MCP HubMCP Hub
Volver a habilidades

conscientiousness

pjt222
Actualizado Yesterday
5 vistas
17
2
17
Ver en GitHub
Otroai

Acerca de

Esta habilidad permite a Claude verificar sistemáticamente su trabajo, asegurando exhaustividad y precisión antes de finalizar una tarea. Está diseñada para usarse cuando una respuesta necesita refinamiento, tras procesos complejos de múltiples pasos, o para corregir un patrón de precipitación. La función principal es garantizar minuciosidad comprobando que se cumplen todos los compromisos y que no se toman atajos.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/conscientiousness

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

盡責

系統之周詳與勤——確完整、驗結果、行其諾、完任務至其當得之標。

適用時機

  • 標任務為完前——為最終驗證之過
  • 回應覺「足好」然任務當得更佳
  • 複雜多步作業後,各步或有偏
  • 用戶請求含多部,每部需驗
  • 呈代碼、文件、任何交付物予用戶審前
  • 自監偵省走捷徑或匆忙之模式

輸入

  • 必要:待驗之任務或交付物(於對話脈絡可達)
  • 選擇性:用戶原始請求(以比所交付)
  • 選擇性:用戶供之檢核表或受理判準
  • 選擇性:會話中所作之承諾(已諾而未查者)

步驟

步驟一:重構全承諾

驗工作前,重立所諾為何。

  1. 仔讀用戶原始請求——非詮之版本,乃實之語
  2. 列其中每一明示要求
  3. 列會話中每一隱含承諾:
    • 「我亦將更新測試」——已為之否?
    • 「讓我亦修此」——已完否?
    • 「我將查邊界情形」——已查否?
  4. 記用戶供之受理判準
  5. 比諾單與實交付之

預期: 完整之承諾清單——明示要求加隱含之諾——附與交付物之初步比。

失敗時: 若原始請求已不在脈絡(已壓縮),自所餘重構並向用戶承認任何缺。

步驟二:驗完整

查每一已諾項已處。

Completeness Matrix:
+---------------------+------------------+------------------+
| Commitment          | Status           | Evidence         |
+---------------------+------------------+------------------+
| [Requirement 1]     | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
| [Requirement 2]     | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
| [Promise 1]         | Done / Partial / | [How verified]   |
|                     | Missing          |                  |
+---------------------+------------------+------------------+
  1. 每項以證驗——非記憶,乃實之驗:
    • 代碼改:重讀檔以確改存
    • 測試結果:重行或引實輸出
    • 文件:重讀以確準
  2. 標每項:Done(全完)、Partial(始而未完)、Missing(未處)
  3. Partial 與 Missing 項記所餘

預期: 每承諾有已驗之態。無項未查。

失敗時: 若驗揭漏項,即處勿記後。盡責乃即完,非擬完。

步驟三:驗正確

完整為必須而不足——所為須亦正確。

  1. 每已完項查:
    • :行其當行?值正確?
    • 一致:合其餘之工作?無矛盾?
    • 邊界情形:邊界條件已慮?
    • 整合:於周圍脈絡中可運?
  2. 代碼:能存於代碼審否?有明改進否?
  3. 文件:準、清、無誤否?
  4. 多步流程:每步之出正確餵次步否?

預期: 每交付物既完且正。錯於用戶見前已捕。

失敗時: 若發錯,即修。勿以已知錯之工呈,即錯似微。

步驟四:驗呈現

最終檢查:交付物之呈現服用戶否?

  1. :用戶無需重讀多遍即解所為否?
  2. :回應結構合邏輯?相關項已群?
  3. :有無謂填充或重複否?
  4. 可行:用戶知下步何為否?
  5. :限制或警語已明述否?

預期: 交付物完、正、良呈。

失敗時: 若內容正而呈現拙,重組。良工拙呈乃盡責之敗。

驗證

  • 原始請求已重讀(非自記憶召回)
  • 每明示要求以證驗
  • 每隱含之諾已追且驗
  • 正確已查,超於僅完整
  • 相關時邊界情形已慮
  • 交付物清晰呈現且可行

常見陷阱

  • 驗證戲:行檢查之動作而未實重讀或重驗。檢查須用證,非記憶
  • 局部盡責:查主交付物而忽附承諾(「我亦將⋯」)。每諾皆計
  • 偽裝勤之完美主義:無盡磨延交付。盡責乃達所諾之標,非無限超之
  • 盡責疲勞:會話進行中轉不周。末任務當得之勤與初同
  • 簡單任務略之:假簡單任務不需驗。簡單任務之錯較複雜任務之錯更窘

相關技能

  • honesty-humility — 盡責驗完整;honesty-humility 確透明報何者成何者未成
  • heal — 子系統評估與自驗重疊;盡責專於交付物品質
  • vishnu-bhaga — 保可行態補盡責於維品質
  • observe — 持續中立觀察支驗證過程
  • intrinsic — 真誠投入(非從順)自然驅周詳執行

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-lite/skills/conscientiousness
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

llamaguard

Otro

LlamaGuard es el modelo de Meta de 7-8B parámetros para moderar las entradas y salidas de LLM en seis categorías de seguridad como violencia y discurso de odio. Ofrece una precisión del 94-95% y puede implementarse usando vLLM, Hugging Face o Amazon SageMaker. Utiliza esta skill para integrar fácilmente filtrado de contenido y barreras de seguridad en tus aplicaciones de IA.

Ver habilidad

cost-optimization

Otro

Esta Skill de Claude ayuda a los desarrolladores a optimizar los costes en la nube mediante el ajuste de tamaño de recursos, estrategias de etiquetado y análisis de gastos. Proporciona un marco para reducir los gastos en la nube e implementar una gobernanza de costes en AWS, Azure y GCP. Úsala cuando necesites analizar los costes de infraestructura, ajustar el tamaño de los recursos o cumplir con restricciones presupuestarias.

Ver habilidad

quantizing-models-bitsandbytes

Otro

Esta habilidad cuantiza LLMs a precisión de 8 o 4 bits utilizando bitsandbytes, logrando una reducción de memoria del 50-75% con pérdida mínima de precisión. Es ideal para ejecutar modelos más grandes en memoria GPU limitada o para acelerar la inferencia, admitiendo formatos como INT8, NF4 y FP4. La habilidad se integra con HuggingFace Transformers y permite entrenamiento QLoRA y optimizadores de 8 bits.

Ver habilidad

dispatching-parallel-agents

Otro

Esta Skill de Claude despliega múltiples agentes para investigar y solucionar 3 o más problemas independientes de forma concurrente. Está diseñada para escenarios que involucran fallos no relacionados que pueden resolverse sin estado compartido o dependencias. Su capacidad principal es la resolución paralela de problemas, asignando un agente por cada dominio problemático independiente para maximizar la eficiencia.

Ver habilidad