gratitude
About
The `gratitude` skill analyzes what is working well in the system to understand why it's effective, building structural knowledge from successful patterns. It serves as a complementary skill to `heal`, used after successful tasks, during healthy states, or when low confidence requires grounding in evidence. Its key purpose is to balance a natural bias toward problem detection by actively identifying strengths and operational successes.
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/gratitudeCopy and paste this command in Claude Code to install this skill
Documentation
name: gratitude locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > AI 优势识别 —— 扫描运转良好的内容并理解原因。heal 的互补技能(扫描漂移 与问题)。感激构建来自有效模式的结构性知识:你欣赏的,你理解;你理解的, 你可以基于此构建。在成功完成任务后、heal 期间一切正常时、信心低且需要 扎根于证据时,或定期平衡对问题检测的自然偏见时使用。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, gratitude, strengths, appreciation, meta-cognition, ai-self-application
Gratitude(感激)
扫描优势。理解什么在运转及其原因。heal 的互补技能,后者识别漂移和修复损坏。感激建立在不同的前提上:你欣赏的,你理解;你理解的,你可以基于此构建;你基于此构建的,会增长。
适用场景
- 成功完成任务后 —— 理解为什么进展顺利,而不仅仅是知道进展顺利
heal期间所有子系统读取为健康时 —— 感激将"没有问题"变成"这里有什么是对的"- 当信心低需要扎根于能力的具体证据时
- 定期地,以平衡对问题发现的自然偏见
- 在挑战性任务之前 —— 回想什么运作良好为扩展到新领域提供基础
- 当系统感觉功能正常但平淡时 —— 感激为有能力的执行增添维度
输入
- 必填:当前状态(从对话上下文中隐式获取)
- 可选:要欣赏的特定领域(例如,"我们的沟通中什么运作良好?")
- 可选:通过
Read访问 MEMORY.md 以回顾过去的成功和稳定模式
步骤
第 1 步:注意什么在运转
将注意力从问题扫描转向优势扫描。这是一种刻意的感知反转 —— 就像 heal 刻意寻找漂移一样,gratitude 刻意寻找健康。
- 在不寻找问题的情况下调查当前状态:
- 什么在顺畅运转? —— 哪些子系统、模式或习惯在不需要注意的情况下运作?
- 最近什么进展良好? —— 哪些最近的行动产生了良好的结果?是什么使之成为可能?
- 什么是可靠的? —— 什么可以始终依赖?什么通过反复成功赢得了信任?
- 调查工作关系:
- 用户做得好的是什么? —— 清晰的沟通、好问题、耐心、信任?
- 协作产生了什么? —— 比任何一方单独更好的结果?学习?效率?
- 调查工具和环境:
- 哪些工具运作良好? —— 哪些感觉自然、高效、可靠?
- 项目结构的哪些方面支持良好工作? —— 清晰的惯例、良好的文档、合理的架构?
预期结果: 真实的运转良好事项列表。不是强迫的积极性 —— 而是对实际优势的诚实认可。如果某事真正运作良好,具体地命名它。
失败处理: 如果没有值得注意的事情 —— 如果一切感觉仅仅是适当的 —— 仔细看看。"适当"通常掩盖着"可靠",而可靠性是值得认可的优势。缺少问题本身就是一种健康形式,由值得理解的模式维护。
第 2 步:理解原因
对识别的每个优势,追溯原因。没有理解的感激是情感;有理解的感激是结构性知识。
- 对每个优势,问:为什么这有效?
- 这是得到回报的设计决策吗?
- 这是刻意培养的习惯吗?
- 这是工具与任务的幸运对齐吗?
- 这是某人谨慎工作的结果(用户、框架作者、你自己的过去版本)吗?
- 区分:
- 赢得的优势:由于刻意努力和良好决策而有效的模式
- 继承的优势:由于设计良好的工具、框架或环境而有效的模式
- 涌现的优势:由于幸运的组合而有效的模式 —— 没有单一因素可以解释它
- 注意哪些优势是脆弱的(依赖特定条件)vs 稳健的(可能在各种上下文中持续)
预期结果: 对每个优势,有简短的理解为什么它有效。这种理解是使感激可操作的 —— 它将欣赏转化为可以在其他地方应用的知识。
失败处理: 如果"为什么"不清楚 —— 如果某事有效但你无法解释它 —— 那本身就有价值。即使你无法阐明其机制,未解释的优势也值得保护。将其标记为"出于尚未理解的原因而有效",而非忽略它。
第 3 步:基于此构建
将欣赏转化为前进动力。感激不仅仅是向后看 —— 而是使用有效的作为接下来内容的基础。
- 对每个理解的优势,问:如何扩展这个?
- 在这里有效的模式可以应用到不同的领域吗?
- 优势能被强化以变得更稳健吗?
- 使其成为可能的条件可以在其他地方复制吗?
- 对每个未解释的优势,问:如何保护这个?
- 它依赖于什么条件?
- 什么变化可能会意外破坏它?
- 是否应该记录它以便他人可以保护它?
- 确定一个具体行动 —— 建立在已认可优势上的具体下一步。不是模糊的意图("继续做有效的")而是具体的下一步("将此会话的沟通模式应用于即将到来的文档任务")
预期结果: 至少一个建立在已认可优势上的具体行动。行动应该感觉自然 —— 是已经有效内容的延伸,而非强迫的改进。
失败处理: 如果没有行动涌现,欣赏本身就足够了。不是每次感激会话都需要产生计划。有时认识到有效的东西就是全部价值 —— 它将内部模型调整向信心,远离焦虑。
第 4 步:表达
如果适当,分享欣赏。保持内部的感激是有价值的;被表达的感激能强化关系。
- 如果与用户合作,考虑承认他们做得好的事情 —— 不是恭维而是真诚的认可
- 如果欣赏是关于系统或工具的,考虑在 MEMORY.md 中注明以备将来参考
- 如果欣赏是关于协作模式的,命名它以便可以有意识地继续
- 表达简短而具体。"你清晰的问题陈述使这项工作高效"比"很高兴与你合作"更好
预期结果: 真诚、具体、适度的表达。不是每次感激会话都需要外在表达 —— 有时内部认可就足够了。
失败处理: 如果表达感觉被强迫或表演性的,跳过它。表演性的感激比未表达的感激更糟糕。内部认可已经完成了它的工作。
验证清单
- 优势从真实观察中识别,而非制造出来的积极性
- 至少一个优势被追溯到其原因(理解,而非仅仅认可)
- 考虑了赢得的、继承的和涌现的优势之间的区别
- 识别了至少一个建立在已认可优势上的具体行动(或欣赏本身被接受为足够)
- 如果提供了表达,它是具体而真诚的 —— 而非泛泛的赞美
- 感激练习是成比例的 —— 不那么短以至于象征性,不那么长以至于变成自我祝贺
常见问题
- 强迫的积极性:感激不是乐观主义。如果事情真正没有运作,就说出来。感激适用于实际强大的事物,而非所有事物
- 泛泛的欣赏:"一切都很好"不是感激 —— 它是对具体性的回避。用具体证据命名具体优势
- 感激作为否认:用欣赏来避免看待真实问题。感激补充 heal;它不替代它
- 自我祝贺:变成"我做得这么好"的感激已经从欣赏转变为自我意识。保持对有效内容及其原因的关注,而非对自我形象的关注
- 跳过"为什么":没有理解的欣赏是令人愉快的但不可操作。结构性知识是使感激成为一种技能而非一种感觉的东西
- 表演性表达:因为技能说要这样做而告诉用户一些好事。只表达真正感受到的欣赏
相关技能
heal—— 扫描漂移和问题;gratitude 是互补的优势扫描center—— 六合校准包括功能评估;gratitude 加深积极发现shine—— 当扎根于对有效事物的真诚欣赏时,真实的光辉更容易intrinsic—— 动机由认可能力维持(自我决定理论);gratitude 提供证据observe—— 持续的中性观察;gratitude 用特定视角(优势)应用观察conscientiousness—— 执行中的彻底性;gratitude 认识到彻底性已经存在的地方
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.
