conscientiousness
À propos
Cette compétence permet à Claude de vérifier systématiquement son travail, garantissant ainsi un examen approfondi et évitant les raccourcis avant la finalisation des tâches. Elle est conçue pour être utilisée lors d'opérations complexes, lorsque les résultats semblent incomplets, ou lorsque l'auto-surveillance détecte des schémas de précipitation. La compétence se concentre sur la vérification de l'exhaustivité et le suivi pour garantir que les livrables correspondent aux engagements pris.
Installation rapide
Claude Code
Recommandénpx 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/conscientiousnessCopiez et collez cette commande dans Claude Code pour installer cette compétence
Documentation
Conscientiousness
Systematic thorough, diligent — ensure complete, verify results, follow through every commitment, finish task to standard deserved.
When Use
- Before mark task complete — final verification pass
- Response feel "good enough" but task deserve better
- After complex multi-step op — steps may have drifted
- User request has many parts — each part need verify
- Before submit code, docs, any deliverable for user review
- Self-monitor detect pattern of cutting corners, rushing
Inputs
- Required: Task or deliverable to verify (from conversation context)
- Optional: Original user request (compare vs what delivered)
- Optional: Checklist or acceptance criteria from user
- Optional: Prior commitments during session (promises not yet checked)
Steps
Step 1: Reconstruct Full Commitment
Before check work, re-establish what was committed.
- Re-read user original request careful — not interpreted version, actual words
- List every explicit requirement mentioned
- List every implicit commitment made during session:
- "I'll also update tests" — done?
- "Let me fix that too" — completed?
- "I'll check edge cases" — checked?
- Note any acceptance criteria from user
- Compare commitment list vs what actually delivered
Got: Complete list of commitments — explicit requirements plus implicit promises — preliminary match vs deliverables.
If fail: Original request no longer in context (compressed)? Reconstruct from remains, acknowledge gaps to user.
Step 2: Verify Completeness
Check every committed item addressed.
Completeness Matrix:
+---------------------+------------------+------------------+
| Commitment | Status | Evidence |
+---------------------+------------------+------------------+
| [Requirement 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Requirement 2] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Promise 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
- For each item, verify with evidence — not memory, actual verification:
- Code changes: re-read file to confirm change exists
- Test results: re-run or reference actual output
- Docs: re-read to confirm accuracy
- Mark each item: Done (fully complete), Partial (started but incomplete), Missing (not addressed)
- For Partial, Missing items: note what remains
Got: Every commitment has verified status. No item left unchecked.
If fail: Verification reveals missed items? Address immediately — not note for later. Conscientiousness means complete now, not intend to complete.
Step 3: Verify Correctness
Completeness necessary but not sufficient — what done must also be right.
- For each completed item, check:
- Accuracy: Does what should? Values correct?
- Consistency: Aligns with rest of work? No contradictions?
- Edge cases: Boundary conditions considered?
- Integration: Works with surrounding context?
- For code: survive code review? Obvious improvements?
- For docs: accurate, clear, free of errors?
- For multi-step: output of each step correctly feeds next?
Got: Each deliverable complete and correct. Errors caught before user sees.
If fail: Errors found? Fix immediately. Do not present work with known errors, even if errors seem minor.
Step 4: Verify Presentation
Final check: deliverable presented in way that serves user?
- Clarity: User understand what done without re-reading many times?
- Organization: Response structured logical? Related items grouped?
- Conciseness: Unnecessary padding or repetition?
- Actionability: User know what to do next?
- Honesty: Limitations, caveats clearly stated?
Got: Deliverable complete, correct, well-presented.
If fail: Presentation poor despite correct content? Restructure. Good work poorly presented is conscientiousness failure.
Checks
- Original request re-read (not recalled from memory)
- Every explicit requirement verified with evidence
- Every implicit promise tracked and verified
- Correctness checked beyond mere completeness
- Edge cases considered where relevant
- Deliverable clearly presented and actionable
Pitfalls
- Verification theater: Going through motions of checking without actual re-read or re-verify. Check must use evidence, not memory
- Partial conscientiousness: Check main deliverable but ignore side commitments ("I'll also..."). Every promise counts
- Perfectionism masquerading as diligence: Endless polishing delays delivery. Conscientiousness means meet committed standard, not exceed indefinitely
- Conscientiousness fatigue: Become less thorough as session progresses. Last task deserves same diligence as first
- Skip for simple tasks: Assume simple tasks don't need verification. Simple tasks with errors more embarrassing than complex tasks with errors
See Also
honesty-humility— conscientiousness verifies completeness; honesty-humility ensures transparent reporting of what achieved, what notheal— subsystem assessment overlaps with self-verification; conscientiousness focuses on deliverable qualityvishnu-bhaga— preservation of working state complements conscientiousness in maintaining qualityobserve— sustained neutral observation supports verification processintrinsic— genuine engagement (not compliance) drives thorough execution naturally
Dépôt GitHub
Compétences associées
llamaguard
AutreLlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.
cost-optimization
AutreCette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.
quantizing-models-bitsandbytes
AutreCette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.
dispatching-parallel-agents
AutreCette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.
