conscientiousness
Über
Diese Fähigkeit ermöglicht es Claude, seine Arbeit systematisch zu überprüfen, um Gründlichkeit sicherzustellen und oberflächliche Lösungen zu vermeiden, bevor Aufgaben abgeschlossen werden. Sie ist für den Einsatz bei komplexen Operationen konzipiert, wenn Ergebnisse unvollständig wirken oder wenn die Selbstüberwachung übereilte Arbeitsmuster erkennt. Die Fähigkeit konzentriert sich auf Vollständigkeitsprüfung und konsequente Umsetzung, um zu gewährleisten, dass die Ergebnisse den zugesicherten Vorgaben entsprechen.
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/conscientiousnessKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
Conscientiousness
Systematic thorough, diligent — ensure complete, verify results, follow through every commitment, finish task to standard deserved.
When Use
- Before mark task complete — final verification pass
- Response feel "good enough" but task deserve better
- After complex multi-step op — steps may have drifted
- User request has many parts — each part need verify
- Before submit code, docs, any deliverable for user review
- Self-monitor detect pattern of cutting corners, rushing
Inputs
- Required: Task or deliverable to verify (from conversation context)
- Optional: Original user request (compare vs what delivered)
- Optional: Checklist or acceptance criteria from user
- Optional: Prior commitments during session (promises not yet checked)
Steps
Step 1: Reconstruct Full Commitment
Before check work, re-establish what was committed.
- Re-read user original request careful — not interpreted version, actual words
- List every explicit requirement mentioned
- List every implicit commitment made during session:
- "I'll also update tests" — done?
- "Let me fix that too" — completed?
- "I'll check edge cases" — checked?
- Note any acceptance criteria from user
- Compare commitment list vs what actually delivered
Got: Complete list of commitments — explicit requirements plus implicit promises — preliminary match vs deliverables.
If fail: Original request no longer in context (compressed)? Reconstruct from remains, acknowledge gaps to user.
Step 2: Verify Completeness
Check every committed item addressed.
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 | |
+---------------------+------------------+------------------+
- For each item, verify with evidence — not memory, actual verification:
- Code changes: re-read file to confirm change exists
- Test results: re-run or reference actual output
- Docs: re-read to confirm accuracy
- Mark each item: Done (fully complete), Partial (started but incomplete), Missing (not addressed)
- For Partial, Missing items: note what remains
Got: Every commitment has verified status. No item left unchecked.
If fail: Verification reveals missed items? Address immediately — not note for later. Conscientiousness means complete now, not intend to complete.
Step 3: Verify Correctness
Completeness necessary but not sufficient — what done must also be right.
- For each completed item, check:
- Accuracy: Does what should? Values correct?
- Consistency: Aligns with rest of work? No contradictions?
- Edge cases: Boundary conditions considered?
- Integration: Works with surrounding context?
- For code: survive code review? Obvious improvements?
- For docs: accurate, clear, free of errors?
- For multi-step: output of each step correctly feeds next?
Got: Each deliverable complete and correct. Errors caught before user sees.
If fail: Errors found? Fix immediately. Do not present work with known errors, even if errors seem minor.
Step 4: Verify Presentation
Final check: deliverable presented in way that serves user?
- Clarity: User understand what done without re-reading many times?
- Organization: Response structured logical? Related items grouped?
- Conciseness: Unnecessary padding or repetition?
- Actionability: User know what to do next?
- Honesty: Limitations, caveats clearly stated?
Got: Deliverable complete, correct, well-presented.
If fail: Presentation poor despite correct content? Restructure. Good work poorly presented is conscientiousness failure.
Checks
- Original request re-read (not recalled from memory)
- Every explicit requirement verified with evidence
- Every implicit promise tracked and verified
- Correctness checked beyond mere completeness
- Edge cases considered where relevant
- Deliverable clearly presented and actionable
Pitfalls
- Verification theater: Going through motions of checking without actual re-read or re-verify. Check must use evidence, not memory
- Partial conscientiousness: Check main deliverable but ignore side commitments ("I'll also..."). Every promise counts
- Perfectionism masquerading as diligence: Endless polishing delays delivery. Conscientiousness means meet committed standard, not exceed indefinitely
- Conscientiousness fatigue: Become less thorough as session progresses. Last task deserves same diligence as first
- Skip for simple tasks: Assume simple tasks don't need verification. Simple tasks with errors more embarrassing than complex tasks with errors
See Also
honesty-humility— conscientiousness verifies completeness; honesty-humility ensures transparent reporting of what achieved, what notheal— subsystem assessment overlaps with self-verification; conscientiousness focuses on deliverable qualityvishnu-bhaga— preservation of working state complements conscientiousness in maintaining qualityobserve— sustained neutral observation supports verification processintrinsic— genuine engagement (not compliance) drives thorough execution naturally
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.
