用途：用于搭建 AI 辅助开发工作流、规划智能体任务拆分、为成本与质量优化模型选择，以及评审 AI 生成的代码。
主要能力与原则：执行前先定义完成标准；把工作拆成智能体可处理的单元；按任务复杂度路由模型层级；用评测与回归检查衡量结果。
Eval-First 循环：定义能力评测与回归评测，跑基线并记录失败特征，执行实现，重跑评测并比较增量。
任务拆分采用 15 分钟单元规则：每单元可独立验证，只有一个主要风险，并有清晰的完成条件。
模型路由：Haiku 用于分类、样板代码、窄范围修改，成本最低；Sonnet 用于实现与重构，成本中等；Opus 用于架构、根因分析、多文件不变量，成本最高。仅当低层级模型因明显推理差距失败时才升级层级。
会话策略：紧耦合单元延续同一会话；主要阶段切换后开新会话；里程碑完成后再压缩上下文，而不是在活跃调试期间压缩。
AI 生成代码的评审重点：不变量与边界情况、错误边界、安全与鉴权假设、隐藏耦合与上线风险；若格式化或 lint 已自动约束风格，则跳过纯风格分歧。
成本纪律：按任务记录所用模型、token 估算、重试次数、墙钟时间、成功或失败。
限制：资料未提供具体安装命令、支持平台、价格与实测效果，暂未提供。