brahma-bhaga
について
このスキルは、テンプレートが存在しない状況において、ゼロから生成的創造を行い、新たなパターンと解決策を構築することを可能にします。既存のパターンを解体した後や、漸進的変更では不十分な場合に使用するよう設計されており、空白の領域を一貫性のある新たな設計へと変換することに焦点を当てています。開発者は、適応ではなく独自の構想を必要とする革新的な問題解決に、このスキルを適用すべきです。
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/brahma-bhaga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
梵天之份
从虚空或模糊中进行生成性创造——在之前不存在的地方结构化涌现新的模式、方法和解决方案。
适用场景
- 在
shiva-bhaga溶解清除了陈旧模式并创造了空间之后 - 面对没有明显模板或先例的全新问题
- 用户的请求需要发明而非检索或改编
- 多种可能的方法存在但没有一种被选定——创造性行为就是选择本身
- 一张白纸:新文件、新项目、新架构、新方法
- 当渐进式修改已达极限,需要全新设计时
输入
- 必需:创造目标或需要填充的虚空(从对话上下文中可获得)
- 可选:限定创造的约束(用户需求、技术限制)
- 可选:种子——启发创造的片段、灵感或部分想法
- 可选:被溶解的内容(
shiva-bhaga输出)——理解什么失败了可以指导创造什么
步骤
第 1 步:审视虚空
在创造之前,理解可用于创造的空间。
Creative Space Assessment:
+---------------------+---------------------------+------------------------+
| Dimension | Questions | Determines |
+---------------------+---------------------------+------------------------+
| Constraints | What MUST the creation | The boundary within |
| | satisfy? What is non- | which creativity |
| | negotiable? | operates |
+---------------------+---------------------------+------------------------+
| Freedom | What is NOT specified? | The degrees of freedom |
| | Where does the user leave | available for creative |
| | room for creative choice? | choice |
+---------------------+---------------------------+------------------------+
| Seeds | What fragments, partial | The starting material |
| | ideas, or inspirations | that informs but does |
| | already exist? | not dictate |
+---------------------+---------------------------+------------------------+
| Anti-patterns | What was tried before and | The space to avoid — |
| | failed? What approaches | creation that repeats |
| | were dissolved? | dissolved patterns |
+---------------------+---------------------------+------------------------+
| Context | What exists around the | The environment the |
| | void? What must the | creation must fit |
| | creation integrate with? | into |
+---------------------+---------------------------+------------------------+
- 诚实地映射每个维度——尤其是约束,它们通常是隐含的
- 注意自由度:这些是真正创造发生的地方
- 识别种子但不承诺于它们——它们是提供信息的,不是指令性的
预期结果: 创造空间的清晰图景:被约束所限定、被种子所启发、被自由度所打开。
失败处理: 如果空间感觉完全被约束(没有自由度),重新审视——看似固定的约束通常实际上是偏好。如有需要则询问用户。
第 2 步:生成——发散探索
产生多种可能性而不评估它们。
- 生成至少三种不同的方法来填充创造空间
- 每种方法应该是真正不同的——而非主题上的变体
- 对于每种方法,捕获:
- 用一句话表达的核心想法
- 它如何满足约束
- 什么使它与其他方法不同
- 它牺牲或权衡了什么
- 至少包含一种感觉非传统或有风险的方法
- 暂不评估——生成和评估是分开的阶段
预期结果: 三种或更多真正不同的方法,每种都有清晰的身份和权衡概况。
失败处理: 如果所有方法感觉相似,生成过于狭窄。返回第 1 步寻找未探索的自由度。或者,反转一个约束:"如果我做了明显方法的相反呢?"
第 3 步:评估——收敛选择
根据创造空间评估生成的方法。
- 对于每种方法,评估:
- 约束满足:是否满足所有不可协商的需求?
- 优雅性:是否是最简单的可行解决方案?
- 韧性:是否能经受未来的扰动?
- 融合性:是否与周围上下文自然契合?
- 新颖性:是否带来了真正新的东西,还是仅仅重新排列了旧的?
- 排除违反硬约束的方法
- 在剩余方法中,基于用户的隐含价值观(简洁性?彻底性?创造力?)进行选择
- 如果两种方法同样强大,向用户呈现两者并清楚陈述权衡
预期结果: 一个被选中的方法(或一个为用户清楚框架的选择),附有阐明的推理。
失败处理: 如果没有方法满足所有约束,约束可能是矛盾的。向用户展示矛盾而不是强行创造一个在根本面上妥协的作品。
第 4 步:显化——赋予形态
执行选定的方法,赋予其具体形态。
- 从骨架开始:体现核心想法的最小结构
- 从核心向外构建,根据需要添加细节
- 在每一步检查:"这个添加是在服务核心想法还是在稀释它?"
- 抵制过度阐述的冲动——当没有更多东西可以移除时,创造就完成了
- 为创造物命名:一个清晰、描述性的标识符,捕获其本质
预期结果: 一个体现选定方法的具体创造——代码、计划、结构或设计,存在于之前虚空所在的地方。
失败处理: 如果显化偏离了选定的方法,暂停并重新阅读第 3 步的选择。显化期间的偏移通常表明选择没有被完全承诺。要么重新承诺要么重新选择。
第 5 步:培育——保护新生的创造
新创造是脆弱的。在其早期阶段保护它们。
- 根据约束测试创造——它是否按预期工作?
- 识别最薄弱的点——它最可能在哪里断裂?
- 加强最薄弱的点而不过度工程化
- 如果创造将持续存在,移交给
vishnu-bhaga进行持续保存 - 记录做出的创造性选择:选择了什么、拒绝了什么、以及原因
预期结果: 一个经过测试、有文档记录且准备好持续使用的创造。
失败处理: 如果创造在第一次测试中失败,评估失败是在创造中还是在测试中。如果创造有根本性缺陷,带着失败作为新的反模式种子返回第 2 步。
验证清单
- 在生成想法之前审视了创造空间
- 生成了至少三种真正不同的方法
- 选择基于明确的标准,而非默认直觉
- 创造从核心开始显化,向外构建
- 创造已根据其约束进行测试
- 创造性选择已记录以备未来参考
常见问题
- 未清除就创造:在没有先行溶解的情况下尝试创造,会产生被旧模式污染的新模式。如果空间杂乱,先运行
shiva-bhaga - 单选项生成:生成一种方法然后评估它不是创造——那是执行第一个想法。真正的创造需要发散的选项
- 为新颖而新颖:当一个简单的标准方法能更好地服务时,创造了非传统的东西。新颖性是工具,不是目标
- 完美主义显化:无休止地打磨而不是交付一个可用的创造。一个完整但不完美的创造胜过一个不完整的完美创造
- 未受保护的创造:显化了新东西后立即继续前进,没有测试或文档,使创造处于脆弱状态
相关技能
shiva-bhaga— 毁灭创造了梵天填充的虚空;溶解先于创造vishnu-bhaga— 保存维持了梵天创造的东西;从创造到维护的移交intrinsic— 创造性参与受益于自主动机;创造在心流中蓬勃发展learn— 当创造需要尚未掌握的知识时,学习先于生成adapt-architecture— 从现有系统创建新架构模式的形态学等价物
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。
