用途：该技能提供一套构建生产级 LLM 应用与流水线的方法论，核心原则是先手动验证，再围绕非确定性的 LLM 核心搭建确定性流水线。
主要能力：
- 任务-模型匹配分析：判断任务是否适合 LLM，适合的包括综合归纳、主观判断、容错、自然语言理解、创意输出；不适合的包括精确计算、实时要求、确定性输出、结构化数据查询、高频调用。
- 手动原型验证：在自动化前，用目标模型手动测试一个真实样例，确认输出质量、边界情况与单次成本。
- 流水线架构：确定性阶段包裹一个非确定性核心，分为 Acquire（获取）、Prepare（格式化）、Process（LLM 推理）、Parse（解析）、Render（输出）五阶段，附 TypeScript（TanStack Start）与 Python（FastAPI）示例。
- 文件系统作为状态机：以文件存在与否判断流水线状态，支持幂等重启、可调试、成本节约与并行安全。
- 结构化输出设计：向模型披露解析意图，使用 JSON 或分节标记，配合 Zod/Pydantic 校验。
- 架构精简：减少工具数量可提升成功率（案例中从 17 个工具降至 2 个，成功率由 80% 升至 100%）。
- 成本估算：提供按 token 与模型定价估算总成本的函数示例。
使用方式：技能内含 references、examples、templates、checklists 等文档，可复制 pipeline-template.ts 或 pipeline-template.py 起步，按五阶段组织代码，并用 llm-project-checklist.md 做上线前检查。
适用场景：构建 LLM 驱动的分析、分类、摘要、推荐、内容生成等应用与批处理流水线。
限制：资料未提供具体安装命令、依赖版本、完整 API 细节及实际效果保证；示例中的模型名称与定价为资料所载，可能随时间变化。