project-development

此技能提供了一套严谨的方法论，用于构建、扩展与维护基于 LLM 的应用程序。专为软件工程师与 AI 架构师设计，重点在于解决 LLM 整合过程中的运营挑战，特别是跨越初步原型与生产级稳定性之间的鸿沟。该方法论强调使用分段管道（staged pipelines）来隔离非确定性的 LLM 处理过程与确定性的数据处理，确保系统保持可调试性、成本效益与高性能。

• 系统化任务模型契合度分析：根据合成、判断、计算精度与延迟需求等特性，决定采用 LLM 或传统代码的判断流程。

• 规范化管道架构：实现结构化流程（获取、准备、处理、解析、渲染），将复杂的推理步骤与数据检索及输出格式化分开。

• 文件系统即状态机：利用文件系统管理管道状态，确保幂等性、易于调试及中间输出的缓存处理。

• 结构化输出设计：使用章节标记、格式示例及限制值来产生可解析且符合架构的 LLM 响应之技术。

• 在启动新的代理项目、规划批处理管道或排查不稳定的 LLM 输出时使用此技能。

• 在自动化之前先进行「手动原型」测试，作为辨识提示词中知识缺口或失败模式的基准。

• 通过基于文件的存储方式维持幂等性，允许选择性地重新执行昂贵的 LLM 步骤，无需重跑确定性的数据获取。

• 优先考虑具有错误容忍度的架构设计，个别的 LLM 失败应通过优雅的解析与日志记录来处理，而非导致系统崩溃。

• 与代理辅助开发工具整合，快速迭代管道阶段，确保解析正则表达式与渲染逻辑对非确定性模型的变异具有强韧性。