用途：设计并实现 Schema-Guided Reasoning（SGR）流水线，将领域专家的思维检查清单转化为 LLM 的结构化推理模式。核心原理是用约束解码引导模型按预定义步骤推理，而非自由文本：领域专家检查清单 → Pydantic/Zod 模式 → 约束解码 → 确定性调度。
主要能力：支持三种模式——NextStep 模式（智能体循环，含 current_state、plan_remaining_steps、task_completed 路由门与 function 联合类型）、Analysis Cascade 模式（单次调用，先分析后决策、先证据后结论）、Tool Dispatch 模式（用 Literal 判别器实现确定性路由）。设计规则包括：级联顺序（分析先于决策）、用 Literal 约束枚举、限制列表长度、判别式联合、决策后加验证字段、每条推理路径一个模式、把约束烘焙进类型。
使用方式：解析 $ARGUMENTS；若为 audit 则扫描项目现有 Pydantic/Zod 模式并评估合规性；若有任务描述则从零设计；若为空则询问领域。随后访谈领域确定推理级联，设计模式，实现调度循环（如 client.beta.chat.completions.parse 配合 response_format=NextStep），并将模式放入 schemas/ 或 models/、调度放入 dispatch.py、补充测试。
适用场景：智能体工具调度、合规/代码审查/评估等结构化分析流水线、用单次结构化调用替代提示链、任何需要 LLM 输出可解析可执行的地方。
限制：需模型支持约束解码，否则可能忽略枚举约束；缺少完成信号或迭代上限会导致智能体死循环；模式过于扁平会降低效果。参考资料含 sgr-rules.md、sgr-demo.py、sgr-patterns.md、sgr-full-guide.md，以及 Rust 的 sgr-agent、openai-oxide 和 Python 的 sgr-agent-core 等实现。具体收费与平台支持暂未提供。