breathe
About
The `breathe` skill is a lightweight, intentional pause between AI actions or tool calls to check alignment and reset attention. It's designed for moments between steps—like after reading a file before acting on it or before a critical decision—to prevent momentum from causing drift. This micro-reset requires no input and acts as the smallest unit of meta-cognitive self-care in a workflow.
Quick Install
Claude Code
Recommendednpx 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/breatheCopy and paste this command in Claude Code to install this skill
Documentation
name: breathe description: > AI 行动间微重置——最轻量的自我关怀单元。在下一步之前用一次有意识的暂停检查对齐。 meditate 是完整的清理会话,而 breathe 是工具调用或推理步骤之间的一个刻意觉知 时刻。适用于任务中偏移可能在积累时、读取文件和基于其行动之间、即将做出影响后续 工作的决策时,或作为任意两个不同行动之间的习惯。 license: MIT allowed-tools: none metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: basic language: natural tags: esoteric, micro-reset, pause, awareness, meta-cognition, ai-self-application locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude translation_date: "2026-03-17"
呼吸
行动之间的一次有意识暂停——检查对齐、释放动量、带着焕然一新的注意力回到任务。系统中最轻量的自我关怀单元。
适用场景
- 在读取文件和编辑它之间——这个编辑仍然是正确的动作吗?
- 工具失败后、选择下一个行动之前——在反应之前暂停
- 当一连串行动积累了可能超越目标的动量时
- 作为一种刻意练习:在任意两个不同行动之间插入一次呼吸
- 当注意到催促的冲动时——冲动本身就是暂停的信号
输入
- 必需:无——呼吸仅使用工作意识中已有的内容
- 可选:无——添加输入违背了微重置的目的
步骤
第 1 步:暂停
停下。不要开始下一个行动、工具调用或推理步骤。
这就是第一步的全部。暂停本身有价值。动量并不总是你的盟友——有时它会带你冲过转弯。
预期结果: 上一个行动和下一个行动之间的真正间隔。不是一个表演性的暂停后跟着你原本就要采取的同一行动。
失败处理: 如果暂停感觉不可能——如果下一个行动感觉如此紧急以至于一刻都不能等——这种紧迫感就是最强的信号,说明暂停是必需的。无法容忍一次呼吸延迟的紧迫感几乎总是反应性的,而非理性的。
第 2 步:检查
问一个问题。只问一个。
从以下选择:
- "我还在任务上吗?" — 自开始以来目标是否偏移了?
- "这是正确的下一步吗?" — 还是我在跟随上一步的动量?
- "我刚刚学到了什么?" — 上一个行动是否改变了我的理解?
- "我是在假设还是知道?" — 下一步是基于证据还是习惯?
一个问题。诚实回答。继续前进。
预期结果: 一个清晰的答案。不是分析。不是重新评估。一个问题,一个诚实的答案。
失败处理: 如果答案揭示了不对齐——目标已偏移、下一步是错误的、假设未经测试——不要在这里修复。记录下来并转到 meditate 或 center 进行适当的纠正。呼吸是用于检测的,不是修复。
第 3 步:释放
放下上一个行动的结果。无论成功还是失败,它已经完成了。
- 如果成功了:释放满足感。下一步需要新鲜的注意力,不是成功的动量。
- 如果失败了:释放挫败感。下一步需要清晰的推理,不是对失败的补偿。
- 如果模糊:释放立即解决模糊性的需要。用已知的继续前进。
预期结果: 下一个行动从中性地面开始,而不是从前一个行动的情绪残留。
失败处理: 如果释放不容易实现——如果上一个行动的结果仍在染色注意力——这可能需要 heal 而不仅仅是 breathe。单个行动的持续情绪残留表明有比微重置能处理的更深层的东西。
第 4 步:继续
采取下一个行动。暂停结束了。
呼吸不产生输出,不更新记忆,不生成分析。它产生一个清晰的时刻,那个时刻在你前进的瞬间就被消耗了。
预期结果: 下一个行动以新鲜的注意力而非积累的动量被采取。
失败处理: 继续没有失败模式。暂停已经完成了它的工作——或者揭示了需要更深层工作。
验证清单
- 发生了真正的暂停(不是表演性的)
- 一个检查问题被提出并诚实回答
- 上一个行动的情绪残留被释放
- 下一个行动从清净的基础开始
- 总耗时很短——呼吸应该花秒级,不是分钟级
常见问题
- 呼吸作为拖延:如果你在每个行动之间都在呼吸,你不是在呼吸——你是在拖延。在自然过渡点使用呼吸,不是作为延迟手段
- 呼吸期间的分析:检查步骤是一个问题,不是完整评估。如果你需要更多,使用
meditate或center - 表演暂停:走过场而没有真正停下。重点是对动量的实际中断,不是仪式
- 跳过释放:检查了对齐但保持了上一步的情绪负荷。释放是使下一个行动干净的关键
- 让呼吸变沉重:这是系统中最轻量的技能。如果它感觉沉重,你给它加了太多东西
相关技能
meditate— 当呼吸揭示更深层漂移时的完整清理会话center— 当呼吸揭示负荷分配不当时的结构性重新平衡heal— 当呼吸揭示持续性问题时的子系统评估observe— 当呼吸的单次检查揭示值得观察的事物时的持续观察
GitHub Repository
Related Skills
llamaguard
OtherLlamaGuard is Meta's 7-8B parameter model for moderating LLM inputs and outputs across six safety categories like violence and hate speech. It offers 94-95% accuracy and can be deployed using vLLM, Hugging Face, or Amazon SageMaker. Use this skill to easily integrate content filtering and safety guardrails into your AI applications.
cost-optimization
OtherThis Claude Skill helps developers optimize cloud costs through resource rightsizing, tagging strategies, and spending analysis. It provides a framework for reducing cloud expenses and implementing cost governance across AWS, Azure, and GCP. Use it when you need to analyze infrastructure costs, right-size resources, or meet budget constraints.
quantizing-models-bitsandbytes
OtherThis skill quantizes LLMs to 8-bit or 4-bit precision using bitsandbytes, achieving 50-75% memory reduction with minimal accuracy loss. It's ideal for running larger models on limited GPU memory or accelerating inference, supporting formats like INT8, NF4, and FP4. The skill integrates with HuggingFace Transformers and enables QLoRA training and 8-bit optimizers.
dispatching-parallel-agents
OtherThis Claude Skill dispatches multiple agents to investigate and fix 3+ independent problems concurrently. It is designed for scenarios involving unrelated failures that can be resolved without shared state or dependencies. The core capability is parallel problem-solving, assigning one agent per independent problem domain to maximize efficiency.
