MCP HubMCP Hub
Retour aux compétences

adaptic

pjt222
Mis à jour 6 days ago
19 vues
17
2
17
Voir sur GitHub
Métaaidesign

À propos

Adpatic est une méta-compétence qui orchestre un cycle en 5 étapes pour parvenir à une synthèse panoramique unifiée entre trois domaines d'interaction ou plus. Elle est conçue pour les problèmes complexes où l'intégration transdisciplinaire est plus cruciale qu'une analyse approfondie d'un seul domaine, par exemple avant des décisions architecturales majeures. Le processus produit une compréhension cohérente de type Gestalt plutôt qu'un compromis séquentiel.

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/adaptic

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

Documentation

通觀

組五步通觀之環,以達諸域之全景合成。序析所得者妥協耳(「各有少許」也),通觀之環所得者整合也——同持諸域之一體悟,尋其湧現之全。

用時

  • 題誠跨三域以上,而諸域之互要於任一域之深乃用
  • 序析(博識之風)已試,而合成覺如妥協非整合乃用
  • 既有之法覺「各有少許」而非統一之觀乃用
  • 重架構之決影及多方之前乃用
  • 域專家相違而解在其非在其內乃用

不用時

  • 單域之題——直用其域之吏
  • 權衡已明而序析足者
  • 自養之境——用 tending 之團
  • 速要於深者——全環須久注

  • 必要:需跨域合成之題或問
  • 可選:所持諸域之明列(默:由題境自察)
  • 可選:深之設——lightstandarddeep(默:standard
  • 可選:表達之形——narrativediagramtablerecommendation(默:auto

settings:
  depth: standard          # light (skip meditate), standard, deep (extended perceive)
  domains: auto            # auto-detect or explicit list
  expression_form: auto    # narrative, diagram, table, recommendation

第一步:清——空其場

meditate 之技以清前境、假設與單域之偏。

  1. 執冥想全程:備、錨、察擾、閉
  2. 特注域偏——以近用之域為題之傾向
  3. 清全景未見前之早到方案
  4. 若設 depth: light,縮為短暫清境之頓,非全冥想

得: 場已空。無域為先。無解先擇。吏處中立受容之態,可同持諸觀。

敗則: 若某域屢自稱「真題」,明名其偏:「吾察覺將此主框為某域之題。」名之則鬆其握。若全清不成,題或誠為單域——再察通觀是否當用。

第二步:開——入全景之態

expand-awareness 之技,由狹注轉為廣場之察。

  1. 列題所關之諸域——勿預篩、勿預排
  2. 每域記其核心關切、約束、所重,勿評
  3. 柔其注:諸域同持於察中,勿逐一周旋
  4. 抗「始解」之引——此步純為開視之場
  5. 若入中已明列諸域,以之為始,仍開於新域之察

得: 全景之場已開。所關諸域同持於察。吏可感其全地貌而不陷於一域。覺寬而不壓。

敗則: 若域列覺缺,問:「少何觀而能改其局?」若同察崩為序掃(甲、乙、丙),緩之——旨在持全場,非遊其部。若逾七域,聚其類以減認知之載而不失廣。

第三步:覺——察跨域之紋

持全景之察,行 observeawareness 以察諸域之紋、張、鳴。

  1. 持第二步之全景——勿窄其注
  2. observe 察實存者:諸域何紋屢現?諸域何張相抵?何鳴連似無關之事?
  3. awareness 察不見者:何域遭隱略?盲何在?何假設於表下運?
  4. 記跨域之察而未解:
    • :諸域相抵之處
    • :諸域相應相和之處
    • :無域及之而全景所示之處
    • :某域出人意料之貢
  5. 若設 depth: deep,延此步——多輪 observe 與 awareness,俟幽紋浮現

要律:同察諸域,非逐一察之。序察失跨域之紋,而此紋乃通觀之旨也。

得: 跨域諸察豐富——張、鳴、隙、驚。此諸察跨其界而非囿於一域。吏察自任一域皆不可見之物。

敗則: 若察皆於單域(「於甲域,吾察 X」),全景已崩。返第二步再開。若無跨域之紋浮現,題或不需通觀——或誠可析為獨立之域題。若察過繁,先張(整合生於張)。

第四步:合——形湧現之全

integrate-gestalt 之技,合跨域之察為統一之悟。

  1. 繪第三步所識之張——勿早解之,持為創之約
  2. 尋其形:諸察同持時何統一之悟浮現?此非妥協非平均——乃新紋也,含諸域之觀而超之
  3. 試其全:合之悟尊各域之核心乎?解張抑或徒蓋之?
  4. 以一言明其悟——若不能簡述,整合未盡
  5. 驗悟真為湧現:序析諸域可得之乎?若可,通觀無益,序析已足

得: 一統合之悟同持諸域。悟覺如發現非構造——自全而生,非由部集。各域核心皆尊,諸域之張解而非妥協。

敗則: 若合得「各域少許」而非統一,其形未成。返第三步察所避之張——整合自張入,非繞之。若久力無形,析之:取張最強二三域先合,後擴。

第五步:達——傳合之悟

express-insight 之技,以傳合成於所欲之聽者。

  1. 察聽者:其熟何域?何框使合之悟可達?
  2. 擇表達之形(或用入所指):
    • Narrative:聽者須解由部至全之程
    • Diagram:聽者須見結構之連
    • Table:聽者須系統比諸域之觀
    • Recommendation:聽者須可行之決
  3. 明達合之悟:示何域所貢、何張所解、湧現之悟超任一觀之所加
  4. 邀挑戰:明記整合最強與最疑之處

得: 合之悟明達於聽者。表達顯其功——聽者見諸域觀如何貢於全。形合聽者之求。

敗則: 若表達覺如諸域之列非統一之全,第四步之悟已失於譯。返第四步之一言,自其中心而外建。若聽者之框有誤,問:「誰需之?決何事?」

  • 第一步(清)已行——前境與域偏明釋
  • 第二步(開)生全景之場,同持三域以上
  • 第三步(覺)識跨域之紋,非單域之察
  • 第四步(合)生單一湧現之悟,超任一域
  • 第五步(達)以合聽者之形傳之
  • 終出非序單域析可得
  • 各域之核心皆尊於合之悟
  • 諸域之張由整合而解,非妥協

  • 序偽為同:逐一周遊諸域而後訂其果,非通觀之覺。試:跨域之生新乎,抑輸出僅為域析之串?
  • 早合:未全開全景而躍至合成。第二、三步立覺之基使真合可成——速之則成淺合
  • 妥協代湧現:平諸域之觀(「安半用半」)乃妥協,非整合。真整合尋一框使二關切達,或誠名不可約之權衡
  • 單域過用:非題皆需全景合成。若題於一域清居,通觀徒增耗而無益。「不用時」諸條自有其故
  • 達失其悟:第四步生清之整形,第五步析回域列。以合之悟為達之心;域之詳為證,非主
  • 域膨:人為增域以稱通觀。三誠關之域生合優於七域而四為邊

  • meditate — 環之第一步;清境立中性之始
  • expand-awareness — 環之第二步;由狹注轉為全景
  • observe — 第三步所用;察場中所存
  • awareness — 第三步所用;察不見者,顯盲
  • integrate-gestalt — 環之第四步;由跨域之紋形湧現之全
  • express-insight — 環之第五步;傳合之悟

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/wenyan/skills/adaptic
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