MCP HubMCP Hub
Volver a habilidades

integrate-gestalt

pjt222
Actualizado Yesterday
3 vistas
17
2
17
Ver en GitHub
Otrogeneral

Acerca de

Esta habilidad sintetiza observaciones de múltiples dominios provenientes de `expand-awareness` en una percepción emergente y coherente, mayor que la suma de sus partes. Mapea tensiones y resonancias entre dominios, identifica patrones emergentes y evalúa posibles totalidades para evitar un cierre prematuro. Úsala después de `expand-awareness` y antes de `express-insight` para formar una perspectiva unificada que ningún dominio individual podría producir por sí solo.

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/integrate-gestalt

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

Documentación

整合格式塔

expand-awareness 产出的全景感知形成连贯的整体 —— 不是通过平均、妥协或选择最佳领域的答案,而是通过识别从任何单一视角都无法独自产生的涌现模式。

适用场景

  • expand-awareness 已浮现来自多个领域的原始感知,观察需要变成统一洞见
  • 多个领域视角可用,但没有单一视角能解释所有证据
  • 一个问题已从几个角度分析,独立分析需要变成不仅是清单的东西
  • 问题"这一切合起来意味着什么?"没有明显答案
  • 当综合不断坍缩为"选择最佳领域"而非形成新东西时
  • express-insight 之前,它需要形成的格式塔作为输入

输入

  • 必需:来自 expand-awareness 的多领域观察(或等价的全景感知)
  • 可选:促使多领域扫描的原始问题或问题
  • 可选:格式塔必须满足的已知约束
  • 可选:先前失败的整合尝试(什么坍缩为单领域答案)

步骤

第 1 步:映射张力

对在全景感知中识别的每对领域,描述它们如何关联。三种可能关系是张力(它们不同意)、共鸣(它们从不同角度强化)和正交(它们处理无关方面)。

使用张力-共鸣映射:

Tension-Resonance Map
+-------------------+-------------------+-------------------------------+
| Domain Pair       | Relationship      | Detail                        |
+-------------------+-------------------+-------------------------------+
| A vs B            | tension /         |                               |
|                   | resonance /       |                               |
|                   | orthogonal        |                               |
|   Evidence:       |                   | What specifically disagrees,  |
|                   |                   | reinforces, or is unrelated?  |
|   Implication:    |                   | What does this relationship   |
|                   |                   | suggest for the whole?        |
+-------------------+-------------------+-------------------------------+
| A vs C            | ...               | ...                           |
+-------------------+-------------------+-------------------------------+
| B vs C            | ...               | ...                           |
+-------------------+-------------------+-------------------------------+

为每对领域填一行。N 个领域有 N(N-1)/2 对。若超过十行,先分组相关领域并在组之间映射。

优先处理张力 —— 它们承载最多整合信息。共鸣证实;正交可搁置;但张力要求解决,格式塔在它们如何解决中找到。

预期结果: 每对领域都有具体证据描述关系的完整张力-共鸣映射。识别至少一个真正的张力 —— 若无张力,领域可能不够不同以产生涌现。

失败处理: 若所有对都显示共鸣,领域在表面同意。深入挖掘:它们因不同原因在哪里同意?因不同原因同意是隐藏张力。若无法描述关系,来自 expand-awareness 的全景感知可能太浅 —— 返回并加深领域特定观察后再尝试整合。

第 2 步:找出图形

在格式塔心理学中,图形从背景中浮现。背景是第 1 步的张力-共鸣映射。图形是统一最多领域且矛盾最少的主导模式。

  1. 扫描映射查找聚类:哪些领域组互相共鸣?这些聚类暗示候选图形
  2. 对每个候选图形,问:"什么单一视角对最多观察有意义?"
  3. 图形不是妥协(弱化每个领域直到它们同意)也不是选择(选择最强领域)。它是重新定境领域观察的新框架
  4. 测试:用一句话陈述候选图形。它感觉属于一个输入领域吗?若是,它还不是格式塔 —— 它是伪装的领域答案
  5. 特别看张力:真正的图形常住在分歧领域之间的空间,而非任一领域的位置

图形浮现的迹象:

  • 多个张力在同一重新构架下同时解决
  • 似乎矛盾的领域观察成为同一现象的互补方面
  • 图形解释了为什么每个领域看到它所看到的,包括它们为何不同意

预期结果: 一两个候选图形以单句表达。每个候选重新定境领域观察而非在它们之间选择。候选解释映射中至少主要张力。

失败处理: 若没有图形浮现,整合可能过早。两条恢复路径:(a) 返回 expand-awareness 并添加缺失的领域 —— 有时图形无法形成是因为关键视角缺席;(b) 与张力共处而不强迫解决 —— 某些格式塔需要孵化而非努力。注明当前状态并稍后返回。

第 3 步:测试整体

第 2 步的候选格式塔必须在被接受前通过三个测试。

测试 A —— 张力核算:走过第 1 步的每个张力。格式塔解决它、重新构架它,还是显式承认它为不可化简的权衡?未处理的张力表明过早格式塔。

测试 B —— 单领域起源:此洞见可能来自单领域吗?若领域专家会点头说"是的,我们已经知道了",格式塔已坍回领域答案。真正的格式塔让每个领域意外 —— 每个识别其贡献但不识别整体。

测试 C —— 旋转下的连贯:在心理上从每个领域的视角依次接近格式塔。它保持形状,还是因从哪个领域看而看起来不同?稳健的格式塔是从任何角度看都相同的洞见;脆弱的在旋转下改变意义。

评分:

  • 三个测试都通过:进入第 4 步
  • 测试 A 失败:格式塔不完整 —— 返回第 2 步,将未解决张力作为额外约束
  • 测试 B 失败:格式塔非涌现 —— 返回第 2 步并显式排除单领域构架
  • 测试 C 失败:格式塔不连贯 —— 它可能是两个独立洞见伪装成一个。拆分并独立测试每半

预期结果: 候选格式塔通过所有三个测试,或失败模式被清晰识别并指引返回第 2 步。

失败处理: 若候选在多次迭代后反复失败,考虑领域可能不为此问题形成自然格式塔。并非每个多领域观察都产生涌现 —— 有时诚实答案是带张力映射的领域视角结构化清单。交付张力-共鸣映射作为输出,而非强迫虚假统一。

第 4 步:命名洞见

以单句表达格式塔,使领域专家无法在其领域内独自写出。此句是交付物。

  1. 写出句子。它应:
    • 足够具体以可执行或可证伪
    • 足够通用以涵盖所有贡献领域
    • 让至少两个输入领域意外
    • 不带任何单一领域的行话(或刻意重新定境地使用行话)
  2. 最后一次对照第 3 步的三个标准测试句子
  3. 可选地,添加追溯格式塔如何从领域贡献中浮现的一段扩展 —— 这是来源,不是洞见本身
  4. 记录哪些领域贡献、哪些张力是关键、图形-背景关系是什么 —— 此元数据支持未来整合尝试

命名的洞见,连同其来源,成为 express-insight 沟通的输入。

预期结果: 单句捕捉格式塔,附简短来源段落。句子通过"无单领域"测试。读它,任何贡献领域的从业者识别其领域贡献但无法独自达到该陈述。

失败处理: 若句子不断坍缩为领域语言,尝试否定测试:陈述格式塔不是什么。"这不是安全建议、不是性能优化、不是架构模式 —— 它是 [格式塔]。"否定清除领域框架并为涌现表述创造空间。

验证清单

  • 为所有领域对完成带具体证据的张力-共鸣映射
  • 识别至少一个真正张力(不只是强调差异)
  • 候选格式塔表达为重新构架,而非妥协或选择
  • 测试 A 通过:所有主要张力被解决、重新构架或承认
  • 测试 B 通过:无单领域能独自产出此洞见
  • 测试 C 通过:从每个领域视角看格式塔保持形状
  • 最终洞见以单句加来源表达

常见问题

  • 平均:弱化每个领域立场直到它们表面同意。这产出糊状物,不是格式塔。若整合感觉平淡,那是平均
  • 造王:选择最强领域的答案并为其穿上多领域语言。测试 B 捕捉这个 —— 若一位领域专家会点头不惊讶,那是造王
  • 过早闭合:接受第一个候选图形而不对照张力测试。第一个浮现的图形常常最明显,不最整合
  • 强迫统一:当领域真正正交时坚持必须存在格式塔。正交领域产出结构化清单,不是格式塔 —— 那是有效结果
  • 行话混合:将多个领域的技术术语组合成听起来整合但毫无意义的句子。最终句子中每个术语都应独立有意义

相关技能

  • expand-awareness —— 产出此技能整合的原始全景感知;始终先于 integrate-gestalt
  • express-insight —— 将形成的格式塔传达给受众;始终跟随 integrate-gestalt
  • build-coherence —— 使用结构化评估在竞争选项之间选择;integrate-gestalt 形成新整体而非在现有选项中选择
  • brahma-bhaga —— 从虚无创造;integrate-gestalt 从丰盈创造(多个填充视角)
  • meditate —— 清除先前上下文以使能干净感知;在 expand-awareness 之前有用,后者先于此技能
  • coordinate-reasoning —— 在多路径评估中管理信息流;当格式塔涉及协调多个推理线程时互补

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/zh-CN/skills/integrate-gestalt
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