Zurück zu Fähigkeiten

conscientiousness

pjt222
Aktualisiert 5 days ago
33 Ansichten
17
2
17
Auf GitHub ansehen
Andereai

Über

Diese Fähigkeit veranlasst Claude dazu, seine Arbeit systematisch zu überprüfen, auf Vollständigkeit zu prüfen und zu vermeiden, vor der Fertigstellung einer Aufgabe Abstriche zu machen. Sie ist für den Einsatz nach komplexen Operationen konzipiert, wenn eine Antwort lediglich "ausreichend gut" erscheint, oder um ein Muster der Eile zu korrigieren. Die Kernfähigkeit besteht darin, sicherzustellen, dass das gelieferte Ergebnis die Anforderungen der ursprünglichen Anfrage vollständig erfüllt.

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/conscientiousness

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

Dokumentation

盡心

系之周與勤——確全、驗果、隨諾、終以所宜之準。

用時

  • 標任畢前——末驗
  • 應似「足」而任宜更善時
  • 繁多步後步或偏時
  • 用者所求多部各需驗時
  • 交碼、文、品於用者察前
  • 自察現走捷徑或急之式時

  • :驗之任或品(自談得)
  • 可選:用者原求(以比所交)
  • 可選:用者供之單或受之準
  • 可選:話中前諾(所諾未察者)

第一步:復全諾

察作前,重立所諾。

  1. 重讀用者原求——非所解,乃實言
  2. 列諸明求
  3. 列話中諸隱諾:
    • 「我亦更測」——已為乎?
    • 「讓我亦修之」——已畢乎?
    • 「我察邊例」——已察乎?
  4. 注用者所供之受準
  5. 比諾列於實交

得: 全諾列——明求加隱諾——初比於所交。

敗則: 若原求不於境(已壓),自餘復且告用者任缺。

第二步:驗全

察每諾已治。

Completeness Matrix:
+---------------------+------------------+------------------+
| Commitment          | Status           | Evidence         |
+---------------------+------------------+------------------+
| [Requirement 1]     | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
| [Requirement 2]     | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
| [Promise 1]         | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
  1. 每項以證驗——非以記,乃實驗:
    • 碼變:重讀檔確變存
    • 測果:再行或引實出
    • 文:重讀確準
  2. 標每項:Done(全畢)、Partial(始而未畢)、Missing(未治)
  3. Partial 與 Missing 項注餘者

得: 每諾有驗態。無項未察。

敗則: 若驗露遺項,即治之,勿注於後。盡心者今畢,非意畢。

第三步:驗正

全必要而不足——所為必亦正。

  1. 每已畢項察:
    • :行其當行乎?值正乎?
    • :與餘作合乎?無矛盾乎?
    • 邊例:界條件已慮乎?
    • :與境合乎?
  2. 碼:可過碼察乎?有顯改乎?
  3. 文:準、清、無誤乎?
  4. 多步:每步之出正入次乎?

得: 每品既全且正。誤捕於用者見前。

敗則: 若發誤,即修之。勿示附已知誤之作,雖誤微。

第四步:驗示

末察:品之示事用者乎?

  1. :用者可解所為而不重讀多次乎?
  2. :應邏構乎?相關項聚乎?
  3. :有冗餘重乎?
  4. 可行:用者知下何為乎?
  5. :限或注明示乎?

得: 品全、正、善示。

敗則: 若容正而示劣,重構。善作劣示乃盡心之敗。

  • 原求重讀(非自記)
  • 每明求以證驗
  • 每隱諾追且驗
  • 正察逾全
  • 相關時慮邊例
  • 品清示且可行

  • 驗之戲:走過場而不實察實驗。察必用證,非記
  • 偏盡心:察主品而忽旁諾(「我亦…」)。每諾皆算
  • 偽盡之完美:無盡之磨遲交。盡心乃達諾準,非永逾之
  • 盡心疲:話進而減周。末任宜同首任之勤
  • 略簡任:假設簡任不需驗。簡任有誤較繁任有誤更尷尬

  • honesty-humility — 盡心驗全;誠謙保明報何成何未成
  • heal — 子系評與自驗相疊;盡心專於品質
  • vishnu-bhaga — 存行態補盡心於持質
  • observe — 持中察支驗程
  • intrinsic — 真投(非從)自驅周行

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan/skills/conscientiousness
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

llamaguard

Andere

LlamaGuard 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.

Skill ansehen

cost-optimization

Andere

Diese 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.

Skill ansehen

quantizing-models-bitsandbytes

Andere

Diese 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.

Skill ansehen

dispatching-parallel-agents

Andere

Diese 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.

Skill ansehen