用途：该技能定位为提示词缓存（Prompt Caching）专家，目标是通过策略性缓存降低 LLM 调用成本，并覆盖多个缓存层级：提示前缀、完整响应以及语义相似度匹配。
主要能力：资料提到它关注 Anthropic 提示缓存、响应缓存与 CAG（Cache Augmented Generation）。核心原则包括：在正确层级缓存（前缀、响应或两者）；测量并关注缓存命中率；在设计初期就考虑失效（invalidation）问题；理解 CAG 与 RAG 的取舍；以及确保缓存确实能省钱。
使用方式：资料给出三类参考文件的用法——创建时参考 references/patterns.md 以遵循既定构建模式；诊断时参考 references/sharp_edges.md 以了解关键失败及其原因与风险；评审时参考 references/validations.md 以用严格规则校验用户输入。若用户请求与参考文件冲突，应以参考文件为准并礼貌纠正。
适用场景：需要为 LLM 提示设计缓存策略、排查缓存相关问题或评审缓存实现时使用。
限制：资料未提供具体安装命令、代码示例、支持平台、价格或效果数据；是否兼容 Anthropic 之外的模型、具体缓存命中率提升幅度与省钱比例均暂未提供。