用途：提供构建智能体驱动应用与系统的结构化方法论。与传统开发不同，智能体项目需以不确定性管理、模型能力验证和健壮幂等流水线为核心。核心理念是“不要凭直觉自动化，而要凭证据自动化”，成功取决于找到“Task-Model Fit”并搭建可反复迭代提示词与数据而不破坏执行流的基础设施。
主要能力与生命周期：一、Discovery 与 Task-Model Fit：判断任务是否适合当前模型，先在聊天中手工原型验证模型能否稳定完成，评估是否需要多步推理、工具访问或仅综合，并定义智能体“不做什么”以防范围蔓延与灾难性失败。二、流水线架构（规范流程）：尽量拆为确定性阶段——Acquire（获取原始数据）、Prepare（为 LLM 上下文清洗格式化）、Process（唯一调用 LLM 的环节）、Parse（提取结构化数据）、Render（生成最终输出）。三、文件系统即状态机：用文件夹读写维护任务状态，每阶段读一处写另一处，支持重启与原子调试。
实现模式：架构精简——随模型（如 Gemini 3 Ultra）能力提升而简化架构，过去需 5 个智能体加主管的任务，现可用单一提示词配合良好 Context Engineering 以更低延迟和成本完成。幂等与缓存——确保输入未变时重跑不浪费 token，示例命令：bun run pipeline.ts --stage process --batch-id 2026-03-02。
适用场景：启动含自主智能体或 LLM 工作流的新项目；评估任务是否适合当前技术自动化；设计批处理或大规模数据分析架构；救援因缺乏结构或成本过高而失败的智能体项目。
限制与脆弱性：脆弱性高，模型性能漂移与输入数据歧义可在数日内使架构失效；工具选择自由度中等，但验证纪律与流水线结构化纪律自由度低。集成涉及 evaluation（各阶段验证）、filesystem-context（状态存储实现）、context-optimization（最大化 Process 阶段信号）。内部参考包括 references/case-studies.md（市场分析、大规模重构等真实项目分析）与 references/pipeline-patterns.md（解析、错误处理、成本估算模式）。关于收费、价格、平台支持与具体效果，资料暂未提供。