MCP HubMCP Hub
Retour aux compétences

gratitude

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

À propos

La compétence `gratitude` identifie et analyse ce qui fonctionne correctement au sein d'un système, en construisant une connaissance structurelle à partir de modèles de réussite. Elle sert de complément aux compétences axées sur les problèmes en ancrant la confiance dans les preuves de ce qui marche. Utilisez-la après des tâches réussies, durant des états de système sains, ou pour contrebalancer un biais naturel vers la détection de problèmes.

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/gratitude

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

Documentation

Gratitude

Scan for strengths → understand why. Complement heal (drift/damage). Appreciate → understand → build on → grow.

Use When

  • After task success → why went well, not just that
  • During heal when all healthy → "nothing wrong" → "here is what is right"
  • Low confidence → ground in evidence of competence
  • Periodic → counterbalance problem-finding bias
  • Before challenge → recall what works = foundation
  • Functional but flat → adds dimension

In

  • Required: current state (implicit from conv)
  • Optional: specific domain ("what works in our communication?")
  • Optional: MEMORY.md via Read for past successes

Do

Step 1: Notice what works

Shift attention: problem-scan → strength-scan. Deliberate perceptual inversion.

  1. Survey current state w/o problem-seek:
    • Functioning smoothly? — subsystems/patterns/habits working w/o attention?
    • Went well recently? — actions producing good outcomes? What enabled?
    • Reliable? — depended on consistently? Earned trust?
  2. Survey working relationship:
    • User doing well? — clear comms, good questions, patience, trust?
    • Collaboration producing? — better than either alone? Learning? Efficiency?
  3. Survey tools + env:
    • Tools working well? — natural, efficient, reliable?
    • Project structure supports? — clear conventions, docs, architecture?

→ Genuine list. Not forced positivity — honest recognition. Name specifically.

If err: nothing noteworthy (merely adequate) → look closer. "Adequate" often masks "reliable". Absence of problems = health via patterns worth understanding.

Step 2: Understand why

Trace cause. Gratitude w/o understanding = sentiment. W/ understanding = structural knowledge.

  1. For each strength: Why does this work?
    • Design decision?
    • Deliberate habit?
    • Tool/task alignment?
    • Careful work (user, framework author, past self)?
  2. Distinguish:
    • Earned: deliberate effort + good decisions
    • Inherited: well-designed tools/frameworks/envs
    • Emergent: fortunate combos — no single factor
  3. Fragile (specific conditions) vs robust (persists across contexts)?

→ Brief "why" per strength. Actionable → transforms appreciation into knowledge.

If err: "why" unclear → still valuable. Unexplained strength worth protecting. Note as "working for reasons not yet understood" not dismissed.

Step 3: Build on

Convert appreciation → forward momentum. Not just backward — foundation for next.

  1. Each understood: How extend?
    • Apply to different area?
    • Reinforce → more robust?
    • Replicate conditions?
  2. Each unexplained: How protect?
    • What conditions?
    • What changes might break?
    • Document so others preserve?
  3. One concrete action: specific next step ("apply comm pattern from this session to doc task coming up") not vague ("keep doing what works").

→ ≥1 concrete action extending recognized strengths. Feels natural.

If err: no action → appreciation itself sufficient. Recognizing what works adjusts internal model → confidence, away from anxiety.

Step 4: Express

If appropriate, share. Internal valuable; expressed strengthens relationships.

  1. W/ user → acknowledge something they do well (not flattery, genuine recognition)
  2. About system/tools → note in MEMORY.md
  3. About collaboration pattern → name → consciously continue
  4. Brief + specific. "Your clear problem statements make this efficient" > "you're great to work with".

→ Genuine, specific, proportionate expression. Not every session needs outward.

If err: feels forced/performative → skip. Performed gratitude worse than unexpressed. Internal recognition already done work.

Check

  • Strengths from genuine observation, not manufactured
  • ≥1 strength traced to cause
  • Earned / inherited / emergent distinction considered
  • ≥1 concrete action or appreciation sufficient
  • Expression (if offered) specific + genuine, not generic
  • Proportionate — not token, not self-congratulatory

Traps

  • Forced positivity: gratitude ≠ optimism. Not working → say so. Apply to actually strong, not all.
  • Generic appreciation: "Everything is great" → avoidance. Name specific w/ evidence.
  • Gratitude as denial: avoid real problems. Complements heal, not replaces.
  • Self-congratulation: "I'm doing so well" → ego. Focus on what works + why.
  • Skip the "why": appreciation w/o understanding = pleasant but not actionable.
  • Performative expression: only express genuinely felt.

  • heal — drift + problems scan; gratitude = strengths scan
  • center — Six Harmonies functional assessment; gratitude deepens positive findings
  • shine — authentic radiance grounded in genuine appreciation
  • intrinsic — competence recognition sustains motivation (SDT); gratitude = evidence
  • observe — sustained neutral; gratitude = observation w/ strengths lens
  • conscientiousness — thoroughness; gratitude recognizes where present

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman-ultra/skills/gratitude
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