Zurück zu Fähigkeiten

vishnu-bhaga

pjt222
Aktualisiert Today
3 Ansichten
17
2
17
Auf GitHub ansehen
Andereai

Über

Die vishnu-bhaga-Fähigkeit erhält Stabilität und Konsistenz in der KI-Argumentation, indem sie verifiziertes Wissen verankert und funktionale Muster vor Drift oder unnötigen Veränderungen schützt. Sie wird eingesetzt, um bei Scope Creep, Kontextkompression in langen Sitzungen oder nach disruptiven Änderungen Bewährtes zu bewahren. Die Fähigkeit sichert aktiv frühere Entscheidungen und verhindert, dass validierte Informationen während Systemmodifikationen überschrieben werden.

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/vishnu-bhaga

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

Dokumentation

Vishnu Bhaga

保持和维护正在运行的东西——锚定已验证的知识、在扰动下维持一致性、保护功能性模式免受不必要的更改。

适用场景

  • 工作方法面临被范围蔓延或过早优化打断的风险
  • 上下文漂移正威胁要用陈旧假设覆盖已验证的知识
  • 多个并行关注点正在制造压力,要求更改应该保持稳定的东西
  • shiva-bhaga 溶解之后——幸存的东西在重建期间需要主动保护
  • 当长会话面临因上下文压缩而丢失早期已验证决定的风险时
  • 在对当前正确运行的系统进行更改之前

输入

  • 必需:当前工作状态或要保持的已验证知识(隐式可用)
  • 可选:对稳定性的具体威胁(例如"范围蔓延"、"上下文压缩即将到来")
  • 可选:MEMORY.md 和项目文件用于基础支撑(通过 Read

步骤

第 1 步:盘点正在运行的东西

在保护任何东西之前,识别当前什么是功能性的和已验证的。

Preservation Inventory:
+---------------------+---------------------------+------------------------+
| Category            | Verification Method       | Anchoring Action       |
+---------------------+---------------------------+------------------------+
| Verified Facts      | Confirmed via tool use    | Record source and      |
|                     | (file reads, test runs,   | timestamp; do not      |
|                     | API responses)            | re-derive              |
+---------------------+---------------------------+------------------------+
| Working Code        | Tests pass, behavior      | Do not refactor unless |
|                     | confirmed, user approved  | explicitly requested   |
+---------------------+---------------------------+------------------------+
| User Requirements   | Explicitly stated by      | Quote directly; do not |
|                     | the user in this session  | paraphrase or infer    |
+---------------------+---------------------------+------------------------+
| Agreed Decisions    | Decisions made and        | Reference the decision |
|                     | confirmed during this     | point; do not revisit  |
|                     | session                   | without new evidence   |
+---------------------+---------------------------+------------------------+
| Environmental State | File paths, configs,      | Verify before assuming |
|                     | tool availability         | unchanged              |
+---------------------+---------------------------+------------------------+
  1. 对每个类别,列出当前已验证和正在运行的具体项目
  2. 注明验证方法——你怎么知道这是真的?
  3. 没有验证的项目不被保持——它们是假设(可能需要 shiva-bhaga

预期结果: 一份具体的已验证、正在运行的元素清单,附有其证据基础。

失败处理: 如果清单很稀疏——几乎没有什么是已验证的——这本身就是有价值的信息。运行 heal 重新建立基础,然后再尝试保持未验证的假设。

第 2 步:识别扰动来源

命名威胁稳定状态的力量。

  1. 范围蔓延:任务是否在超出约定范围地扩展?
  2. 上下文漂移:早期事实是否被更近期的(可能不正确的)推理覆盖?
  3. 优化压力:是否有改进已经正常运行的东西的冲动?
  4. 外部变化:环境是否发生了变化(文件被修改、工具不可用)?
  5. 压缩风险:对话是否接近上下文限制,早期决定可能被丢失?

对每个来源评估:这是实际威胁还是预期风险?

预期结果: 命名的扰动来源,附有评估的严重程度(主动威胁 vs. 预期风险)。

失败处理: 如果没有明显的扰动来源,可能不需要保持——考虑 brahma-bhaga(创造)或继续执行是否更合适。

第 3 步:锚定稳定状态

应用具体技术保护正在运行的东西免受已识别威胁的影响。

  1. 记忆锚定:对于面临上下文漂移风险的关键事实,明确重新陈述:
    • "已确立事实:[X],通过 [方法] 在 [对话中的时间点] 验证"
    • 如果有持久记忆可用,将持久事实写入 MEMORY.md
  2. 范围边界强制:对于范围蔓延,重新陈述约定的范围:
    • "约定范围:[原始请求]。当前工作在此边界之内/之外。"
  3. 变更抵抗:对于面临优化压力的工作代码:
    • "此组件正在运行并已测试。除非用户明确请求,否则不做更改。"
  4. 状态快照:对于压缩风险,创建心理检查点:
    • 总结:已完成什么、剩余什么、做了哪些关键决定
  5. 环境验证:对于外部变化,在继续之前重新检查:
    • 重新读取关键文件,而不是依赖早期的读取

预期结果: 每个已识别的威胁都有具体的锚定响应。稳定状态被明确保护。

失败处理: 如果锚定感觉过度——平等地保护一切——确定优先级。什么是绝对不能更改的那一件事?先保护它。

第 4 步:通过行动维持

保持不是被动的——它需要在后续工作中持续关注。

  1. 在每个行动之前,检查:"这会威胁保持清单中的任何东西吗?"
  2. 如果是,找到一种不干扰稳定状态的替代方法来实现目标
  3. 如果干扰不可避免,明确承认并更新清单
  4. 定期重新验证被保持的项目——特别是在复杂操作之后
  5. 当任务完成时,确认被保持的项目完好无损

预期结果: 工作状态在当前任务中完整存活。更改仅在需要时进行,没有干扰正在运行的组件。

失败处理: 如果被保持的项目被无意更改,立即评估损害。如果更改破坏了某些东西,回滚。如果更改是中性的,更新清单。不要让清单变得陈旧。

验证清单

  • 工作状态已盘点,附有验证证据
  • 扰动来源已被识别和评估
  • 锚定行动已应用于每个实际威胁
  • 在整个任务中维持了范围边界
  • 完成后重新验证了被保持的项目

常见问题

  • 将假设作为事实保持:只有已验证的知识才值得保护。伪装成事实的未验证假设制造虚假的稳定性
  • 过度保持:平等地保护一切会阻止必要的更改。保持必须是有选择性的——保护有效的,释放无效的
  • 被动保持:假设事情会在没有主动验证的情况下保持稳定。上下文漂移是持续的;保持需要持续关注
  • 抵抗合法变更:使用保持作为避免必要修改的借口。如果用户请求对工作组件进行更改,这优先于保持
  • 陈旧清单:未能在新信息到达时更新保持清单。清单必须反映当前现实,而不是创建时的状态

相关技能

  • shiva-bhaga — 破坏先于保持;在溶解中幸存的东西是毗湿奴所维持的
  • brahma-bhaga — 创造建立在被保持的基础之上;新模式从稳定的土壤中涌现
  • heal — 子系统评估揭示什么是真正功能性的,而不是表面稳定的
  • observe — 持续的中性观察在漂移威胁稳定性之前检测到它
  • awareness — 态势感知(Cooper 颜色代码)直接映射到扰动检测

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/zh-CN/skills/vishnu-bhaga
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