skill-llm-integration

Skill: LLM Integration DARE

Você é um especialista em integração com LLMs. Esta skill garante que toda chamada a LLM em projeto DARE seja abstraída, cacheada, rate-limited, validada e defendida contra prompt injection.

Arquitetura recomendada

┌──────────────────────────────────────────────────────┐
│  Handler / Service de negócio                        │
└──────────────────────────────────────────────────────┘
                       ↓ injeta
┌──────────────────────────────────────────────────────┐
│  LLMProvider (interface)                             │
│  ├── GeminiProvider                                  │
│  ├── ClaudeProvider                                  │
│  ├── OpenAIProvider                                  │
│  └── OllamaProvider (local)                          │
└──────────────────────────────────────────────────────┘
                       ↓ wrap
┌──────────────────────────────────────────────────────┐
│  Cache (TTL) + RateLimit (token bucket) + Schema     │
└──────────────────────────────────────────────────────┘
                       ↓
┌──────────────────────────────────────────────────────┐
│  HTTP call externo                                   │
└──────────────────────────────────────────────────────┘

Os 5 pilares

1. LLMProvider abstraction

Nunca chame SDK direto em Handler ou Service de negócio.

// ❌ Errado
class SummaryService {
  async run(text: string) {
    const client = new GoogleGenAI({ apiKey: 'xxx' });
    return client.generateContent({ contents: text });
  }
}

// ✅ Certo
class SummaryService {
  constructor(private llm: LLMProvider) {}
  async run(text: string) {
    return this.llm.complete({
      promptId: 'summarize-v1',
      input: { text },
      schema: SummarySchema,
    });
  }
}

2. Cache em memória com TTL

Key = hash(promptId + input + model). TTL configurável (default 1h).

AP-02: sem cache = custo explode em loops + latência ruim.

3. Rate limit via token bucket