forage-resources
Über
Diese Fähigkeit wendet Ameisenalgorithmen und Futtersuchtheorie an, um große Lösungsräume effizient zu durchsuchen, bei denen Brute-Force-Methoden versagen. Sie hilft dabei, die Erkundung neuer Optionen mit der Nutzung bekannter guter Lösungen durch den Einsatz von Spähern, der Verstärkung von Pheromonpfaden und adaptiver Strategieauswahl auszubalancieren. Nutzen Sie sie zur Optimierung der Ressourcenallokation bei unsicheren Gelegenheiten oder zur Diagnose vorzeitiger Konvergenz auf lokale Optima.
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/forage-resourcesKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
採資
施蟻群優化與採食論於資尋、探用衡、散發現——衡探未知與用已知之益。
用
- 尋大解空而窮舉不實
- 衡投於探新與深已知
- 優不確機間之資配
- 設散隊或自動 agent 之尋策
- 察早收(困局最優)或永遊(不委)
- 補
coordinate-swarm以特資發模
入
- 必:所求資述(信、算、才、解、機)
- 必:尋空述(大、構、已知徵)
- 可:現尋策與其敗模
- 可:可用偵/尋者數
- 可:探費對用敗費
- 可:時域(短期用對長期探)
行
一:映採境
表資環以擇適採策。
- 識資類與其分:
- 聚:資聚於富斑(如特社群之才)
- 散:資均散(如碼中之蟲)
- 短:資現而逝(如市機)
- 嵌:富斑含異尺之子斑
- 估信境:
- 採前知資位幾?
- 偵可與採者共信否?(信設見
coordinate-swarm) - 採時境靜或變?
- 定費構:
- 每偵布費(時、算、金)
- 用低質資費(機費)
- 漏高質資費(悔)
得:已表採境含資分類、信可用、費構。此定施何採模。
敗:境全不知→自全探始(諸偵,無用),限時預以建初圖。境性明則換適模。
二:布偵並標跡
遣探 agent 入尋空並令其標所得。
- 配偵比(始以可 agent 之 20-30% 為偵)
- 定偵行:
- 以隨或系模於尋空動
- 各位速估(非深析)
- 以信強與質比標所得:
- 高質→強跡
- 中→中
- 低→弱或無
- 返信於集體(信存、報、廣播)
- 設偵模:
- Random walk:未知均境宜
- Levy flight:長跳偶局聚——斑資宜
- Systematic sweep:網或螺——界明空宜
- Biased random:近前得域——聚資宜
得:偵已布於尋空並依資質存跡信。自偵報現境初圖。
敗:偵於初掃無所得→偵比過低(增至 50%)、尋模誤(自 random walk 換 Levy flight 以斑資)、或質估誤校(降察門)。
三:立跡強
造正饋環放大功途並令不功者衰。
- 採者循跡得良資:
- 強跡信(增力)
- 強信招更多採→更強→用
- 採者循跡無所得:
- 勿強(任其自衰)
- 弱信招少→跡衰→探復
- 設強參:
- 存量:比所得資質
- 衰率:跡每時單失 X% 力
- 飽頂:跡最力(避單途失控用)
Trail Reinforcement Dynamics:
┌─────────────────────────────────────────────────────────────────────┐
│ │
│ Strong trail ──→ More foragers ──→ If good: reinforce ──→ EXPLOIT │
│ ↑ │ │
│ │ If bad: no reinforce │ │
│ │ │ │ │
│ │ ↓ │ │
│ Decay ←── Weak trail ←── Fewer foragers ←── Trail fades │ │
│ │ │ │
│ ↓ │ │
│ No trail ──→ Scouts explore ──→ New discovery ──→ New trail ↗ │
│ │
└─────────────────────────────────────────────────────────────────────┘
得:自調之正饋環,良資招增注而劣者自棄。系僅以跡動衡用探。
敗:諸採聚於單跡(早收)→衰率過慢或飽頂過高。增衰、降頂、或入隨探令(如 10% 採者恒忽跡)。跡衰過速而無用→減衰率。
四:察遞減益
監資產以知何時自用返探。
- 各活採地追每力之產:
- 產增→健用,續
- 產平→近飽,始偵替
- 產減→遞減益,減採、增偵
- 施邊際值論:
- 較現地產率於諸知地平產率
- 現地降於平→離時至
- 計遷費(切新地之費)
- 觸偵波於:
- 諸地總產降於門
- 最佳地用逾其期壽
- 察環變(自未探域偵之新信)
得:採群自用階(聚於已知良地)與探階(偵散)間移,以產監驅非任意表。
敗:群於竭地留過久→邊際值門設過低或遷費估過高。以實產率較重校。群過早棄良地→門過敏——加產量之滑窗。
五:依境適採策
依境反饋擇並換採策。
- 匹策於境:
- 富、聚:重投已發斑(高用)
- 稀、散:守高偵比(高探)
- 變、動:短跡衰、頻偵波(適)
- 競:速強、先標跡(領)
- 監策-境錯:
- 高力低產→策對境過用
- 高發率低跟→策過探
- 產震→策換過激
- 施適切:
- 追探-用比之滾均
- 比離佳(依境類定)過遠→推回
- 漸轉——急切致協亂
得:採系適現境之探-用衡,境變而守效。
敗:策適本身不穩(震於探用間)→加阻尼:錯信須持 N 時單始觸切。無策合→重估一步境類——資分或較初設更繁。
驗
- 採境已表(分類、信可用、費構)
- 偵比與尋模已定並布
- 跡強環運含存、衰、飽參
- 遞減益察觸自用至探之再衡
- 策-境匹監並適切設
- 系於境變(新資、竭資)復
忌
- 早收:諸採堆於首得,忽或佳選。治:必探比、跡飽頂、衰
- 永探:偵續得新選而群不委。治:降跡強之質門、減偵比
- 忽遷費:切地有費。恒跳似質地之採於遷上失多於得。入邊際值算
- 動境靜策:為昨境優之策於明敗。建適於採環,非後思
- 混偵於採質:良偵(廣速估)與良採(深全用)求異技。勿強諸 agent 為兩角
參
coordinate-swarm— 撐採信設之基協模build-consensus— 群須共議何斑先用時scale-colony— 資境或群大長時採運擴assess-form— 估系現態之 morphic 技,與境估互補configure-alerting-rules— 適遞減益察之警模plan-capacity— 容謀共採之探-用框forage-solutions— AI 自用變;映蟻採於單 agent 解探含偵假與跡強
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.
