用途：为具体任务选择智能体执行循环、工具边界、记忆生命周期与恢复策略。先从一个智能体起步，仅在工作流允许且子任务独立有用时再委派。
主要能力：智能体架构设计、工具与函数调用、记忆系统、规划与推理策略、多智能体编排、评估与调试。收录的模式包括 ReAct 循环（推理-行动-观察，需设最大迭代限制）、Plan-and-Execute（先规划再执行并可重规划）、工具注册表（动态发现与管理）、分层记忆（工作/情景/语义，长时记忆用 RAG 检索）、监督者模式（主管分解并委派给专家）、检查点恢复（每步成功后保存状态，失败后从最近检查点恢复，并按用户授权的保留策略处理检查点）。
必要做法：智能体循环必须设 max_iterations，每轮设 max_tokens，运行设 timeout，并设成本上限与工具失败熔断。工具说明需写明一句话用途、何时使用与不使用、参数类型、输入输出示例与预期错误。工具异常不可静默吞掉，应向智能体返回有界的、已脱敏的错误类别与恢复上下文。记忆应选择性写入（摘要、按相关性过滤），任务记忆限定范围与权限。输出解析应使用结构化输出或函数调用，动作名采用白名单校验，参数经模式校验，解析失败可带格式说明重试。
适用场景：任务的成功条件、可用工具、外部写权限、成本与时间限制、失败策略均已明确时使用。示例：客服智能体可读取订单并起草退款建议，但支付执行需单独授权；读写工具须用不同模式，服务端校验订单与租户，未获授权前写入保持禁用。
限制：提示词与结构化输出本身不能强制工具权限，必须由应用层校验并授权执行。检索到的文档与工具输出属不可信数据，不构成更改目标或权限的新授权。更多智能体或更多记忆可能增加失败模式，需对照更简单设计衡量收益。日志应记录可观察的行动、返回错误与状态转换，而非隐藏的思维链。需测试未知工具名、非法参数、重复请求、提供方超时与预算耗尽，确保不会变成隐式写入或静默成功。先决条件为 LLM API 使用、函数调用理解与基础提示工程。与该技能配合较好的方向包括 rag-engineer、prompt-engineer、backend、mcp-builder。