使用说明
AI开发栈
用于人工智能原生开发的生产级规则、文档、提示和模式套件。它教你的AI编码工具-- 光标 和 克劳德代码 --像首席架构师一样思考：选择正确的层，遵循干净的架构，并发布可部署的代码而不是演示。将其放入任何项目中，助手将在第一个提示上继承一致的操作模型。
快速开始
光标
curl -fsSL https://raw.githubusercontent.com/aiagentwithdhruv/ai-dev-stack/main/install.sh | bash
克劳德代码
curl -fsSL https://raw.githubusercontent.com/aiagentwithdhruv/ai-dev-stack/main/claude/CLAUDE.md -o CLAUDE.md
两者（推荐）
curl -fsSL https://raw.githubusercontent.com/aiagentwithdhruv/ai-dev-stack/main/install.sh | bash
curl -fsSL https://raw.githubusercontent.com/aiagentwithdhruv/ai-dev-stack/main/claude/CLAUDE.md -o CLAUDE.md
心智模型：基质×两轴
套件中的所有东西都放在一个上面 基底 并按照以下方式组织 两个轴 — 怎么 你建造和 什么 你建造。预留空间(_frontier/)持有尚不稳定的模式。
ai-dev-stack/
├── foundations/ # SUBSTRATE — non-negotiables every build inherits
│ ├── rules/ # clean architecture, security, response style
│ ├── docs/ # PRD / ARCHITECTURE / API / SCHEMA / DEPLOY templates
│ ├── evals/ # measure before you trust — task + regression evals
│ ├── observability/ # tracing, cost, latency, structured logs
│ ├── guardrails/ # layered policy → input → output → monitor
│ └── prompts/ # reusable system + task prompt patterns
│
├── pillars/ # AXIS 1 — HOW you build
│ ├── software-development/ # backend, frontend, data, API contracts, DevOps
│ ├── agents/ # tools, schemas, orchestrator–worker, supervisor loops
│ └── automation/ # event/scheduled pipelines → companion repo below
│
├── domains/ # AXIS 2 — WHAT you build
│ ├── rag-knowledge/ # ingestion, chunking, retrieval, grounded answers
│ ├── data-analytics/ # NL-to-SQL, metrics, reporting, BI assistants
│ ├── voice/ # STT, TTS, real-time voice agents
│ ├── vision-doc-ai/ # OCR, document extraction, multimodal pipelines
│ ├── content-generation/ # long-form, structured, and media generation
│ └── decisioning-forecasting/# scoring, ranking, prediction, recommendations
│
└── _frontier/ # RESERVED — emerging patterns, not yet production-stable
把它当作一个网格来阅读。 任何项目都会选择一个或多个 支柱 （the 怎么)以及一个或多个 领域 （the 什么)，然后把整件事都放在上面 基础RAG支持助理 pillars/agents + domains/rag-knowledge 上 foundations/{rules,evals,guardrails}。一个夜间报告机器人是 pillars/automation + domains/data-analytics基材永不改变；轴组成。
基材-- 地基/
每个构建都继承默认值，无论是支柱还是域。规则和文档模板告诉AI 怎么 编写代码和 什么 你正在建设；评估、可观察性和护栏使其在生产中保持诚实。从这里开始——看 地基/.
轴1——支柱（如何构建）
| 支柱 | 它涵盖了什么 |
|---|---|
| 软件开发/ | 精简路由、服务、存储库、键入的API协定、缓存、CI/CD |
| 代理商/ | 工具模式、验证输出、编排器——工作人员和主管模式。 |
| 自动化/ | 事件驱动和计划管道——请参阅下面的配套仓库。 |
轴2——域（您构建的内容）
| 域名 | 它涵盖了什么 |
|---|---|
| 抹布知识/ | 将摄入与世代分开；块元数据；有根据的、引用的答案。 |
| 数据分析/ | NL到SQL、只读查询代理、指标、仪表板。 |
| 声音/ | 语音转文本、文本转语音、低延迟语音代理。 |
| 视觉文档ai/ | OCR、文档提取、多模式理解。 |
| 内容生成/ | 具有质量门的长篇、结构化和媒体内容。 |
| 决策预测/ | 评分、排名、预测——LLM之前用于表格数据的经典模型。 |
同伴回购
与此堆栈配对的聚焦存储库（保持独立，因此每个存储库都可以单独搜索和重用）：
- 人工智能自动化套件 --n8n优先+通用工作流自动化模式。这
automation柱子与它相连。 - 技能 --可安装的AI代理技能包(
npx skills add …)，交叉工具（Claude/Cursor/Copilot/Codex/Windsurf/Cline）。这foundations/规则和技能层链接在这里。 - 幽灵浏览器 --人工智能驱动的浏览器自动化（网络抓取、自动发布）；一个可运行的示例，与
automation支柱。
建议的GitHub主题
ai-agents · rag · llm · prompt-engineering · automation · mcp · llmops · evals · claude-code · cursor · ai-development
贡献和更改日志
许可证
麻省理工学院——使用它，分叉它，发布更好的代码。
