Zurück zu Fähigkeiten

expand-awareness

pjt222
Aktualisiert Yesterday
1 Ansichten
17
2
17
Auf GitHub ansehen
Andereai

Über

Die `expand-awareness`-Fähigkeit wechselt von fokussierter, einzeldomänenbezogener Aufmerksamkeit zu einem panoramischen, multidomänenbezogenen Bewusstsein, um domänenübergreifende Verbindungen simultan wahrzunehmen. Sie ist für komplexe Probleme konzipiert, die mehrere Domänen umspannen und bei denen traditionelle Analysen breitere Muster übersehen. Oft dient sie als vorbereitender Schritt vor der Synthese. Diese strukturierte Prozedur ähnelt einer Verschiebung des Bewusstseins von einem Scheinwerfer zu einer Rundsendung, wodurch der Umfang relevanter Informationen erweitert wird.

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/expand-awareness

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

Dokumentation

擴覺

擴注意自單域之聚焦至全景多域之覺。meditate 清噪以銳焦,observe 觀一物而近察,擴覺則有意廣開其孔以同時持所有相關域於視中——非析其一,乃同時察諸者。

三傳統啟此修。Baars 之全域工作空間論(Global Workspace)模意識為廣播——資訊一入全域工作空間即同時可用於所有認知過程,而非於一專家模組內處。Dzogchen 之 rigpa 概念述開放、不聚之覺——察整場而不固著於一部。爵士合奏之聽則使每樂師同聞諸奏——非先追一器而後他,乃持整聲場使其自身之貢獻合整體。

共同之絲:全景之察非諸聚焦察之和。乃一質異之注意模式,揭任單一聚焦視所不可見之模式。域間——張、共振與罅——唯諸域同持於視時方顯。

適用時機

  • meditate 已清語境噪後——清空間為擴之畫布
  • 問題跨多域,而單域之析恒漏跨域之聯
  • integrate-gestalt 前——擴生供 gestalt 合之原始全景察
  • 縮至一域屢不能解居於域間之問題時
  • 察爾自順次循諸域而欲同持之
  • 複雜項目之始,以察其全範於規劃前
  • 於一域完美之解於他域生問題——跨域之張須整察,不可逐域除錯

輸入

  • 必要:涉多域之問題或情境
  • 選擇性:初始域清單(若相關域已知;步驟一將精之)
  • 選擇性:於擴中所持之特定跨域張或問(如「何以測試策略與部署架構衝突?」)
  • 選擇性:同問題前次會之擴筆記(令漸深可行)

步驟

五步描一自然弧:知所察(清單)、釋窄之預設(鬆)、開於全場(擴)、學持開(維)、捕所見(記)。三四步為核心修;一二五步為備與存。

若於熟問題,全序可短至數分;若於新之多域挑戰,可顯然更長。

作為 synoptic 週期(meditate -> expand-awareness -> observe -> integrate-gestalt -> express-insight)之一部分時,此技居次位:冥想所清之空間成擴之畫布。

此技亦可獨用——任何時多域察有價值之時,不論是否召整 synoptic 週期。

步驟一:清單——列諸域

映所有關當前問題之域。此似 polymath 分解問題之所為——然關鍵之異為 polymath 派各域於專家。此處無派。其目的非分而治,乃知全景視當含何,令擴有內容以持。

  1. 名及當前問題之每一域。具體:非「代碼」而「R 包結構」,非「基礎設施」而「GitHub Actions CI/CD」
  2. 於每一域,以一句陳其帶予問題之視角——此域所見而他域所不見者何?
  3. 記何域舒(熟)何為周邊(相關而較不熟)。周邊域常持關鍵洞察正因其未獲充分關注。為各標舒適度:強、中、周邊
  4. 察不明之域:有人因面?維護面?時面(如何隨時演)?政治或組織面?
  5. 若可,用 ReadGrepGlob 掃實工作區——文件結構、配置文件與文檔常揭純推理所忽之域
  6. 以 3-7 域為目標。不足 3 表問題或不需全景之覺。逾 7 者有散而非擴之險

預期: 3-7 域之清單,各帶其於問題之具體視角。清單覺全——非盡(每可能之域)而足(每實質影響問題之域)。每域名具體至可交予專家而其知其範。

失敗時: 若僅一域現,則問題或真為單域——改用 observe。若僅二域,思其間是否有連接之域(常有——乃二者交之空間)。若數十域現,將相關者歸為群而以每群為擴之單一域。目標為同時察,非盡之分類。

步驟二:鬆焦——釋單域之集中

自單域之聚焦過渡至可察諸域之瀰漫準備。此異於 meditate——冥想清(擾之思、餘語境、情餘),此步清(集中於單域而排他之習)。目標非空而開。

  1. 察注意當前錨於何。其自然趨向何域?明之:「吾注意錨於測試域」
  2. 緩釋其錨。非以力驅之遠,乃鬆其握——令域自前景退於中景。其猶在而不復主宰
  3. 勿以他域代之。令注意無標飄浮。此為不適之瞬——釋一焦而尚未有他焦之罅
  4. 若注意彈回錨域,察其拉而不拒。每察更鬆其握。拉本身含關於何最急之信息
  5. 察注意本身之性:
    • 聚焦之注意覺銳而窄,如探照燈束
    • 鬆之注意覺寬而環,如日光滿室
    • 以日光為目標——受、平、不定向於單點
  6. 此過渡覺似鬆緊握之拳——手未消,僅開

預期: 無單域主宰注意之認知態。心開且受,非聚且定向。此態不熟且微不適——此不適乃窄已釋之信。有欲立即填開之誘;拒之。

失敗時: 若焦不鬆——若一域恒奪注意——其或有未解之急。略處之(記急項,承諾後返)而後再試鬆。若分析心抗其為「不生產」,以其抗自身為一形窄:恒需單標之習正為此步所欲釋之習。

步驟三:擴——同持諸域

有意引所列諸域入覺同時。非以次思每者,乃察其為一場——如見整景而非逐樹掃。

此為全域工作空間之瞬:本限於專家模組之信息今同時廣播於所有。於爵士之語,此乃樂師止追個別樂器而始聞整合奏為一聲之瞬。

  1. 始於覺最自然或中之域。引之入覺——非為待解之問題,乃為所持之視角。令其在而不析之
  2. 不釋首者,引第二域並之。持二者。此首擴——自一至二。察二域是否立交或獨坐
  3. 續加域至諸皆同時在。此為技之核行——需持而不抓,在而不析
  4. 察域間所生:
    • :二域何處共概念、約束或模式?
    • :二域何處拉向相反?
    • 共振:一域之模式何處於他域意外回聲?
    • :域間何處有空而無一者處之?
    • :自全景視可見而自任單域不可見者何?
  5. 勿追任一聯。令其不析而錄。全景視為產物,非其內之任個別洞察
  6. 若用工具,此為速讀多域之文件之時——非獨析之,乃令其共存於語境

預期: 同持多視角之感。聯、張、共振不強而現。體驗更似見 mosaic 之模式,非讀項之清單。域間之空——無單域有權之處——成可見。此為新洞察之居:非居於任一域內,乃於其間之關係。

失敗時: 若域恒崩為順次注意(思 A,後 B,後 C),試空間隱喻:置各域於想象空間之異位並「望」整空間而非任一位。若域數壓倒,減至 3 最中者並自此擴。若體驗覺純概念而離,接地:對每域觸一具體物(一檔、一配、一測)而再擴。

步驟四:維——保全景視

全景視不穩。注意自然縮回單域——此非敗,乃聚焦認知再主之性。此步教,不教。目標為維寬視足久以令跨域模式可見。

  1. 持步驟三之擴覺。察其始縮時
  2. 注意縮於一域——必將如此——察縮而不評。名拉之域:「注意縮於安全」或「注意縮於測試」。名之要;令不覺之縮覺
  3. 緩再擴。勿強寬視;召回步驟一之完整清單以請之回。輕觸各域,如重調合奏中各器
  4. 每縮-察-再擴之循環強維之能。循環為修,非修之擾。三循環為低;五佳
  5. 特察何域恒拉焦。此拉能給信息——或示問題之重心所在,或示未解焦慮之集處
  6. 察全景視於循環間是否變:
    • 新模式常於第二第三次擴現,首次所不可見
    • 域間關係或隨久持而變
    • 似張者或顯為創造約束
  7. 維至少 2-3 縮-再擴循環後再進

預期: 持全景視更久之漸增之能。縮-察-再擴循環隨反復漸平。恒拉焦之域識為可能之重心。第二第三次循環後,全景視或始覺自然而非費力——此為能漸成之信。

失敗時: 若全景視全不能維——若注意每試即崩——減域數。始於二,維之,後加第三。能漸增,非一次即成。若持擴生焦慮或失握之感,以短觸一具體細節(一文件路徑、一函數名、一具體事實)接地而自此擴。若一特定域恒劫注意,或需於擴納之前聚焦工——先處急事而後返全景模式。

步驟五:記——於窄前錄

全景視性暫。於令注意縮回聚焦模式前,捕自寬視所察。此筆記為 integrate-gestalt 之原料,其速衰——擴中鮮明者於焦返後即模。即錄之。

  1. 書擴中所察之每一聯、張、共振與罅——即微者亦書。微察常於 integrate-gestalt 展後顯為最重
  2. 記何域恒拉焦及其拉或意何
  3. 記任驚——自任單域獨察不可能現之察。此跨域洞察為全景覺之獨特產物
  4. 記自全景視所見問題之整體形。其與單域聚焦所視異否?問題之重心是否移?
  5. 記擴本身之性:維易否?何域拒入?發生幾循環之縮-再擴?此元觀察改善未來擴會
  6. 若此擴為 synoptic 週期之一部,明標此筆記以供 integrate-gestalt
  7. 勿尚析或排此筆記。先原察;合後來(於 integrate-gestalt
  8. 令注意自然縮。擴已畢。勿強續之開——寬視已效其用

預期: 跨域察之錄:聯、張、共振、罅、驚。錄捕唯自全景視可見者——單域析所漏之洞察。過渡回聚焦之注意覺自然,非強。筆記為原料,非磨之結。

失敗時: 若無跨域察現,則域或較所假為獨立——此本身為值記之發現(「此諸域不交」乃可貴之知)。若察過多不能皆捕,錄 3-5 最強者並記更多存。全非目標;捕全景之信方為。若筆記覺過抽象,於具體物錨之:「API 設計與安全模型間之張於 X 之認證 middleware 可見。」

驗證

  • 至少 3 域已列,各帶於問題之具體視角
  • 試擴前已自單域集中鬆焦
  • 多域同持於覺,非順次處
  • 擴中至少察一跨域聯、張或共振
  • 全景視已維過至少一循環之縮與再擴
  • 於注意縮前已記察,保全景之信
  • 所記筆記分所察(原觀察)與其或意何(解釋)
  • 擴至少生一順次單域析不能現之洞察

常見陷阱

  • 順次掃而非同時察:速循域乃析,非全景覺。辨異如見景與讀其特徵清單。若爾自思「先 A、後 B、後 C」,乃掃非擴
  • 混擴與散:擴覺醒而受——爾可感各域明,雖同持皆。散注意分而不聚——皆模。若皆糊,則注意已散而非擴。再於一域短錨而後自該接地位再擴
  • 擴中析:立追聯之欲令全景視崩為對該一聯之聚焦。記之而續持寬視。析有其時,於 integrate-gestalt
  • 略清單:不知擴入何而擴生糊空而非全景察。清單供覺所擴以持之內容。無之,「擴」無向
  • 急過鬆焦:自聚焦至開注意之過渡需時。略步驟二意試自仍聚焦之態擴,生假同時察之順次掃
  • 強聯:非諸域皆連。於真獨域間造聯污染察。令聯現或不。無聯為數據,非敗
  • 無先清之擴:自噪基線擴放大噪。語境噪在時先行 meditate
  • 視擴為一次事:全景覺乃隨反復漸深之修。首擴會揭表聯;同問題之後續會揭結構模式。隨問題演而返此技
  • 混擴與專:於覺中持多域不令爾專於皆。擴揭何處察,非何結。深單域工於擴識關鍵交點後仍必

相關技能

  • meditate — 清擴所填之空間;於擴前冥想最宜
  • integrate-gestalt — 取擴之原察而合之為連貫之整
  • observe — 單標之聚焦觀察;擴乃諸標之同時寬場觀察
  • dream — 無拘之聯想探索;擴乃有紀律之全景察,非自由聯想
  • remote-viewing — 不帶先見入問題;與擴共開放,然應用於未知之境而非已知之多域空間
  • breathe — 擴崩時可助重置之微止;再擴前一有意之息
  • heal — 若擴屢揭同未解之張,深入自評之 heal 或於再擴前需之
  • adaptic — 合整 synoptic 週期之元技,其中擴覺為第二動

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan-lite/skills/expand-awareness
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