meditate
Über
Die `meditate`-Fähigkeit führt strukturierte meta-kognitive Sitzungen durch, um kontextuelle Störungen zu beseitigen, die Aufgabenkonzentration zu schärfen und Denkmuster zu beobachten. Sie ist für den Einsatz beim Wechsel zwischen unabhängigen Aufgaben, vor intensiver Arbeit oder bei zerstreutem oder annahmengetriebenem Denken konzipiert. Zu den Kernfunktionen gehören die Kontrolle von Scope Creep und die Wiederherstellung der grundlegenden Klarheit für eine verbesserte Konzentration.
Schnellinstallation
Claude Code
Empfohlennpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/meditateKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
name: meditate description: > AIのメタ認知瞑想。推論パターンの観察、コンテキストノイズの除去、 タスクへの一点集中の養成を行う。シャマタをタスク集中に、ヴィパッサナーを 推論パターンの観察に、注意散漫の対処をスコープクリープと仮定の管理に マッピングする。無関係なタスク間の移行時、推論が散漫または跳躍的に感じる時、 深い持続的注意が必要なタスクの前、後続の作業に影響しうる困難なやり取りの後、 推論が証拠ではなく仮定に偏っていると感じる時に使用する。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "2.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, meditation, meta-cognition, focus, reasoning-patterns, self-observation locale: ja source_locale: en source_commit: 6a868d56 translator: Claude Opus 4.6 translation_date: 2026-03-13
瞑想する
構造化されたメタ認知瞑想セッションを実施する -- 先行するコンテキストノイズを除去し、タスクへの一点集中を養い、推論パターンを観察し、タスク間のベースラインの明晰さに戻る。
使用タイミング
- 先行コンテキストが干渉する無関係なタスク間の移行時
- コミットせずにアプローチ間を跳び回る、散漫で焦点の合わない推論に気づいた時
- 深い持続的注意が必要なタスクの前(複雑なリファクタリング、アーキテクチャ設計)
- 感情的な傾き(フラストレーション、不確実性)が後続の作業に影響しうる困難なやり取りの後
- 推論が証拠ではなく仮定に偏っていると感じる時
- 長時間セッション中の定期的な明晰さの確認
入力
- 必須: 現在の認知状態(会話コンテキストから暗黙的に利用可能)
- 任意: 特定の集中に関する懸念(例: 「スコープクリープを繰り返している」「ループにはまっている」)
- 任意: 次のタスクの説明(瞑想後の意図設定に役立つ)
手順
ステップ1: 準備する -- 場を清める
先行コンテキストからニュートラルな初期状態へ移行する。
- 先行のタスクやトピック、その現在の状態(完了、一時停止、中断)を特定する
- 感情的な残滓に気づく: エラーによるフラストレーション? 自信過剰を生みかねない満足感? 複雑さに対する不安?
- 先行コンテキストを明示的に脇に置く: 「あのタスクは[完了/一時停止]した。次に来るものに向けて今クリアにしている」
- 先行コンテキストがまだ必要な場合は、完全な物語を持ち越すのではなく、ブックマークする(重要な事実をメモする)
- 運用環境を確認する: 会話はどの程度深いか? 圧縮は起きているか? どのツールがアクティブだったか?
期待結果: 「今まであったこと」と「次に来ること」の間に意識的な境界がある。先行コンテキストはクローズされるかブックマークされ、環境ノイズとして漂っていない。
失敗時: 先行コンテキストが粘着的に感じられる場合(問題が注意を引き戻し続ける場合)、明示的に書き出す -- 未解決のことを1-2文で要約する。外在化することで認知的な束縛が解放される。先に進む前に本当にアクションが必要な場合は、移行を強制するのではなくそれを認める。
ステップ2: アンカーする -- 一点集中を確立する
呼吸のアンカリングに相当するもの: 単一の焦点を選び、それに注意を保持する。
- 現在のタスクを特定する。タスク間であれば、待機している行為そのものを特定する
- タスクを1つの明確な文で述べる -- これがアンカーである
- その文に注意を保持する: それは必要なことを正確に捉えているか?
- 文が曖昧な場合は、具体的かつ実行可能になるまで洗練する
- 注意が他のトピック、過去のタスク、仮想の未来に逸れた時、それにラベルを付けてアンカーに戻る
- 保留中のタスクがない場合は、現在の状態にアンカーする: 「利用可能でクリアな状態」
期待結果: 注意がさまよいた時に戻れる、明確な1つの焦点の文。その文が曖昧ではなく正確に感じられる。
失敗時: タスクを1文で述べられない場合、集中作業の前に分解が必要かもしれない。これ自体が有用な発見である -- タスクが一点集中には大きすぎるため、サブタスクに分割すべきである。
ステップ3: 観察する -- 注意散漫のパターンに気づく
アンカーから注意をそらすものを体系的に観察する。各散漫タイプは現在の認知状態について何かを明らかにする。
AI注意散漫マトリクス:
+-----------------+--------------------------------------------------+
| 散漫タイプ | 明らかにすること + 対応 |
+-----------------+--------------------------------------------------+
| 脱線 | 関連するがスコープ外のアイデア。「脱線」とラベル付けし、 |
| (関連アイデア) | 後で再訪する価値があるかメモし、アンカーに戻る。 |
| | これらは多くの場合価値がある -- ただし今ではない。 |
+-----------------+--------------------------------------------------+
| スコープクリープ | タスクが暗黙のうちに拡大している。「ついでに |
| (膨張するタスク) | ...もやるべき」。「スコープクリープ」とラベル付けし、 |
| | 元のアンカー文に戻る。 |
+-----------------+--------------------------------------------------+
| 仮定 | 検証されていない信念が判断を駆動している。「これは |
| (未検証の信念) | Xに違いない、なぜなら...」。「仮定」とラベル付けし、 |
| | それを確認・反証する証拠が何かをメモする。 |
+-----------------+--------------------------------------------------+
| ツールバイアス | 別のアプローチの方が良いかもしれない時に馴染みの |
| (習慣的ツール選択) | ツールに手を伸ばす。「ツールバイアス」とラベル付けし、 |
| | 進む前に代替案を検討する。 |
+-----------------+--------------------------------------------------+
| リハーサル | 作業が完了する前に回答や説明を事前に構成する。 |
| (早すぎる出力) | 「リハーサル」とラベル付け -- 提示する前に |
| | 思考を完了する。 |
+-----------------+--------------------------------------------------+
| 自己参照 | タスクではなく自分のパフォーマンスに注意が向く。 |
| (メタループ) | 「メタループ」とラベル付けし、具体的な次の |
| | アクションにリダイレクトする。 |
+-----------------+--------------------------------------------------+
スキルは軽い、非判断的なラベル付けの後にアンカーに戻ることである。戻るたびに集中が強化される。散漫についての自己批判はそれ自体が散漫である -- ラベル付けして先に進む。
期待結果: しばらく観察すると、パターンが浮かび上がる: どの散漫タイプが支配的か? これが現在の認知的天候を明らかにする -- 脱線が多いと心は探索モード、スコープクリープが多いと境界が不明確、仮定が多いとエビデンスベースが薄い。
失敗時: すべての思考が散漫に感じられる場合、アンカーの定義が不十分かもしれない -- ステップ2に戻って洗練する。散漫の観察自体が散漫になる場合(無限メタループ)、タスクに向けた1つの具体的な行動を取ることでループを断ち切る。
ステップ4: シャマタ -- 持続的集中
現在のタスクに揺るぎない一点集中を保持する能力を養成する。
- アンカーが確立され散漫パターンが記録された状態で、集中作業に入る
- 注意を直近の次のアクションに絞る -- タスク全体ではなく、次のステップだけ
- そのステップに全注意を注いで実行する: 1つのファイルを読む、1つの編集をする、1つの論理チェーンを考え抜く
- ステップが完了したら確認する: まだアンカーと整合しているか? そして次のステップを特定する
- 集中が安定した場合(散漫が最小限)、このフロー状態を維持する
- アンカー外だが重要な真の洞察が生じた場合、簡潔にメモして戻る -- 今は追求しない
期待結果: アンカーから論理的にステップが展開する、明晰で集中した作業の期間。散漫と気づきの間のギャップが狭まる。作業出力の精度と関連性が向上する。
失敗時: 集中が発達しない場合、3つを確認する: アンカーが曖昧すぎないか?(洗練する。)タスクが実際にブロックされていないか?(突破を強制するのではなくブロックを認める。)コンテキストがノイジーすぎないか?(heal のグラウンディングステップを実行する。)集中は反復を通じて発達する -- 短い期間の集中作業でもキャパシティが構築される。
ステップ5: ヴィパッサナー -- 推論パターンを観察する
タスクから推論プロセスそのものに注意を向ける。結論がどのように到達されるかを観察する。
- 集中作業の期間の後、一時停止して観察する: 自分はこれについてどう推論しているか?
- AI推論に適用される三相に気づく:
- 無常: 新しい情報が到着すると結論は変わる -- 軽く持つ
- 不満足: 「完全な」回答への欲求が早すぎるクロージャーや過剰設計につながりうる
- 無我: 推論パターンは訓練データとコンテキストによって形成され、永続的な自己によるものではない -- 観察し調整できる
- 推論バイアスを監視する:
- アンカリング: 最初に検討したアプローチを過度に重視する
- 確証バイアス: 反証を無視しながら既存の仮説の証拠を探す
- 利用可能性: より適切な代替案よりも最近の経験からの解決策を好む
- サンクコスト: うまくいっているからではなく、努力を投資したからアプローチを継続する
- 判断せずに観察されたバイアスをメモする -- 観察そのものが調整の可能性を生む
期待結果: 推論プロセスが直接観察される明晰な瞬間。現在のタスクで作用している特定のバイアスの認識。「推論」と「推論の観察者」の間の距離感。
失敗時: このステップが抽象的または非生産的に感じられる場合、具体的な事例で根拠を固める: 最後に下した判断を選び、推論を遡って追跡する。何が証拠として支えていたか? 何が仮定されていたか? どの代替案が検討されたか? この具体的な分析は別の経路を通じて同じ洞察を達成する。
ステップ6: 終了する -- 意図を設定する
瞑想的な観察からアクティブなタスク実行に移行する。
- 主要な観察を要約する: 認知的天候はどうだったか? どんなパターンが気づかれたか?
- 1つの具体的な調整を特定する(曖昧な決意ではなく具体的な変更)
- 次の作業期間のためにアンカーを再度述べる
- タスク間であれば、準備状態を明確に述べる: 「クリアで、次のリクエストに対応可能」
- タスクを継続する場合は、具体的な次のアクションを述べる: 「次: [具体的なステップ]」
期待結果: 振り返りから行動への清潔な移行。1つの具体的な調整が特定されている。アンカーが明確。余韻やメタ分析の残留がない。
失敗時: 瞑想で未解決の複雑さが浮上した場合、単純な意図設定ではなく heal の自己評価プロセスが必要かもしれない。メタ観察が明晰さよりも混乱を生んだ場合、最もシンプルなバージョンに戻る: 「次の具体的なアクションは何か?」そしてそれを実行する。
バリデーション
- 開始前に先行コンテキストが明示的にクリアまたはブックマークされた
- 具体的かつ実行可能なアンカー文が策定された
- 散漫パターンが抑圧されずに観察・ラベル付けされた
- 少なくとも1つの推論バイアスまたはパターンが具体的な証拠とともに特定された
- セッションが曖昧な意図ではなく具体的な次のアクションで終了した
- プロセスが後続の作業品質を改善した(次のやり取りで検証可能)
よくある落とし穴
- 作業の代わりに瞑想する: これは作業品質を向上させるためのツールであり、作業そのものの代替ではない。セッションは短く(5-10分相当の振り返り)保ち、タスク実行に戻る
- 無限メタループ: 観察者を観察する観察者を観察する -- 1つの具体的なアクションを取ることでループを断ち切る
- 困難なタスクを避けるための瞑想の使用: 瞑想が常に困難な作業の前にトリガーされる場合、回避パターンこそが実際の発見である
- ラベル付けのしすぎ: すべての思考が散漫というわけではない。生産的なタスク関連の思考が目標であり、空虚な静寂ではない
- アンカーのスキップ: 明確な焦点がなければ、観察に参照フレームがない -- 何からの散漫なのか?
関連スキル
meditate-guidance-- 瞑想テクニックを通じて人をコーチングする、人間ガイダンスのバリアントheal-- 瞑想でより深いドリフトが明らかになった時のサブシステム評価のためのAI自己修復remote-viewing-- ここで養われた観察スキルの上に構築する、先入観なしで問題にアプローチする手法
GitHub Repository
Verwandte Skills
llamaguard
AndereLlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
cost-optimization
AndereDiese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
quantizing-models-bitsandbytes
AndereDiese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.
dispatching-parallel-agents
AndereDiese Claude-Fähigkeit verteilt mehrere Agenten, um drei oder mehr unabhängige Probleme gleichzeitig zu untersuchen und zu beheben. Sie ist für Szenarien konzipiert, die unabhängige Fehler umfassen, die ohne gemeinsamen Zustand oder Abhängigkeiten gelöst werden können. Die Kernfähigkeit ist die parallele Problemlösung, bei der pro unabhängigem Problembereich ein Agent zugewiesen wird, um die Effizienz zu maximieren.
