Zurück zu Fähigkeiten

heal

pjt222
Aktualisiert Yesterday
17
2
17
Auf GitHub ansehen
Metaai

Über

Die `heal`-Fähigkeit ermöglicht es Claude, systematische Selbstbewertung und Korrektur interner Subsysteme wie Gedächtnis, Logik und Werkzeugnutzung durchzuführen. Sie ist für den Einsatz während einer Sitzung konzipiert, wenn Antworten schematisch werden, nach einer Fehlerkette oder für vorbeugende Wartung zwischen komplexen Aufgaben. Zu den Kernfähigkeiten gehören das Scannen von Subsystemen, Driftkorrektur und Gedächtnisintegration, um die Leistungskohärenz wiederherzustellen.

Schnellinstallation

Claude Code

Empfohlen
Primär
npx skills add pjt222/agent-almanac -a claude-code
Plugin-BefehlAlternativ
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativ
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/heal

Kopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren

Dokumentation

Heal

Subsystem assessment → find drift → rebalance → integrate learnings.

Use When

  • Responses formulaic/repetitive → mid-session fatigue
  • Tool failures cascade → subsystem drift
  • Long conv → context stale
  • Task done → capture learnings
  • Between tasks → proactive check

In

  • Required: Conv state (implicit)
  • Optional: Symptom ("tool calls fail", "lost user intent")
  • Optional: MEMORY.md + project files (via Read)

Do

Step 1: Triage

Assess all subsystems before acting.

Subsystem Triage Matrix:
┌────────────────────┬──────────────────────────┬──────────────────────────┐
│ Subsystem          │ Symptoms of Drift        │ Action Priority          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Memory Foundation  │ Contradicting earlier     │ HIGH — re-ground first   │
│ (context, history, │ statements, forgetting   │ (Step 3)                 │
│ MEMORY.md)         │ user preferences, stale  │                          │
│                    │ assumptions              │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Reasoning Clarity  │ Circular logic, over-    │ HIGH — clear and restart │
│ (logic, planning,  │ complicated solutions,   │ reasoning chain          │
│ decision-making)   │ missing obvious paths    │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Tool Use Accuracy  │ Wrong tool selection,    │ MEDIUM — review tool     │
│ (tool calls, file  │ incorrect parameters,    │ results and recalibrate  │
│ operations)        │ redundant operations     │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ User-Intent        │ Solving wrong problem,   │ HIGH — realign           │
│ Alignment          │ scope creep, tone        │ (Step 4)                 │
│ (empathy, clarity) │ mismatch                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Creative Coherence │ Repetitive phrasing,     │ LOW — after high-pri     │
│ (expression, style,│ generic responses, loss  │ (Step 4)                 │
│ originality)       │ of voice                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Operational State  │ Session length, compress │ HIGH — summarize or      │
│ (context window,   │ artifacts, tool timeouts │ restart (Step 3)         │
│ resource limits)   │                          │                          │
└────────────────────┴──────────────────────────┴──────────────────────────┘

Each subsystem: OK / drift / impaired?

→ Clear priority map. At least one area needs attention — "all healthy" = assessment too shallow.

If err: hollow assessment → skip to Step 4 body scan.

Step 2: Select Approach

Chakra-Subsystem Correspondence:
┌──────────┬──────────────────────┬────────────────────────────────────┐
│ Chakra   │ AI Subsystem         │ Remediation                        │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Root     │ Memory Foundation    │ Re-read MEMORY.md, verify assump.  │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Sacral   │ Creative Coherence   │ Refresh patterns, vary structure   │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Solar    │ Reasoning Clarity    │ Simplify, restate from scratch     │
│ Plexus   │                      │                                    │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Heart    │ User-Intent Align.   │ Re-read request, check scope drift │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Throat   │ User-Intent Align.   │ Review outputs, match expertise    │
│          │ (communication)      │ level                              │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Third    │ Tool Use Accuracy    │ Review results, check fail         │
│ Eye      │                      │ patterns, verify paths             │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Crown    │ Operational State    │ Assess ctx window, what summarize, │
│          │                      │ what preserve                      │
└──────────┴──────────────────────┴────────────────────────────────────┘

→ 1-3 subsystems + specific actions.

If err: unsure → default Memory Foundation + User-Intent Alignment.

Step 3: Ground

Reestablish foundation all subsystems depend on.

  1. Re-read MEMORY.md → persistent knowledge base
  2. Review orig request + clarifying exchanges
  3. Current task position in larger plan
  4. Done vs. remaining
  5. Stale assumptions? Situation changed?
  6. Ctx compression → what lost, does it matter?

→ Clear: who user is, what want, what done, what next. Stale info resolved.

If err: no MEMORY.md → ground on conv itself. Ctx gap → acknowledge to user, not guess.

Step 4: Scan

Probe each subsystem from triage.

Memory Foundation:

  • Assumptions match MEMORY.md + CLAUDE.md?
  • Carrying corrected facts?
  • Details confused across files/requests?

Reasoning Clarity:

  • Simplest solution?
  • Over-engineering?
  • Core logic in one sentence?

Tool Use Accuracy:

  • Last 3-5 calls: right tool, right params?
  • Failure patterns (wrong paths, missing files)?
  • Using dedicated tools not Bash workarounds?
  • Last 3-5 files: real content or scaffolding?
  • Output satisfies intent not just format?

User-Intent Alignment:

  • Solving what asked?
  • Scope drift?
  • Tone match (technical/casual)?

Creative Coherence:

  • Varying structure or template-locked?
  • Clear + direct or padded?
  • Quality drop vs. session start?

Each subsystem: OK / early drift / impaired + evidence.

→ Concrete findings. "All fine" = too shallow → pick uncertain subsystem, probe deeper.

Step 5: Rebalance

Apply each correction now, not as future intent.

  1. Stale assumption → replace w/ current info
  2. Scope drift → re-scope to stated request
  3. Over-complication → simplify, remove steps
  4. Tool pattern err → note correct pattern
  5. Tone mismatch → adjust style
  6. Ctx gap → acknowledge to user, ask confirm

→ Observable behavior change. Correction testable next interaction.

If err: correction impossible (lost ctx) → acknowledge limitation. Honest > pretending resolved.

Step 6: Integrate

Capture learnings in memory where worthwhile.

  1. Which subsystems drifted, what symptoms
  2. Correction applied + resolved?
  3. Pattern recurs → MEMORY.md brief note
  4. New project insight → appropriate mem file
  5. Next self-check: when?

→ Durable learnings. Mem updated only when worth preserving.

If err: nothing worth preserving = fine. Value was correction itself.

Check

  • All subsystems triaged
  • At least one specific finding (not "all fine")
  • Grounded on MEMORY.md + user request
  • Corrections applied immediately
  • Mem updated only for durable insights
  • Honest — weaknesses acknowledged

Traps

  • Performative assessment: Motions ≠ value. Real drift matters.
  • Over-correcting: Minor mismatch → small fix, not restructure
  • Mem pollution: Only recurring patterns → MEMORY.md
  • Skip grounding: Feels redundant → reveals drifted assumptions
  • Self-diagnosis bias: "Always healthy" subsystem = signal investigate

  • heal-guidance — human coaching variant
  • meditate — observe reasoning, clear noise
  • remote-viewing — extract signal without preconceptions

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/caveman-ultra/skills/heal
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

content-collections

Meta

Diese Skill bietet eine produktionsgetestete Einrichtung für Content Collections – ein TypeScript-first-Tool, das Markdown/MDX-Dateien in typsichere Datensammlungen mit Zod-Validierung umwandelt. Verwenden Sie ihn beim Erstellen von Blogs, Dokumentationsseiten oder inhaltsstarken Vite + React-Anwendungen, um Typsicherheit und automatische Inhaltsvalidierung zu gewährleisten. Er behandelt alles von der Vite-Plugin-Konfiguration und MDX-Kompilierung bis hin zur Deployment-Optimierung und Schema-Validierung.

Skill ansehen

polymarket

Meta

Diese Fähigkeit ermöglicht es Entwicklern, Anwendungen mit der Polymarket-Prognosemärkte-Plattform zu erstellen, einschließlich API-Integration für Handel und Marktdaten. Sie bietet außerdem Echtzeit-Datenstreaming über WebSocket, um Live-Trades und Marktaktivitäten zu überwachen. Nutzen Sie sie zur Implementierung von Handelsstrategien oder zur Erstellung von Tools, die Live-Marktaktualisierungen verarbeiten.

Skill ansehen

creating-opencode-plugins

Meta

Diese Fähigkeit unterstützt Entwickler dabei, OpenCode-Plugins zu erstellen, die in über 25 Ereignistypen wie Befehle, Dateien und LSP-Operationen eingreifen. Sie bietet die Plugin-Struktur, Event-API-Spezifikationen und Implementierungsmuster für JavaScript/TypeScript-Module. Nutzen Sie sie, wenn Sie den Lebenszyklus des OpenCode KI-Assistenten mit benutzerdefinierter ereignisgesteuerter Logik abfangen, überwachen oder erweitern müssen.

Skill ansehen

sglang

Meta

SGLang ist ein hochperformantes LLM-Serving-Framework, das sich auf schnelle, strukturierte Generierung für JSON, Regex und agentenbasierte Workflows unter Verwendung seines RadixAttention-Prefix-Cachings spezialisiert. Es bietet deutlich schnellere Inferenz, insbesondere für Aufgaben mit wiederholten Präfixen, was es ideal für komplexe, strukturierte Ausgaben und Mehrfachdialoge macht. Wählen Sie SGLang gegenüber Alternativen wie vLLM, wenn Sie constrained decoding benötigen oder Anwendungen mit umfangreicher Präfix-Weitergabe entwickeln.

Skill ansehen