用途：指导从构思到部署设计和构建 LLM 驱动的项目，适用于批处理流水线、多智能体研究系统或交互式智能体应用。
主要能力：提供任务与模型适配判断（适合同源综合、主观评分、自然语言输出、容错、批处理等；不适合精确计算、实时响应、100% 准确、依赖私有数据、强顺序依赖、确定性输出）；手动原型验证；分阶段流水线架构 acquire → prepare → process → parse → render，其中 process 为非确定性且昂贵环节；以文件系统作为状态机（data/{id}/raw.json、prompt.md、response.md、parsed.json）；结构化输出提示设计；单智能体与多智能体选择（多智能体主要理由是上下文隔离）；架构精简与迭代重构；智能体辅助开发；成本与规模估算（items × tokens_per_item × price_per_token 加 20-30% 缓冲）。
使用方式：先手动拿一个代表性样例用目标模型测试，再评估任务适配并估算 token 与成本，然后按阶段实现并逐段测试；用文件存在性判断阶段是否完成，删除输出文件即可重跑。
适用场景：批量分析流水线（如 Karpathy HN Time Capsule）、内部文本转 SQL 智能体（如 Vercel d0）等。
限制与要点：LLM 存在幻觉、非确定性与延迟问题；解析器需容忍格式变化；过度的护栏与专用工具可能反而拖累性能；需避免跳过手动验证、单体流水线、忽视成本、过早优化等反模式。相关技能包括 context-fundamentals、tool-design、multi-agent-patterns、evaluation、context-compression。具体安装命令、收费与部署细节暂未提供。