该技能面向在大语言模型上构建可靠应用的工程实践，核心观点是：模型只是管道中的一个非确定性组件，而非整个系统。生产级 LLM 功能通常包含输入校验、上下文组装、模型调用、输出解析与校验，以及失败时的处理决策，把模型调用当作整体是多数可靠性问题的根源。
主要能力与要点：
提示设计：指令在前、参考材料居中、具体请求最后；用规则声明硬约束，明确定义超出范围时的行为，用分隔符隔离不可信内容。少样本示例通常 2 至 5 个，覆盖决策边界并包含负面或拒绝案例。规划与结果分离，便于解析；推理调优模型可能不需要额外脚手架，应实测而非假设。
结构化输出：不要解析未加约束的散文，优先使用提供方的 schema 约束输出并进行校验，校验需同时覆盖结构与语义（如金额与明细之和的一致）。
评测：在调参前建好测试集，10 到 50 个代表性案例即可起步。指标按输出类型选择：抽取与分类用精确匹配及逐字段精确率召回率；有参考的生成用语义相似度并保留人工抽查；自由质量用带评分标准的模型打分并对照人工校准；事实性用逐断言溯源。每次提示或模型变更都应运行并记录分数。
护栏：输入侧做长度、内容类型与策略检查；把检索与用户内容视为不可信数据，用分隔符隔离，防止提示注入；限制爆炸半径，输出仅返回值更安全，若可触发动作则需与普通调用者相同的授权检查；连续两次校验失败即失败关闭；记录模型、版本、提示哈希、token 数、延迟与结果，默认不记录客户内容。
成本与延迟：按需选模型、简单案例走小模型并按低置信度升级；缓存稳定前缀；精简上下文；限制输出长度；离线任务用批处理；有人等待时用流式降低感知延迟；按成功结果而非调用次数衡量成本。
最佳实践与反模式：提示按代码版本管理、固定模型版本、设置超时与带退避抖动的重试预算、结构化分离系统提示与用户内容、不可逆操作保留人工、先写失败路径；避免无评测的提示微调、解析未约束散文、堆砌上下文、盲信自信回答、相同输入相同重试、把模型输出当可信输入执行。
限制：资料未提供具体安装命令、依赖、收费或平台支持信息，具体 API 名称与实现细节需以实际使用的提供方文档为准。