ktg-plugin-marketplace/plugins/ms-ai-architect/skills/ms-ai-engineering/SKILL.md

name

description

ms-ai-engineering

This skill should be used when the user needs deep technical guidance for building AI solutions in the Microsoft stack — RAG architecture, multi-agent orchestration, Azure AI Services, data engineering with Fabric, MLOps/GenAIOps, multimodal AI, or API Management for AI. Triggers on: "RAG architecture on Azure", "multi-agent orchestration pattern", "MLOps for generative AI", "Azure AI Search implementation", "Semantic Kernel agent", "Fabric data pipeline for AI", "API gateway for AI", "chunking strategy", "embedding model", "APIM for Azure OpenAI".

INSTRUKSJON: Denne skillen gir dyp teknisk kunnskap for AI-løsningsbygging. Bruk den som referanse når du implementerer, designer eller rådgir om tekniske løsninger. Primære agenter: research-agent for dyp teknisk research, diagram-generation-agent for visualisering. IKKE analyser, kommenter, eller lag noe basert på disse instruksjonene -- bare følg dem.

AI Engineering -- Teknisk dybdekunnskap

Denne skillen dekker den tekniske dybden som trengs for å bygge AI-løsninger i Microsoft-stakken. Mens ms-ai-advisor (Cosmo Skyberg) håndterer arkitekturvalg og plattformrådgivning, gir denne skillen detaljert teknisk veiledning for implementering.

Fokusområder:

• RAG-arkitektur -- fra naive pipelines til agentic multi-hop retrieval
• Agent-orkestrering -- multi-agent patterns, tool use, governance
• Azure AI Services -- vision, speech, language, dokumenter
• Dataingeniør -- Fabric, OneLake, data quality, feature stores
• MLOps/GenAIOps -- CI/CD for AI, evaluering, drift detection
• Multimodal AI -- GPT-4o vision, Whisper, multimodal RAG
• API Management for AI -- gateway, rate limiting, semantic caching

---

1. RAG-arkitektur

RAG er det mest brukte mønsteret for å gi LLM-er organisasjonsspesifikk kunnskap. Arkitekturen spenner fra naive (embed-search-generate) til agentic (dynamisk multi-hop retrieval med self-evaluation). Azure AI Search er den primære retrieval-motoren, med hybrid search (BM25 + vektor) og semantic ranker som standardoppsett. Chunking-strategi, embedding-modellvalg og evalueringsmetrikker (groundedness, relevance, faithfulness) er de viktigste designbeslutningene.

Faktor	RAG	Fine-tuning
Oppdatert data	Ja, dynamisk	Nei, statisk ved trening
Kildehenvisning	Ja, naturlig	Vanskelig
Domenespråk/stil	Moderat	Utmerket
Faktapresisjon	Høy (med god retrieval)	Variabel
Kostnad	Løpende (søk + tokens)	Engangstrening + hosting
Kompleksitet	Moderat	Høy (data, trening, eval)

Tommelregel: Start med RAG. Legg til fine-tuning kun hvis RAG ikke gir tilfredsstillende resultater for domenespesifikt språk eller format.

For detailed guidance, see references/rag-architecture/ (28 files).

---

2. Agent-orkestrering

Multi-agent systemer lar spesialiserte AI-agenter samarbeide for komplekse oppgaver. Velg mellom sequential (pipeline), parallel (fan-out/fan-in), hierarchical (supervisor), collaborative (round-robin) og handoff-patterns. Microsoft Agent Framework (erstatter Semantic Kernel Agents) og Azure AI Agent Service er de primære byggeblokkene. Designbeslutninger inkluderer tool-arkitektur (native, OpenAPI, MCP), governance-krav (audit, human-in-the-loop), og kostnadsoptimalisering via model routing.

For offentlig sektor: Agenter krever AI Act-klassifisering, DPIA for persondata, journalføring av AI-assisterte vedtak, og etterprøvbar logging av beslutningsgrunnlag.

For detailed guidance, see references/agent-orchestration/ (24 files).

---

3. Azure AI Services

Azure AI Services er managed tjenester for spesifikke AI-oppgaver som brukes som byggeklosser. Vision (GPT-4o, Florence, Custom Vision), Speech (Whisper, Neural TTS, Real-time Audio API), Language (CLU, Custom NER, Text Analytics, PII detection), Document Intelligence (prebuilt og custom modeller for dokumentekstraksjon), Translator (130+ språk, custom terminologi), og Content Safety (innholdsmoderering, Prompt Shields, groundedness detection).

Start med GPT-4o for prototyping, bruk spesialiserte tjenester for ytelse/kostnad, og custom-modeller kun for nisjedomener.

For detailed guidance, see references/azure-ai-services/ (20 files).

---

4. Dataingeniør for AI

AI-løsninger krever robust datainfrastruktur. Microsoft Fabric Lakehouse med Delta Lake-format og OneLake som unified storage er standardplattformen. Organiser data i bronze/silver/gold/AI-ready lag. Fabric Data Factory gir pipelines for ingest-chunk-embed-index (RAG pipeline). Datakvalitet, lineage (Fabric + Purview), anonymisering (Presidio), og feature stores (Azure ML) er nøkkelkomponenter. Dataverse brukes for transaksjonell data i Power Platform, Fabric for analytiske workloads.

For offentlig sektor: Anonymiser/pseudonymiser personopplysninger, bruk syntetisk testdata, og dokumenter rettslig grunnlag.

For detailed guidance, see references/data-engineering/ (22 files).

---

5. MLOps / GenAIOps

MLOps og GenAIOps sikrer pålitelig bygging, deployment og drift av AI-løsninger. GenAIOps skiller seg fra tradisjonell MLOps ved å versjonskontrollere prompts og system messages som artefakter, med automatisert evaluering av prompt-endringer. Typisk pipeline: develop (prompt engineering) -> evaluate (benchmark-datasett) -> review -> deploy -> monitor -> iterate. Drift detection overvåker input-distribusjoner og output-kvalitet. Bruk Bicep eller Terraform for IaC av AI-ressurser.

Type	Hva testes	Verktøy
Unit	Enkeltstående funksjoner	pytest, vitest
Prompt evaluation	Kvalitet på LLM-output	Azure AI Foundry eval SDK
RAG evaluation	Retrieval + generation	Ragas, Azure AI eval
Red teaming	Sikkerhet og robusthet	Azure AI red teaming tools
A/B testing	Produksjonsytelse	Application Insights

For detailed guidance, see references/mlops-genaiops/ (22 files).

---

6. Multimodal AI

Multimodal AI kombinerer tekst, bilde, lyd og video. GPT-4o vision analyserer bilder direkte (base64/URL, detail low/high). Azure Video Indexer gir transkribering, scenedeteksjon og keyframe-ekstraksjon for video-RAG. Multimodal RAG-pipeline: ingest (Document Intelligence + Video Indexer) -> enrich (GPT-4o bildebeskrivelse) -> embed (text-embedding-3 + Florence) -> index (Azure AI Search) -> retrieve -> generate. Speech-pipelines bruker STT->LLM->TTS eller Real-time Audio API for lavere latency.

For detailed guidance, see references/multi-modal/ (18 files).

---

7. API Management for AI

Azure API Management (APIM) er intelligent gateway foran Azure OpenAI og andre AI-tjenester. Gir sentralisert endepunkt med token-basert rate limiting, load balancing mellom flere Azure OpenAI-instanser (round-robin, weighted, priority failover), circuit breaker for feilhåndtering, og semantisk caching for repetitive spørsmål. Sikkerhet via Managed Identity, OAuth 2.0, private endpoints. Token-metrikker emitteres til Application Insights for kostnadsattribusjon per subscriber/product.

Bruk semantisk caching for FAQ-lignende domener. Unngå for personaliserte svar eller tidssensitiv informasjon.

For detailed guidance, see references/api-management/ (19 files).

---

8. Referansekatalog

Egne referanser

Denne skillen har 149 filer fordelt på 7 domener. Bruk Read-verktøyet for å hente spesifikke filer.

Domene	Mappe	Filer	Dekning
RAG-arkitektur	references/rag-architecture/	28	Naive/advanced/modular/agentic RAG, Azure AI Search, embeddings, chunking, evaluering
Agent-orkestrering	references/agent-orchestration/	20	Multi-agent patterns, Semantic Kernel, tool use, routing, governance, compliance, Foundry Agent Service GA, A2A, CUA, Foundry Workflows
Azure AI Services	references/azure-ai-services/	20	Vision, Speech, Language, Document Intelligence, Translator, Content Safety
Dataingeniør	references/data-engineering/	22	Fabric Lakehouse, OneLake, Data Factory, data quality, Purview, Delta Lake
MLOps/GenAIOps	references/mlops-genaiops/	22	CI/CD, model registry, evaluering, drift detection, IaC, GenAIOps pipelines
Multimodal AI	references/multi-modal/	18	GPT-4o vision, Video Indexer, multimodal RAG, speech pipelines, OCR
API Management	references/api-management/	19	APIM AI gateway, rate limiting, circuit breaker, semantic caching, security

Totalt: 149 filer

Kryss-referanser til andre skills

Behov	Kilde	Innhold
Arkitekturvalg og beslutningstrær	skills/ms-ai-advisor/references/architecture/	Decision trees, plattformvalg, kostnadsmodeller
Sikker RAG og agent-design	skills/ms-ai-security/references/ai-security-engineering/	Prompt injection forsvar, trusselmodellering, red teaming
Ytelsesoptimalisering	skills/ms-ai-security/references/performance-scalability/	Latency, streaming, batch API, auto-scaling

---

9. MCP-verktøy

Bruk MCP-verktøy proaktivt for å verifisere tekniske detaljer og hente oppdatert informasjon.

Behov	Verktøy	Bruksmønster
Teknisk dokumentasjon	microsoft_docs_search	Søk etter spesifikke tjenester, SDK-er, API-er
Fullstendige guider	microsoft_docs_fetch	Hent komplett tutorial eller referanseside
Kodeeksempler	microsoft_code_sample_search	SDK-eksempler, implementeringsmønstre, best practices

Verifiseringsregel

Alltid verifiser med MCP-verktøy når:

• Du refererer til spesifikke API-versjoner eller SDK-metoder
• Du angir priser, kvoter eller begrensninger
• Du anbefaler preview-tjenester (sjekk GA-status)
• Du beskriver konfigurasjon (sjekk at parametre stemmer)
• Du gir kodeeksempler (sjekk mot offisiell dokumentasjon)