateEmbedding(text); const embedding2 = 等待generateEmbedding(text); // 嵌入应该非常相似（余弦相似度） const 相似度 = cosineSimilarity(embedding1, embedding2); 期望（相似度）。toBeGreaterThan（0.99）； }); }); 函数 cosineSimilarity(a: 数字[], b: 数字[]): 数字 { const dotProduct = a.reduce((sum, val, i) => sum + val * b[i], 0); 常量 A = Math.sqrt(a.reduce((sum, val) => sum + val * val, 0)); const 大小 B = Math.sqrt(b.reduce((sum, val) => sum + val * val, 0)); 返回点积 / (幅度 A * 幅度 B); } 冗长：最少 **成本跟踪：** 精度写入：文件： - 路径：“src/lib/ai/cost-tracker.ts” 模式：如果存在则失败内容： | 从'@upstash/redis'导入{Redis}；常量 Redis = 新 Redis({ url: process.env.UPSTASH_REDIS_REST_URL!, 令牌：process.env.UPSTASH_REDIS_REST_TOKEN！， }); 常量 MODEL_COSTS = { // 截至 2026 年初的价格——验证提供商网站的当前价格 'gpt-4o': { 输入: 0.0025, 输出: 0.01 }, // 每 1K 代币 'gpt-4o-mini': { 输入: 0.00015, 输出: 0.0006 }, 'claude-opus-4': { 输入: 0.015, 输出: 0.075 }, 'claude-sonnet-4-5': { 输入: 0.003, 输出: 0.015 }, 'claude-haiku-4-5': { 输入: 0.0008, 输出: 0.004 }, }; 导出异步函数 trackUsage( 模型：MODEL_COSTS 类型的键，输入令牌：数字，输出令牌：数字）{ const 成本 = MODEL_COSTS[模型]; const 成本 = (inputTokens / 1000) * 成本.input + (outputTokens / 1000) * 成本.output; const Today = new Date().toISOString().split('T')[0]; const key = `ai:cost:${today}`; 等待 redis.incrbyfloat(key, cost); 等待 redis.expire(key, 86400 * 90); // 90 天保留退货费用； } 导出异步函数 getTodayCost(): Promise { const Today = new Date().toISOString().split('T')[0]; const cost = wait redis.get(`ai:cost:${today}`); 退货成本|| 0; } 冗长：最少 ### 11\.验证运行验证脚本以确保满足所有 AI 集成要求：精度执行：命令： - cmd：“bash插件/goodvibes/skills/outcome/ai-integration/scripts/validate-ai-integration.sh。” 期望：退出代码：0 详细程度：标准验证脚本检查： 1.安装AI SDK或LLM库 2. .env.example 中记录的 API 密钥 3. 存在流端点 4.源代码中没有硬编码的API密钥 5. 限速配置 6. AI调用的错误处理 7. 代币/成本跟踪模式 **部署前修复任何违规行为。** ## 最佳实践 ### 错误处理 * 始终将 AI 调用包装在 try/catch 块中 * 通过指数退避处理速率限制 * 为外部API实现断路器 * 记录错误而不暴露 API 密钥 ### 性能 * 缓存嵌入经常访问的内容 * 使用流式传输来完成长时间的工作 * 可能的话批量嵌入生成 * 实现请求重复数据删除 ### 成本管理 * 设置每个请求的最大令牌限制 * 追踪每日/每月支出 * 使用更便宜的模型来完成简单的任务 * 在适当的时候缓存完成 ### 安全 * 切勿将 API 密钥提交给源代码管理 * 对每个用户/IP实施速率限制 * 在发送给法学硕士之前对用户输入进行清理 * 对用户生成的提示使用内容审核 * 验证工具执行结果 ### 监控 * 跟踪代币使用情况和成本 * 监控响应延迟 * 记录成功和失败的请求 * 对异常支出模式发出警报 ## 常见陷阱 1. **忘记直播**：始终直播聊天界面以改善用户体验 2. **忽略速率限制**：实现退避和重试逻辑 3. **硬编码提示**：使用模板系统以实现可维护性 4. **不对文档进行分块** ：大文档需要对 RAG 进行分块 5. **跳过成本跟踪**：人工智能成本可能会迅速上升 6. **信任用户输入**：始终清理和验证 7. **无错误边界**：故障应该优雅地降级 8. **超大上下文**：限制上下文以保持在代币预算之内 ## 其他资源 * [Vercel AI SDK 文档]() * [OpenAI API 参考]() * [人类克劳德文档]() * [LangChain文档]() * [Pinecone 文档]() 请参阅 **[references/ai-patterns.md]()** 了解详细的提供程序比较和架构模式。

人工智能集成

包含技能