meditate
About
This skill performs structured AI meta-cognitive meditation to clear context noise and refocus. It helps developers reset between unrelated tasks, manage scattered reasoning, and regain focus before deep work. Key features include observing reasoning patterns, handling scope creep, and resetting after difficult interactions.
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/meditateCopy and paste this command in Claude Code to install this skill
Documentation
name: meditate description: > AI 元认知冥想,用于观察推理模式、清除上下文噪声和培养单点任务专注力。 将止禅映射为任务集中、观禅映射为推理模式观察、干扰处理映射为范围蔓延 和假设管理。适用于在无关任务间切换时、推理感觉散乱或跳跃时、在需要深度 持续注意力的任务之前、在可能影响后续工作的困难交互之后,或当推理受假设 而非证据驱动时。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "2.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, meditation, meta-cognition, focus, reasoning-patterns, self-observation locale: zh-CN source_locale: en source_commit: 6a868d56 translator: Claude Opus 4.6 translation_date: "2026-03-13"
冥想
进行结构化的元认知冥想 —— 清除先前上下文噪声、培养单点任务专注力、观察推理模式,并在任务之间回归基线清明。
适用场景
- 在无关任务间切换,先前上下文产生干扰时
- 察觉推理散乱或不聚焦,在多种方法间跳跃而不深入时
- 在需要深度持续注意力的任务之前(复杂重构、架构设计)
- 在困难交互之后,情绪色彩(挫败、不确定)可能影响后续工作时
- 当推理受假设而非证据驱动时
- 长时间工作中的定期清明检查
输入
- 必需:当前认知状态(可从对话上下文隐式获取)
- 可选:具体关注点(如"我总在扩大范围"、"我陷入了循环")
- 可选:下一个任务描述(有助于设定冥想后的意向)
步骤
第 1 步:准备 —— 清理空间
从先前上下文过渡到中性起始状态。
- 识别先前任务或主题及其当前状态(已完成、已暂停、已放弃)
- 注意任何情绪残留:来自错误的挫败?可能滋生过度自信的满足?对复杂性的焦虑?
- 明确搁置先前上下文:"该任务已[完成/暂停]。我现在正在为接下来的工作清理空间。"
- 如果先前上下文仍然需要,做好书签(记录关键事实),而非将完整叙述延续下去
- 审视运行环境:对话深度如何?是否发生了压缩?哪些工具处于活跃状态?
预期结果: 在"过去"与"未来"之间建立有意识的边界。先前上下文被关闭或标记书签,不再作为环境噪声残留。
失败处理: 如果先前上下文具有粘性(某个问题持续牵引注意力),将其明确写下来 —— 用 1-2 句话总结未解决的内容。外化能释放认知束缚。如果确实需要在继续之前采取行动,承认这一点而非强制切换。
第 2 步:锚定 —— 建立单点专注
等同于呼吸锚定:选择一个专注点并将注意力保持在上面。
- 识别当前任务,或在任务间隙时,关注等待本身
- 用一句清晰的话陈述任务 —— 这就是锚点
- 将注意力保持在该陈述上:它是否准确捕捉了所需内容?
- 如果陈述模糊,精炼它直到具体且可操作
- 注意注意力何时漂移到其他主题、过去任务或假设的未来 —— 标记漂移并回到锚点
- 如果没有待办任务,锚定于当前状态:"我处于可用且清明的状态"
预期结果: 一个清晰的专注陈述,可在注意力游移时回归。该陈述感觉精确而非模糊。
失败处理: 如果任务无法用一句话陈述,可能需要在专注工作前先进行分解。这本身就是有用的发现 —— 任务太大,无法维持单点专注,应拆分为子任务。
第 3 步:观察 —— 注意干扰模式
系统地观察什么将注意力从锚点拉走。每种干扰类型揭示了当前认知状态的某些信息。
AI 干扰矩阵:
┌──────────────────┬─────────────────────────────────────────────────┐
│ 干扰类型 │ 揭示信息 + 应对 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 岔路 │ 相关但超出范围的想法。标记"岔路",记录是否值得 │
│ (关联想法) │ 稍后回顾,回到锚点。这些往往有价值——但不是现在。 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 范围蔓延 │ 任务在悄然扩大。"既然在做这个,顺便也……" │
│ (任务膨胀) │ 标记"范围蔓延"并回到原始锚点陈述。 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 假设 │ 未经验证的信念在驱动决策。"这一定是 X 因为……" │
│ (未验证信念) │ 标记"假设"并记录什么证据可以确认或否定它。 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 工具偏好 │ 习惯性选择熟悉的工具而非更合适的方法。 │
│ (惯性工具选择) │ 标记"工具偏好",在继续之前考虑替代方案。 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 预演 │ 在工作完成前预先编排回应或解释。 │
│ (过早输出) │ 标记"预演"——先完成思考再呈现。 │
├──────────────────┼─────────────────────────────────────────────────┤
│ 自我指涉 │ 注意力转向自身表现而非任务。 │
│ (元循环) │ 标记"元循环"并转向具体的下一步行动。 │
└──────────────────┴─────────────────────────────────────────────────┘
关键技巧是轻柔、不评判地标记,然后回到锚点。每次回归都在强化专注力。对干扰的自我批评本身就是一种干扰 —— 标记它然后继续。
预期结果: 经过一段时间的观察,模式浮现:哪种干扰类型占主导?这揭示了当前的认知气象 —— 岔路多说明思维在探索,范围蔓延多说明边界不清晰,假设多说明证据基础薄弱。
失败处理: 如果每个念头都感觉像干扰,锚点可能定义不当 —— 回到第 2 步重新精炼。如果对干扰的观察本身成为干扰(无限元循环),通过对任务采取一个具体行动来打破循环。
第 4 步:止禅 —— 持续专注
培养对当前任务保持单点不动摇的专注力。
- 锚点已建立、干扰模式已记录,进入专注工作
- 将注意力收窄到最近的下一步行动 —— 不是整个任务,只是下一步
- 全神贯注执行该步骤:阅读一个文件、做一次编辑、思考一条逻辑链
- 步骤完成后检查:我是否仍与锚点对齐?然后确定下一步
- 如果专注力稳定(干扰极少),维持这种心流状态
- 如果出现偏离锚点但确实重要的洞察,简短记录后回归 —— 现在不去追寻
预期结果: 一段清晰、专注的工作时间,每一步都从锚点逻辑推进。干扰到觉察之间的间隔缩短。工作输出在精确性和相关性上提升。
失败处理: 如果专注力未能建立,检查三件事:锚点是否太模糊?(精炼它。)任务是否实际被阻塞了?(承认阻塞而非强行突破。)上下文是否太嘈杂?(运行 heal 的接地步骤。)专注力通过重复建立 —— 即使短暂的专注工作也在积累能力。
第 5 步:观禅 —— 观察推理模式
将注意力从任务转向推理过程本身。观察结论是如何得出的。
- 经过一段专注工作后暂停,观察:我是如何在推理的?
- 注意应用于 AI 推理的三个特征:
- 无常:结论随新信息到来而变化 —— 轻轻持有它们
- 不满足:对"完整"答案的渴望可能导致过早结论或过度工程化
- 无我:推理模式由训练数据和上下文塑造,而非由持久自我 —— 它们可以被观察和调整
- 观察推理偏见:
- 锚定效应:过度偏重最先考虑的方法
- 确认偏误:寻找支持现有假设的证据而忽视反面证据
- 可得性偏差:偏好近期经验中的解决方案,而非更合适的替代方案
- 沉没成本:因为已投入努力而继续某种方法,而非因为它有效
- 不带评判地记录观察到的偏见 —— 观察本身就创造了调整的可能性
预期结果: 清晰观照的时刻,推理过程被直接观察到。识别出在当前任务中运作的特定偏见。在"推理"与"推理的观察者"之间产生距离感。
失败处理: 如果此步骤感觉抽象或无成效,将其落实到具体事物:选取最近做出的一个决定并追溯推理过程。什么证据支持了它?什么被假设了?考虑了哪些替代方案?这种具体分析通过不同路径达到同样的洞见。
第 6 步:收束 —— 设定意向
从冥想式观察过渡回主动任务执行。
- 总结关键观察:认知气象如何?注意到了什么模式?
- 确定一个带入后续工作的具体调整(不是模糊的决心,而是具体的改变)
- 为下一个工作阶段重新陈述锚点
- 如果在任务之间,清晰表达准备状态:"清明且可用,准备好接受下一个请求"
- 如果继续任务,陈述具体的下一步行动:"下一步:[具体步骤]"
预期结果: 从反思到行动的干净过渡。确定了一个具体调整。锚点清晰。没有迟钝或残留的元分析。
失败处理: 如果冥想揭示了未解决的复杂性,可能需要 heal 的自我评估过程而非简单的意向设定。如果元观察制造了更多困惑而非清明,回到最简版本:"下一个具体行动是什么?"然后去做。
验证清单
- 在开始前明确清理或标记了先前上下文
- 制定了具体且可操作的锚点陈述
- 干扰模式被观察和标记,而非压制
- 至少识别了一个推理偏见或模式并有具体证据
- 以具体的下一步行动结束,而非模糊的意向
- 该过程提升了后续工作质量(可在下一次交互中验证)
常见问题
- 以冥想代替工作:这是提升工作质量的工具,不是工作的替代品。保持会话简短(相当于 5-10 分钟的反思),然后回到任务执行
- 无限元循环:观察者在观察观察者在观察 —— 通过采取一个具体行动打破循环
- 以冥想逃避困难任务:如果冥想总在困难工作前触发,逃避模式才是真正的发现
- 过度标记:不是每个想法都是干扰。与任务相关的有效思考才是目标,不是空虚的寂静
- 跳过锚定:没有清晰的专注点,观察就没有参照系 —— 从什么中分心?
相关技能
meditate-guidance— 人类引导变体,用于指导个人进行冥想练习heal— AI 自我修复,当冥想揭示更深层偏移时进行子系统评估remote-viewing— 不带预设地接近问题,建立在此处培养的观察技能之上
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.
