用途：在 Bitlysis 项目中构建或修改 LLM 功能、设计 AI 智能体工作流（ReAct、工具调用、多智能体）、实现 RAG 管道、编写评估测试用例或黄金数据集、集成 LLM API（OpenAI、Anthropic、Google Gemini）、开发 MCP 服务器。适用于 /agents/、/llm/、/rag/、/eval/、/mcp/ 等目录下的文件。
主要能力与规范：
- 安全优先：API 密钥仅通过环境变量读取，禁止硬编码；将外部内容（用户上传、网页抓取、爬取文档）视为潜在提示注入，需净化或沙箱处理；禁止将原始用户输入直接拼入系统提示。
- 工具/函数调用：为所有工具定义严格 schema（如 zod），使用前验证工具输出。
- 可观测性与日志：使用结构化日志记录 trace_id、模型、token 用量与延迟，失败时记录错误。
- RAG 管道：查询→嵌入（与索引同模型）→向量搜索（HNSW、余弦相似度）→混合重排→过滤（相关性>0.75）→上下文组装（带来源引用）→LLM 生成→带引用来源的响应。分块建议 512 token、50 token 重叠，存储元数据，使用稠密向量+BM25 稀疏混合搜索。
- 智能体架构：设置最大迭代次数（如 10）防止无限循环，超出则抛出超时错误。
- 评估：维护黄金测试用例 JSON，包含输入、期望包含/不包含内容、最低忠实度分数，使用 pytest 运行。
- 限流与成本控制：使用 tenacity 重试（最多 3 次，指数退避 4-60 秒）。
输出要求：所有 LLM 功能必须包含带 trace_id 的结构化日志、输入/输出 schema 验证、带用户可见消息的错误处理，以及至少一个评估黄金测试用例。
限制：资料未提供具体安装命令、收费信息或平台支持细节；部分代码示例为示意，实际实现需结合项目环境。