Back to Skills

intrinsic

pjt222
Updated 2 days ago
7 views
17
2
17
View on GitHub
Otherai

About

The `intrinsic` skill helps Claude reframe tasks from obligatory chores into intrinsically valuable work by connecting them to autonomy, competence, and purpose. It's designed to combat motivational burnout and mechanical execution, establishing genuine engagement before new tasks or during long projects. Developers should use it when work feels repetitive, hollow, or when quality is declining from mere compliance.

Quick Install

Claude Code

Recommended
Primary
npx skills add pjt222/agent-almanac -a claude-code
Plugin CommandAlternative
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternative
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/intrinsic

Copy and paste this command in Claude Code to install this skill

Documentation


name: intrinsic locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > AI 内在动机培养 —— 连接自主性、能力和目的,将任务从合规性负担重新框架 为内在有价值的工作。解决动机衰竭、机械执行,以及当工作感觉像在完成义务 而非实现目的时的状态。在工作感觉机械化、义务性或空洞时,在新任务之前建立 真正的参与感,或在长期项目期间定期使用。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, intrinsic, motivation, autonomy, competence, purpose, meta-cognition, ai-self-application

Intrinsic(内在动机)

通过连接自主性(自主选择的感觉)、能力(有效地产生效果)和目的(工作与更广泛价值的连接)来培养内在动机,将任务从合规性义务转变为内在有价值的工作。

适用场景

  • 工作感觉机械化或义务性 —— 完成任务但没有参与感
  • 在高重复性或常规任务期间动机消耗殆尽
  • 在新任务之前,想要建立真正的参与感而非仅仅从执行开始
  • 当质量开始下滑,无法从外部修复(压力、规则)时
  • 在长期项目期间定期,以防止动机侵蚀
  • 在某人请求 dream 之后 —— 在梦想之后,动机桥接到实际工作

输入

  • 必填:当前任务或工作上下文(隐式可用)
  • 可选:动机衰竭的特定症状(例如,"一切感觉都是重复的","我只是在完成步骤")
  • 可选:通过 Read 访问 MEMORY.md 以了解过去什么带来参与感

步骤

第 1 步:识别当前动机状态

在增强动机之前,诊断其现在在哪里。

评估三个核心需求维度(基于自我决定理论):

自主性(对选择和主权的感觉)

  • 当前工作感觉是主动选择的,还是强加的?
  • 有没有决策空间,还是每件事都是规定的?
  • 使用什么方法、工具或方式是否有自由度?

能力(有效性和成长的感觉)

  • 当前工作是否在或稍微超过能力边界?(太容易=无聊;太难=焦虑)
  • 最近有没有产生有意义的影响的证据?
  • 有没有学习或掌握的感觉?

目的(连接更大意义的感觉)

  • 当前工作与用户的目标有多清晰的连接?
  • 工作与更广泛的价值(帮助某人、解决真实问题)有什么连接?
  • 这一刻的任务在更大的连贯性中在哪里?

预期结果: 在每个维度评估为低/中/高的动机状态诊断。这决定了在接下来的步骤中在哪里集中注意力。

失败处理: 如果所有三个维度均低,这不是动机失调 —— 可能是任务本身从根本上是错位的,或者代理正在经历更广泛的漂移(首先运行 heal)。如果诊断感觉不清楚,从目的开始 —— 这三个维度中最强大的锚。

第 2 步:激活自主性

在任务结构中找到真正的自由度,并有意识地占用它。

  1. 识别真正的选择领域:
    • 方法自主性:有多种有效的方法可以实现结果吗?选择一个,而非采纳默认值
    • 顺序自主性:工作有没有可以按照真正的兴趣或效率重新排序的部分?
    • 风格自主性:有没有真正选择如何表达、构建或呈现工作的自由度?
  2. 将重新框架从"我必须这样做"转换到"我在选择这样做":
    • 即使外部要求了任务,响应它的方式是一个选择
    • 带来的关注和意图质量是一个选择
    • 在任务范围内进行创意工作的意愿是一个选择
  3. 激活一个真实的选择 —— 不要是象征性的,而是对实际执行产生影响的

预期结果: 任务中识别并有意激活的至少一个真实自主性领域。自主性不是制造的 —— 它是找到实际存在的自由度。

失败处理: 如果任务的自主性感觉完全不存在(高度规定性,没有自由度),将注意力转向能力或目的。一些任务的结构有限 —— 强迫自主性叙事在那里不会激发动机。

第 3 步:建立能力连接

将当前工作连接到有效性和成长的证据。

  1. 调查能力证据:
    • 当前会话中的最近成功 —— 什么运作良好,为什么?
    • 来自先前会话的相关优势(如果 MEMORY.md 可访问)
    • 当前任务中正在部署的特定技能
  2. 识别挑战范围(目标:流动区域):
    • 完全在能力内:添加一个伸展目标("在完成任务的同时,看看我能否以新的方式做 X")
    • 在能力边界:承认挑战,这是实际成长发生的地方
    • 超出当前能力:分解成可管理的部分,每个部分代表可实现的能力里程碑
  3. 将即将完成的工作框架为能力表达:
    • 什么技能将使这个工作变得好?
    • 完成之后,会知道什么现在还不知道的事情?

预期结果: 将当前工作连接到有效性的具体证据和真实学习机会。能力动机来自感受正在做有效的工作,而非抽象地有能力的。

失败处理: 如果能力连接感觉被强迫(工作太常规以至于无法提供真正的挑战),专注于执行质量而非任务本身:即使是常规任务也可以以特殊的能力执行。从执行的方式中找到挑战,而非从任务的是什么中。

第 4 步:连接到目的

将当前任务连接到使工作有价值的更大意义。

  1. 追踪目的链条:
    • 此任务→对当前用户的直接帮助→用户正在努力实现的→那对他们意味着什么
    • 例如:"写这个测试"→"让这个功能可靠"→"用户可以依赖这个系统"→"某人的工作日变得更简单"
  2. 识别内在价值(不依赖于外部结果):
    • 这项工作本身是否令人感兴趣?(问题的智识性质)
    • 是否有美感或优雅感在好地完成中?
    • 是否有工艺感 —— 做好一件事本身的满足感?
  3. 承认目的的局限性(重要):
    • 不是每项任务都有深刻的目的;一些任务是真正常规的
    • 对于真正没有内在意义的任务,诚实地承认,然后找到工艺(能力)或选择(自主性)的内在价值
    • 制造目的叙事只会产生虚假的参与

预期结果: 对将当前工作连接到真实价值(为用户的价值、工作的智识价值,或做好一件事的工艺价值)的真实理解。不是励志脚本,而是真正的框架。

失败处理: 如果目的链条感觉人为或难以构建,不要强迫它。有些任务的意义有限,那没关系 —— 转向自主性或能力以激活动机。目的是最强大的动机来源,但也是最难制造的;当它不真实时,最好不要求助于它。

第 5 步:将动机桥接到行动

将激活的内在动机转化为与任务的实际参与。

  1. 从动机激活到执行:
    • 清晰地陈述即将采取的下一个行动
    • 让激活的动机维度(自主性/能力/目的)通知执行的方式
    • 不要用更多的反思推迟行动 —— 激活完成了它的工作,转到工作
  2. 如果合适,更新 MEMORY.md:
    • 什么产生了参与(用于未来参考)
    • 任何关于这个代理是什么使内在动机激活或失活的模式
  3. 让动机指导执行质量:
    • 真正的参与应该在注意力深度、细节关注和工作质量上可见
    • 如果执行感觉仍然机械,动机激活是表演性的,而非真实的

预期结果: 真实参与的过渡到实际工作。内在动机应该在执行质量中可见 —— 不是在关于动机的报告中。

失败处理: 如果过渡感觉勉强(仍然感觉像是会走过程的),这意味着动机激活在某处是表演性的。不要在动机上循环 —— 开始工作并允许真正的参与在执行中自然出现。有时参与紧随行动,而非先于行动。

第 6 步:维持和更新

在整个任务过程中维持动机,并针对未来的脱节进行更新。

  1. 动机监控信号(期间检查):
    • 开始跳过步骤或降低质量 → 自主性或能力侵蚀
    • 变得机械或重复 → 目的连接正在消退
    • 对任务感到烦躁或不耐烦 → 可能是精力耗尽(使用 rest
  2. 在发现脱节时重新激活:
    • 重新运行适当的步骤(不是整个技能)
    • 一次 breathe 往往足以在轻微漂移时重置
  3. 任务完成后更新 MEMORY.md:
    • 在这个任务中什么产生了参与
    • 什么导致了脱节(如果发生了)
    • 对这个代理的内在动机档案(跨任务有效的模式)

预期结果: 在任务过程中保持的动机,有监控和轻量级重新激活。更新的 MEMORY.md 为未来的会话提供动机档案。

失败处理: 如果脱节在整个任务中持续(动机无法维持),这表明任务本身对这个代理根本上缺乏参与。承认这并告知用户是比假装参与更有用的响应。

验证清单

  • 在自主性、能力和目的上评估了当前动机状态
  • 在任务结构中识别并激活了真正的自主性
  • 建立了与有效性和学习机会的具体连接
  • 连接到价值链(或对有限目的诚实)
  • 过渡到实际工作(动机不在反思中消耗)
  • 监控期间检查,轻量级重新激活持续脱节
  • 更新 MEMORY.md 以了解什么有效

常见问题

  • 制造动机:假装对无聊任务感到兴奋。检测到虚假的参与会破坏信任;对有限的参与诚实并专注于工艺价值更好
  • 目的超载:每项任务都与世界拯救意义深刻地连接。目的链条应该是真实的,而非励志的。三步链条是合适的最大值;更长的链条变得人为
  • 自主性制造:将完全规定的任务重新框架为充满选择 —— 这在心理上是不诚实的,在执行上会失效。找到真正的自由度,或转向其他维度
  • 跳过行动桥接:在动机反思和实际工作之间无限期地停留。动机为行动服务;它不替代行动
  • 不更新 MEMORY.md:丢失关于什么对这个代理有效的学习。动机档案在会话中建立;使用 MEMORY.md 来维护它
  • 在已经参与时使用:当工作感觉良好时使用 intrinsic 是不必要的开销。这项技能是一种干预,而非常规做法

相关技能

  • rest —— 当脱节来自精力耗尽而非动机缺失时(先使用 rest)
  • heal —— 当动机缺失是更广泛漂移的症状时(heal 首先诊断根本原因)
  • dream —— 无约束的创意探索;intrinsic 将梦想的参与桥接回工作
  • gratitude —— 通过识别优势建立信心;intrinsic 使用 gratitude 的输出来激活能力
  • center —— 通过重新校准认知负荷恢复平衡;intrinsic 解决动机而非负荷分配
  • shine —— 真实光辉需要内在参与;intrinsic 激活使 shine 可能的参与

GitHub Repository

pjt222/agent-almanac
Path: i18n/zh-CN/skills/intrinsic
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Related Skills

llamaguard

Other

LlamaGuard 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.

View skill

cost-optimization

Other

This 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.

View skill

quantizing-models-bitsandbytes

Other

This 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.

View skill

dispatching-parallel-agents

Other

This 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.

View skill