用途：帮助用户构建有效的 AI 应用，适用于开发 LLM 应用、撰写提示、设计 AI 功能、实现 RAG、创建智能体等场景。资料给出的是方法论与提问引导，而非可直接运行的工具或代码。
主要能力（按资料归纳）： 提示技巧：少样本示例优于文字描述；提供自己的观点；复杂任务先分解为子问题再综合；让模型自查自评并改进；角色设定影响风格而非准确性；长上下文放在提示开头（可缓存且不易遗忘任务）。 架构思路：上下文工程比提示工程更关键，模型判断差多因上下文不足；RAG 质量取决于数据准备，将源数据改写为问答格式并补充人类默认理解的注释；用多个模型分层（一个生成、一个审查）提升稳健性；专业任务用专门模型；实时建议的延迟阈值约 200ms。 评估：评估是必需能力而非可选，需知道准确率才能设计体验；二值通过/失败优于 1-5 分；新产品可先用直觉测试，用例收敛后再做正式评估；若用 LLM 作评判，需评估该评判并与人类专家比对。 构建与迭代：失败时重试同一提示，模型是随机的；请求可以更激进；卡住时把代码换到另一个模型寻求新视角；保存有效提示建立库，实现复利式工程。 与 AI 工具协作：重视阅读代码与调试，语法交给 AI；用聊天模式让 AI 解释其逻辑；可用自然语言先做原型再交工程。
使用方式：资料以引导式对话展开，建议先了解用户构建内容与核心用户问题，再判断问题属提示、上下文还是模型选择，并应用对应技巧；同时给出可向用户提问与需指出的常见错误（长期依赖直觉、只改提示、单一模型、一次失败即放弃、跳过人工审核）。
适用场景：LLM 应用开发、提示设计、RAG、智能体与 AI 功能评估。
限制：未提供具体安装命令、代码示例、价格或平台信息；更多洞见见 references/guest-insights.md，相关资料技能包括 AI Product Strategy、AI Evals、Vibe Coding、Evaluating New Technology。