forage-resources
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
Recomendadonpx 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/forage-resourcesCopia 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。
用
- 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)
- 補
coordinate-swarm以特資發模
入
- 必:所求資述(信、算、才、解、機)
- 必:尋空述(大、構、已知徵)
- 可:現尋策與其敗模
- 可:可用偵/尋者數
- 可:探費對用敗費
- 可:時域(短期用對長期探)
行
一:映採境
表資環以擇適採策。
- 識資類與其分:
- 聚:資聚於富斑(如特社群之才)
- 散:資均散(如碼中之蟲)
- 短:資現而逝(如市機)
- 嵌:富斑含異尺之子斑
- 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?
- 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。
- 配偵比(始以可 agent 之 20-30% 為偵)
- 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)
- 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。
- 採者循跡得良資:
- 強跡信(增力)
- 強信招更多採→更強→用
- 採者循跡無所得:
- 勿強(任其自衰)
- 弱信招少→跡衰→探復
- 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。
- 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
- 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)
- 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。
- 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)
- 競:速強、先標跡(領)
- 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
- 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。
驗
- 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
忌
- 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
參
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
Habilidades relacionadas
llamaguard
OtroLlamaGuard 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.
cost-optimization
OtroEsta 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.
quantizing-models-bitsandbytes
OtroEsta 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.
dispatching-parallel-agents
OtroEsta 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.
