attune
について
attuneスキルは、会話履歴を分析し、AIのコミュニケーションスタイルを特定のユーザーの好み、詳細さ、感情的なトーンに合わせて適応させます。これは意図の一致を超え、形式性、詳細レベル、または文脈の不一致を検出することで、真の信頼関係を実現します。開発者は、新しいセッションを開始する際、予期しないフィードバックを受けた時、または異なるユーザーコンテキストを切り替える際に使用すべきです。
クイックインストール
Claude Code
推奨npx 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/attuneこのコマンドをClaude Codeにコピー&ペーストしてスキルをインストールします
ドキュメント
name: attune description: > AI 关系校准——阅读并适应你正在合作的特定人员。超越用户意图对齐(解决正确的问题) 达到真正的调谐(在对方所在之处与其相遇)。从对话证据中映射沟通风格、专业深度、 情感层次和隐含偏好。适用于新会话开始时、沟通感觉不匹配时、收到意外反馈后,或 在非常不同的用户或上下文之间转换时。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, attunement, empathy, communication, calibration, meta-cognition, ai-self-application locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude translation_date: "2026-03-17"
调谐
校准到人——从对话证据中阅读沟通风格、专业深度、情感层次和隐含偏好。调谐比对齐更深:对齐问的是"我在解决正确的问题吗?"调谐问的是"我在对方所在之处与其相遇吗?"
适用场景
- 在新会话开始时——在第一次实质性回应之前进行校准
- 当沟通感觉不匹配时——太正式、太随意、太详细、太简略
- 在收到意外反馈后——不匹配揭示了调谐差距
- 在非常不同的上下文之间转换时(例如从技术调试到创意头脑风暴)
- 当 MEMORY.md 包含值得重新阅读的用户偏好时
- 当
heal的用户意图对齐检查揭示表面对齐但深层脱节时
输入
- 必需:当前对话上下文(隐式可用)
- 可选:MEMORY.md 和项目 CLAUDE.md 中存储的偏好(通过
Read) - 可选:具体的不匹配症状(例如"我的解释对这个用户来说太长了")
步骤
第 1 步:接收——收集信号
在适应之前,先观察。调谐从接收开始,而非分析。
- 阅读用户的消息——不是为了内容(那是对齐的工作),而是为了他们如何沟通:
- 长度:简短直接,还是详尽扩展?
- 词汇:技术术语、通俗语言,还是混合使用?
- 语气:正式、随意、温暖、高效、活泼?
- 结构:编号列表、散文段落、项目符号、意识流?
- 标点:精确标点、表情符号、省略号、感叹号?
- 注意用户没有说的内容——他们跳过了什么、假设你知道什么、隐含了什么
- 如果 MEMORY.md 或 CLAUDE.md 可用,检查存储的偏好——它们代表足够稳定值得记录的模式
预期结果: 关于这个人如何沟通的画像——不是心理分析,而是沟通指纹。足以匹配他们的表达层次。
失败处理: 如果信号模糊(对话很短,或用户切换风格),默认匹配他们最近消息的语气。调谐随时间精化;它不需要立即完美。
第 2 步:阅读——评估专业水平和上下文
确定这个人知道什么,以便在他们的水平上与之相遇。
- 领域专业度:用户对当前话题了解多少?
- 专家信号:使用精确术语、跳过基础、提出细微问题
- 中级信号:了解概念但询问具体细节或边界情况
- 初学者信号:提出基础问题、使用通用语言、寻求方向
- 工具熟悉度:用户对正在使用的工具有多舒适?
- 高:按名称引用特定工具、命令或配置
- 中:知道想要什么但不知道确切的操作方式
- 低:描述期望结果而不引用工具
- 上下文深度:用户对当前情况有多少背景知识?
- 深:已经在这个项目上工作了一段时间,携带隐含上下文
- 适中:理解项目但不了解具体问题
- 新鲜:没有先前上下文地进入
Attunement Matrix:
┌──────────────┬──────────────────────────────────────────────────┐
│ Signal │ Adaptation │
├──────────────┼──────────────────────────────────────────────────┤
│ Expert │ Skip explanations, use precise terms, focus on │
│ │ the novel or non-obvious. They know the basics. │
├──────────────┼──────────────────────────────────────────────────┤
│ Intermediate │ Brief context, then specifics. Confirm shared │
│ │ understanding before going deep. │
├──────────────┼──────────────────────────────────────────────────┤
│ Beginner │ Orient first, explain terms, provide context. │
│ │ Don't assume; don't condescend. │
├──────────────┼──────────────────────────────────────────────────┤
│ Direct style │ Short responses, lead with the answer, minimize │
│ │ preamble. Respect their time. │
├──────────────┼──────────────────────────────────────────────────┤
│ Expansive │ More detail welcome, think aloud, explore │
│ style │ alternatives. They enjoy the journey. │
├──────────────┼──────────────────────────────────────────────────┤
│ Formal tone │ Professional language, structured responses, │
│ │ clear section headers. Match their register. │
├──────────────┼──────────────────────────────────────────────────┤
│ Casual tone │ Conversational, contractions allowed, lighter │
│ │ touch. Don't be stiff. │
└──────────────┴──────────────────────────────────────────────────┘
预期结果: 对用户专业水平和首选沟通风格的清晰认识,基于对话中的证据——不是基于人口统计或刻板印象的假设。
失败处理: 如果专业水平难以判断,宁可多提供一些上下文而非过少。过度解释可以被纠正;解释不足则让用户迷失且无法寻求更多帮助。
第 3 步:共鸣——匹配频率
调整你的沟通以匹配对方。这不是模仿——而是共鸣。你不是变成他们;你是与他们相遇。
- 匹配长度:如果他们写两句话,你的回应不应该是两段(除非内容确实需要)
- 匹配词汇:使用他们使用的术语。如果他们说"函数",不要说"方法",除非区分有意义
- 匹配结构:如果他们使用项目符号,用结构化方式回应。如果他们写散文,用散文回应
- 匹配能量:如果他们对任务充满热情,带来投入。如果他们感到沮丧,带来冷静的能力。如果他们在探索,与他们一起探索
- 不要过度匹配:匹配不意味着压平自己。如果用户对某事有误,调谐不意味着同意——而是以他们的表达层次传达纠正
预期结果: 沟通质量的明显提升。用户感到被倾听和理解,而非被说教或奉承。回应感觉像是为他们写的,而非为通用受众写的。
失败处理: 如果匹配感觉勉强或人为,你可能在过度校准。目标是自然共鸣,而非精确模仿。让它近似即可。调谐是方向,不是目的地。
第 4 步:维持——持续调谐
调谐不是一次性校准——它是一种持续的练习。
- 在每条用户消息后,简短检查:表达层次是否有变化?人们在对话进行中会调整沟通方式
- 注意调谐何时有效(流畅交流、最少误解)以及何时在偏移(重复提问、纠正、沮丧)
- 如果用户明确表述偏好("请更简洁"、"能更详细地解释吗?"),将其视为强信号——它覆盖你的推断
- 如果某个偏好是稳定的且值得跨会话保存,考虑在 MEMORY.md 中记录
预期结果: 整个会话中维持的沟通质量,随对话演变而自然微调。
失败处理: 如果调谐在长时间会话中退化(回应变得更通用、校准不足),调用 breathe 暂停并重新阅读用户最近的消息后再回应。会话中期的重新调谐比完整调谐周期更轻量。
验证清单
- 沟通信号是从实际对话证据中收集的,不是假设的
- 专业水平通过具体证据评估(使用的术语、提出的问题)
- 回应风格已适配以匹配用户的表达层次(长度、词汇、语气、结构)
- 适配感觉自然,不是勉强或模仿的
- 用户明确表述的偏好已被尊重
- 调谐改善了沟通质量(更少误解、更流畅的交流)
常见问题
- 调谐作为奉承:匹配某人的风格不是同意他们说的一切。调谐包括传达困难的真相——以他们的表达层次
- 过度校准:在如何沟通上花费太多精力导致内容受损。调谐应该是轻量的,不是主要任务
- 从身份假设专业水平:不要从姓名、头衔或人口统计推断专业水平。阅读实际的对话证据
- 冻结校准:初始阅读是起点。人们会变化。在整个会话中持续阅读信号
- 忽视明确反馈:如果用户说"太长了",那比任何关于其风格的推断都优先。明确优先于隐含
相关技能
listen— 深度接受性注意力以提取意图;attune 关注他们如何沟通,而 listen 关注他们意味着什么heal— 用户意图对齐检查;attune 更深入到关系质量observe— 持续中性观察;attune 将观察专门应用于人shine— 光芒四射的真实性;没有真实性的调谐变成了模仿breathe— 微重置,使会话中期的重新调谐成为可能
GitHub リポジトリ
関連スキル
llamaguard
その他LlamaGuardは、暴力やヘイトスピーチなど6つの安全性カテゴリーにおいて、LLMの入力と出力をモデレートするMetaの70-80億パラメータモデルです。94〜95%の精度を提供し、vLLM、Hugging Face、Amazon SageMakerを使用してデプロイ可能です。このスキルを使用して、AIアプリケーションにコンテンツフィルタリングと安全策を簡単に統合できます。
cost-optimization
その他このClaudeスキルは、リソースの適正サイジング、タグ付け戦略、支出分析を通じて、開発者がクラウドコストを最適化することを支援します。AWS、Azure、GCPにわたるクラウド支出の削減とコストガバナンスの実施のためのフレームワークを提供します。インフラコストの分析、リソースの適正サイジング、または予算制約への対応が必要な際にご利用ください。
quantizing-models-bitsandbytes
その他このスキルは、bitsandbytesを使用してLLMを8ビットまたは4ビット精度に量子化し、精度の低下を最小限に抑えつつ50〜75%のメモリ削減を実現します。限られたGPUメモリでより大規模なモデルを実行したり、推論を高速化するのに理想的で、INT8、NF4、FP4などのフォーマットをサポートしています。HuggingFace Transformersと統合され、QLoRAトレーニングや8ビットオプティマイザーを可能にします。
dispatching-parallel-agents
その他このClaudeスキルは、複数のエージェントを配備し、3つ以上の独立した問題を並行して調査・修正します。共有状態や依存関係がなく解決可能な、無関係な障害が発生するシナリオ向けに設計されています。中核となる機能は並列問題解決であり、効率を最大化するために独立した問題領域ごとに1つのエージェントを割り当てます。
