该技能来自 greyhaven-ai/claude-code-config，用于构建生产级 LLM 应用与管道，方法论参考 Karpathy、Vercel d0、Manus 与 Anthropic 研究。核心原则：先手动验证，再围绕非确定性的 LLM 核心构建确定性流水线。
用途与阶段：一、任务—模型匹配分析，判断任务是否适合 LLM，适合合成、主观判断、容错与创意类任务，不适合精确计算、实时、确定性输出与高频调用。二、手动原型验证，构建自动化前用生产所用模型在界面中测试真实样例。三、流水线架构，由获取、准备、处理、解析、渲染等确定性阶段包裹一个非确定性核心。四、以文件系统作为状态机，用文件存在判断阶段、支持幂等重启与缓存。五、结构化输出设计，向模型披露解析意图，可用分节标记或 JSON 模式。六、架构精简，减少工具数量可提升成功率。七、成本估算，按模型定价预估每次运行费用。
资源包含 references、examples、templates 与 checklists，提供 TypeScript（TanStack Start）与 Python（FastAPI）示例及模板。使用方式：先做任务适配与手动验证，再按阶段设计流水线，定义结构化输出并逐步实现。限制：资料未提供官方安装命令、完整 API、许可说明或平台要求。