用途：在 Python 中把大模型调用封装成可交付的应用功能，重点处理提示词、结构化输出、上下文预算与配置接线之间的落差，而非演示如何调用模型。
主要能力与要点： 提示词表层：凡是模型会读到的字符串都属于提示词表层，包括系统/用户提示模板、结构化输出字段的 Field(description=...)、插值后的用户可见文案、模板免责声明。建议把关键措辞集中到一个常量模块，由提示模板、字段描述与结果格式化共同引用；修改后 grep 清理废弃提示模块。 上下文限制：用共享 helper 统一做 token 预算，而非字符切片（如 body[:500]）；字节限制须按字符边界截断，并在调用边界统一施加。 配置：确认查找的配置段在默认值中存在；启动时把配置解析为带类型的模型（如 PerplexityConfig(BaseModel)），让缺失键在启动即失败，避免被宽泛 except 伪装成正常结果。 测试：用 pytestmark = pytest.mark.integration 标记真实调用模块，默认运行与 CI 用完整 marker 表达式排除；可直接填充懒加载缓存并 stub 评分调用，在无网络下覆盖接线、分块与阈值逻辑。 评估：过滤规则若选中零条应显式失败（如 NoApplicableRules），而非返回“干净通过”；复合规则需声明覆盖范围，临时变更需在 finally 中只恢复本次修改；准确率作为独立作业，使用含正负样本的版本化用例，多次运行并保留原始结果。 输出：字段名不应过度承诺其所测内容；法律、医疗、合规等需专业判断的领域应做限缩表述，且提示、schema、字符串与 UI 四层一致。
限制与适用场景：面向 Python 开发者，服务于后端服务内部的 LLM 功能实现；不涉及 MCP 服务端暴露工具方向。文中未提供具体安装命令、价格与平台信息。