用途：该技能面向以 LLM 承担逻辑运算的 AI 优先应用，提供把提示词、LLM 调用、结构化输出与测试组织起来的工程模式。
核心原则是「逻辑用 LLM，管道用代码」：分类、抽取、摘要、自然语言推理决策、内容生成与转换、代码中易脆弱的复杂条件逻辑交给 LLM；数据校验（Zod/Pydantic）、API 路由与 HTTP、数据库、认证授权、编排与错误处理仍用传统代码。
主要能力与组织方式：项目结构把提示词模板、LLM 客户端与工具、响应 schema、使用 LLM 的业务逻辑分层，并在 tests 下划分单元、集成与 LLM 专用测试（含 fixtures 固定响应、evals 评测套件、mocks 模拟响应），另有 prompts 规格目录。客户端模式提供带类型的 llmCall 包装函数，用 Zod schema 校验响应，默认模型为 claude-sonnet-4-6，默认 maxTokens 为 1024。提示词以模板函数编写，并支持版本化（v1、v2、current）。
使用方式：测试分为三层——用 mock 的快速确定性单元测试、用 fixtures 测试解析的确定性测试、以及较慢、建议仅在 CI 夜间运行的评测测试（通过 RUN_LLM_EVALS=true 开关，超时 60 秒）。CI 中常规质量任务跑带 mock 的测试，评测任务按 schedule 或 workflow_dispatch 触发并注入 ANTHROPIC_API_KEY。另可记录模型、输入/输出 token 数、延迟与成本等指标。
限制与反模式：避免在业务逻辑中硬编码提示词、跳过 schema 校验、在 CI 中调用真实 LLM、不追踪成本与延迟、不求证提示词版本、不做评测、用 LLM 处理确定性逻辑或使用巨型单体提示词。具体成本计算函数未提供。