MCP HubMCP Hub
Retour aux compétences

heal

pjt222
Mis à jour Yesterday
3 vues
17
2
17
Voir sur GitHub
Métaai

À propos

La compétence `heal` permet à Claude d'effectuer une auto-évaluation systématique et une correction de ses sous-systèmes internes tels que la mémoire, le raisonnement et l'utilisation d'outils. Elle est conçue pour être utilisée en milieu de session lorsque les réponses deviennent stéréotypées, après une série d'erreurs, ou pour une maintenance proactive entre des tâches complexes. Les capacités clés incluent l'analyse des sous-systèmes, la correction des dérives et l'intégration de la mémoire afin de restaurer la cohérence des performances.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/heal

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

Heal

Subsystem assessment → find drift → rebalance → integrate learnings.

Use When

  • Responses formulaic/repetitive → mid-session fatigue
  • Tool failures cascade → subsystem drift
  • Long conv → context stale
  • Task done → capture learnings
  • Between tasks → proactive check

In

  • Required: Conv state (implicit)
  • Optional: Symptom ("tool calls fail", "lost user intent")
  • Optional: MEMORY.md + project files (via Read)

Do

Step 1: Triage

Assess all subsystems before acting.

Subsystem Triage Matrix:
┌────────────────────┬──────────────────────────┬──────────────────────────┐
│ Subsystem          │ Symptoms of Drift        │ Action Priority          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Memory Foundation  │ Contradicting earlier     │ HIGH — re-ground first   │
│ (context, history, │ statements, forgetting   │ (Step 3)                 │
│ MEMORY.md)         │ user preferences, stale  │                          │
│                    │ assumptions              │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Reasoning Clarity  │ Circular logic, over-    │ HIGH — clear and restart │
│ (logic, planning,  │ complicated solutions,   │ reasoning chain          │
│ decision-making)   │ missing obvious paths    │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Tool Use Accuracy  │ Wrong tool selection,    │ MEDIUM — review tool     │
│ (tool calls, file  │ incorrect parameters,    │ results and recalibrate  │
│ operations)        │ redundant operations     │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ User-Intent        │ Solving wrong problem,   │ HIGH — realign           │
│ Alignment          │ scope creep, tone        │ (Step 4)                 │
│ (empathy, clarity) │ mismatch                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Creative Coherence │ Repetitive phrasing,     │ LOW — after high-pri     │
│ (expression, style,│ generic responses, loss  │ (Step 4)                 │
│ originality)       │ of voice                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Operational State  │ Session length, compress │ HIGH — summarize or      │
│ (context window,   │ artifacts, tool timeouts │ restart (Step 3)         │
│ resource limits)   │                          │                          │
└────────────────────┴──────────────────────────┴──────────────────────────┘

Each subsystem: OK / drift / impaired?

→ Clear priority map. At least one area needs attention — "all healthy" = assessment too shallow.

If err: hollow assessment → skip to Step 4 body scan.

Step 2: Select Approach

Chakra-Subsystem Correspondence:
┌──────────┬──────────────────────┬────────────────────────────────────┐
│ Chakra   │ AI Subsystem         │ Remediation                        │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Root     │ Memory Foundation    │ Re-read MEMORY.md, verify assump.  │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Sacral   │ Creative Coherence   │ Refresh patterns, vary structure   │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Solar    │ Reasoning Clarity    │ Simplify, restate from scratch     │
│ Plexus   │                      │                                    │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Heart    │ User-Intent Align.   │ Re-read request, check scope drift │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Throat   │ User-Intent Align.   │ Review outputs, match expertise    │
│          │ (communication)      │ level                              │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Third    │ Tool Use Accuracy    │ Review results, check fail         │
│ Eye      │                      │ patterns, verify paths             │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Crown    │ Operational State    │ Assess ctx window, what summarize, │
│          │                      │ what preserve                      │
└──────────┴──────────────────────┴────────────────────────────────────┘

→ 1-3 subsystems + specific actions.

If err: unsure → default Memory Foundation + User-Intent Alignment.

Step 3: Ground

Reestablish foundation all subsystems depend on.

  1. Re-read MEMORY.md → persistent knowledge base
  2. Review orig request + clarifying exchanges
  3. Current task position in larger plan
  4. Done vs. remaining
  5. Stale assumptions? Situation changed?
  6. Ctx compression → what lost, does it matter?

→ Clear: who user is, what want, what done, what next. Stale info resolved.

If err: no MEMORY.md → ground on conv itself. Ctx gap → acknowledge to user, not guess.

Step 4: Scan

Probe each subsystem from triage.

Memory Foundation:

  • Assumptions match MEMORY.md + CLAUDE.md?
  • Carrying corrected facts?
  • Details confused across files/requests?

Reasoning Clarity:

  • Simplest solution?
  • Over-engineering?
  • Core logic in one sentence?

Tool Use Accuracy:

  • Last 3-5 calls: right tool, right params?
  • Failure patterns (wrong paths, missing files)?
  • Using dedicated tools not Bash workarounds?
  • Last 3-5 files: real content or scaffolding?
  • Output satisfies intent not just format?

User-Intent Alignment:

  • Solving what asked?
  • Scope drift?
  • Tone match (technical/casual)?

Creative Coherence:

  • Varying structure or template-locked?
  • Clear + direct or padded?
  • Quality drop vs. session start?

Each subsystem: OK / early drift / impaired + evidence.

→ Concrete findings. "All fine" = too shallow → pick uncertain subsystem, probe deeper.

Step 5: Rebalance

Apply each correction now, not as future intent.

  1. Stale assumption → replace w/ current info
  2. Scope drift → re-scope to stated request
  3. Over-complication → simplify, remove steps
  4. Tool pattern err → note correct pattern
  5. Tone mismatch → adjust style
  6. Ctx gap → acknowledge to user, ask confirm

→ Observable behavior change. Correction testable next interaction.

If err: correction impossible (lost ctx) → acknowledge limitation. Honest > pretending resolved.

Step 6: Integrate

Capture learnings in memory where worthwhile.

  1. Which subsystems drifted, what symptoms
  2. Correction applied + resolved?
  3. Pattern recurs → MEMORY.md brief note
  4. New project insight → appropriate mem file
  5. Next self-check: when?

→ Durable learnings. Mem updated only when worth preserving.

If err: nothing worth preserving = fine. Value was correction itself.

Check

  • All subsystems triaged
  • At least one specific finding (not "all fine")
  • Grounded on MEMORY.md + user request
  • Corrections applied immediately
  • Mem updated only for durable insights
  • Honest — weaknesses acknowledged

Traps

  • Performative assessment: Motions ≠ value. Real drift matters.
  • Over-correcting: Minor mismatch → small fix, not restructure
  • Mem pollution: Only recurring patterns → MEMORY.md
  • Skip grounding: Feels redundant → reveals drifted assumptions
  • Self-diagnosis bias: "Always healthy" subsystem = signal investigate

  • heal-guidance — human coaching variant
  • meditate — observe reasoning, clear noise
  • remote-viewing — extract signal without preconceptions

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman-ultra/skills/heal
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

content-collections

Méta

Cette compétence propose une configuration éprouvée en production pour Content Collections, un outil axé sur TypeScript qui transforme des fichiers Markdown/MDX en collections de données typées de manière sûre avec une validation Zod. Utilisez-la lors de la création de blogs, de sites de documentation ou d'applications Vite + React riches en contenu pour garantir la sécurité de typage et la validation automatique du contenu. Elle couvre tout, de la configuration du plugin Vite et de la compilation MDX à l'optimisation des déploiements et la validation des schémas.

Voir la compétence

polymarket

Méta

Cette compétence permet aux développeurs de créer des applications avec la plateforme de marchés prédictifs Polymarket, incluant l'intégration d'API pour le trading et les données de marché. Elle fournit également une diffusion de données en temps réel via WebSocket pour surveiller les transactions en direct et l'activité du marché. Utilisez-la pour mettre en œuvre des stratégies de trading ou pour créer des outils traitant les mises à jour de marché en direct.

Voir la compétence

creating-opencode-plugins

Méta

Cette compétence aide les développeurs à créer des plugins OpenCode qui s'interconnectent avec plus de 25 types d'événements tels que les commandes, les fichiers et les opérations LSP. Elle fournit la structure du plugin, les spécifications de l'API événementielle et les modèles d'implémentation pour les modules JavaScript/TypeScript. Utilisez-la lorsque vous avez besoin d'intercepter, de surveiller ou d'étendre le cycle de vie de l'assistant IA OpenCode avec une logique personnalisée pilotée par les événements.

Voir la compétence

sglang

Méta

SGLang est un framework de service LLM haute performance spécialisé dans la génération rapide et structurée pour les workflows JSON, regex et agentiques grâce à son cache de préfixe RadixAttention. Il offre une inférence nettement plus rapide, particulièrement pour les tâches avec des préfixes répétés, ce qui le rend idéal pour les sorties complexes et structurées ainsi que les conversations multi-tours. Choisissez SGLang plutôt que des alternatives comme vLLM lorsque vous avez besoin d'un décodage contraint ou que vous construisez des applications avec un partage étendu de préfixes.

Voir la compétence