用途：为一个已有应用规划并落地 AI 功能。核心主张是 AI 功能必须替用户省掉一步手工操作，或回答界面无法回答的问题，否则只是装饰。提案须绑定应用里真实存在的表和列，先出静态原型再动手。
工作流分六个阶段：
- 盘点本机：探测 Ollama、LM Studio、whisper.cpp、llama.cpp、内存、托管密钥名（只读变量名不读值），产出机器清单。
- 读应用：从文档、schema 与迁移中梳理表、自由文本列、外部客户端与凭据位置、搜索实现、后台任务与打包路径，只看结构不读数据行，产出数据形状清单。
- 生成并评分候选：按有用性、契合度、成本档位、风险四轴各 0–3 打分，低于 6 归入后续列表；风险为 0 强制仅本地运行；清单最多八个。
- 原型：为前 3–5 个方案各做一个自包含 HTML 页面，放在暂存区而非仓库，含完整屏幕、填充态与降级态、日夜切换，复用应用自身颜色与字体 token，使用示例数据并标注为示例。
- 呈现：每项说明用户看到什么、模型与运行时、接入哪个模块、新增存储、降级消息、原型与工期估算；用户逐项接受、裁掉或重排，并将已接受项写入 ROADMAP.md。
- 初始 AI 底座：仅在批准后搭建共享管线，包括运行时检测、统一运行时接口、配置键、默认关闭的功能开关、带进度的模型拉取与两条失败提示。
适用场景：已有代码库、有明确数据列且存在真实用户时刻的应用，例如书目标签建议、后台批量生成照片描述、按需摘要维护日志。限制与要点：提案不得引用不存在的列；不得用真实数据做原型；设置阶段只搭管线，不建功能；本地模型上下文、向量检索距离阈值、打包内嵌模型与 sqlite-vec、托管调用限流与配额、Whisper 对静音音频的幻觉等均需按文档逐项处理。测评调优另见 EVAL.md。