MCP HubMCP Hub
Volver a habilidades

forage-resources

pjt222
Actualizado 6 days ago
16 vistas
17
2
17
Ver en GitHub
Otroai

Acerca de

Esta habilidad aplica optimización de colonia de hormigas y teoría de forrajeo para buscar eficientemente en grandes espacios de soluciones donde fallan los métodos de fuerza bruta. Ayuda a equilibrar la exploración de nuevas opciones con la explotación de las conocidas buenas mediante despliegue de exploradores, refuerzo de rastros y selección adaptativa de estrategias. Úsela para optimizar la asignación de recursos entre oportunidades inciertas o para diagnosticar convergencia prematura en óptimos locales.

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/forage-resources

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

Documentación

採資

施蟻群優化與採食論於資尋、探用衡、散發現——衡探未知與用已知之益。

  • 尋大解空而窮舉不實
  • 衡投於探新與深已知
  • 優不確機間之資配
  • 設散隊或自動 agent 之尋策
  • 察早收(困局最優)或永遊(不委)
  • coordinate-swarm 以特資發模

  • :所求資述(信、算、才、解、機)
  • :尋空述(大、構、已知徵)
  • :現尋策與其敗模
  • :可用偵/尋者數
  • :探費對用敗費
  • :時域(短期用對長期探)

一:映採境

表資環以擇適採策。

  1. 識資類與其分:
    • :資聚於富斑(如特社群之才)
    • :資均散(如碼中之蟲)
    • :資現而逝(如市機)
    • :富斑含異尺之子斑
  2. 估信境:
    • 採前知資位幾?
    • 偵可與採者共信否?(信設見 coordinate-swarm
    • 採時境靜或變?
  3. 定費構:
    • 每偵布費(時、算、金)
    • 用低質資費(機費)
    • 漏高質資費(悔)

得:已表採境含資分類、信可用、費構。此定施何採模。

敗:境全不知→自全探始(諸偵,無用),限時預以建初圖。境性明則換適模。

二:布偵並標跡

遣探 agent 入尋空並令其標所得。

  1. 配偵比(始以可 agent 之 20-30% 為偵)
  2. 定偵行:
    • 以隨或系模於尋空動
    • 各位速估(非深析)
    • 以信強與質比標所得:
      • 高質→強跡
      • 中→中
      • 低→弱或無
    • 返信於集體(信存、報、廣播)
  3. 設偵模:
    • Random walk:未知均境宜
    • Levy flight:長跳偶局聚——斑資宜
    • Systematic sweep:網或螺——界明空宜
    • Biased random:近前得域——聚資宜

得:偵已布於尋空並依資質存跡信。自偵報現境初圖。

敗:偵於初掃無所得→偵比過低(增至 50%)、尋模誤(自 random walk 換 Levy flight 以斑資)、或質估誤校(降察門)。

三:立跡強

造正饋環放大功途並令不功者衰。

  1. 採者循跡得良資:
    • 強跡信(增力)
    • 強信招更多採→更強→用
  2. 採者循跡無所得:
    • 勿強(任其自衰)
    • 弱信招少→跡衰→探復
  3. 設強參:
    • 存量:比所得資質
    • 衰率:跡每時單失 X% 力
    • 飽頂:跡最力(避單途失控用)
Trail Reinforcement Dynamics:
┌─────────────────────────────────────────────────────────────────────┐
│                                                                     │
│  Strong trail ──→ More foragers ──→ If good: reinforce ──→ EXPLOIT │
│       ↑                                                      │      │
│       │                              If bad: no reinforce    │      │
│       │                                     │                │      │
│       │                                     ↓                │      │
│  Decay ←── Weak trail ←── Fewer foragers ←── Trail fades    │      │
│       │                                                      │      │
│       ↓                                                      │      │
│  No trail ──→ Scouts explore ──→ New discovery ──→ New trail ↗      │
│                                                                     │
└─────────────────────────────────────────────────────────────────────┘

得:自調之正饋環,良資招增注而劣者自棄。系僅以跡動衡用探。

敗:諸採聚於單跡(早收)→衰率過慢或飽頂過高。增衰、降頂、或入隨探令(如 10% 採者恒忽跡)。跡衰過速而無用→減衰率。

四:察遞減益

監資產以知何時自用返探。

  1. 各活採地追每力之產:
    • 產增→健用,續
    • 產平→近飽,始偵替
    • 產減→遞減益,減採、增偵
  2. 施邊際值論:
    • 較現地產率於諸知地平產率
    • 現地降於平→離時至
    • 計遷費(切新地之費)
  3. 觸偵波於:
    • 諸地總產降於門
    • 最佳地用逾其期壽
    • 察環變(自未探域偵之新信)

得:採群自用階(聚於已知良地)與探階(偵散)間移,以產監驅非任意表。

敗:群於竭地留過久→邊際值門設過低或遷費估過高。以實產率較重校。群過早棄良地→門過敏——加產量之滑窗。

五:依境適採策

依境反饋擇並換採策。

  1. 匹策於境:
    • 富、聚:重投已發斑(高用)
    • 稀、散:守高偵比(高探)
    • 變、動:短跡衰、頻偵波(適)
    • :速強、先標跡(領)
  2. 監策-境錯:
    • 高力低產→策對境過用
    • 高發率低跟→策過探
    • 產震→策換過激
  3. 施適切:
    • 追探-用比之滾均
    • 比離佳(依境類定)過遠→推回
    • 漸轉——急切致協亂

得:採系適現境之探-用衡,境變而守效。

敗:策適本身不穩(震於探用間)→加阻尼:錯信須持 N 時單始觸切。無策合→重估一步境類——資分或較初設更繁。

  • 採境已表(分類、信可用、費構)
  • 偵比與尋模已定並布
  • 跡強環運含存、衰、飽參
  • 遞減益察觸自用至探之再衡
  • 策-境匹監並適切設
  • 系於境變(新資、竭資)復

  • 早收:諸採堆於首得,忽或佳選。治:必探比、跡飽頂、衰
  • 永探:偵續得新選而群不委。治:降跡強之質門、減偵比
  • 忽遷費:切地有費。恒跳似質地之採於遷上失多於得。入邊際值算
  • 動境靜策:為昨境優之策於明敗。建適於採環,非後思
  • 混偵於採質:良偵(廣速估)與良採(深全用)求異技。勿強諸 agent 為兩角

  • coordinate-swarm — 撐採信設之基協模
  • build-consensus — 群須共議何斑先用時
  • scale-colony — 資境或群大長時採運擴
  • assess-form — 估系現態之 morphic 技,與境估互補
  • configure-alerting-rules — 適遞減益察之警模
  • plan-capacity — 容謀共採之探-用框
  • forage-solutions — AI 自用變;映蟻採於單 agent 解探含偵假與跡強

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-ultra/skills/forage-resources
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