スキル一覧に戻る

adaptic

pjt222
更新日 2 days ago
5 閲覧
17
2
17
GitHubで表示
その他general

について

アダプティックスキルは、3つ以上の相互作用する領域にわたって統一された理解を生み出すために、5段階のパノラマ合成サイクルを調整します。これは順次的な妥協ではなく、領域間の相互作用が個々の領域の深さよりも重要となる、複雑なアーキテクチャ上の意思決定のために設計されています。標準的な分析が不十分に感じられる場合や、主要なマルチステークホルダーの意思決定を行う前に使用してください。

クイックインストール

Claude Code

推奨
メイン
npx skills add pjt222/agent-almanac -a claude-code
プラグインコマンド代替
/plugin add https://github.com/pjt222/agent-almanac
Git クローン代替
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/adaptic

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

Adaptic(综观主控)

组合 5 步综观循环,以实现跨多领域的全景综合。顺序分析产出妥协("每个领域分一点"),而综观循环产出整合 —— 一种同时容纳所有领域并发现涌现整体的统一理解。

适用场景

  • 问题真正横跨 3 个以上领域,且领域之间的相互作用比任一领域的深度更重要
  • 已尝试顺序分析(polymath 风格),但综合结果感觉像妥协而非整合
  • 现有方法感觉像"每个领域分一点",而非统一愿景
  • 在做出影响多个利益相关者的重大架构决策之前
  • 当领域专家意见分歧,且解决方案位于他们的视角之间而非任一视角之内

不适用场景

  • 单领域问题 —— 直接使用对应的领域代理
  • 顺序分析(polymath 风格)已足够的常见权衡场景
  • 自我照护或健康场景 —— 改用 tending 团队
  • 当速度比深度更重要时 —— 完整循环需要持续注意力

输入

  • 必需:需要多领域综合的问题或议题
  • 可选:需要保持的领域显式列表(默认:从问题上下文自动检测)
  • 可选:深度设置 —— lightstandarddeep(默认:standard
  • 可选:表达形式 —— narrativediagramtablerecommendation(默认:auto

配置

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

步骤

第 1 步:清空 —— 清理工作空间

运行 meditate 技能,清除先前的上下文、假设和单领域偏差。

  1. 执行完整的 meditate 流程:准备、锚定、观察干扰、收尾
  2. 特别注意领域偏差 —— 倾向于通过最近活跃的领域来构架问题
  3. 清除在全貌可见前过早出现的解决方案
  4. 如设置了 depth: light,则简化为短暂的上下文清理停顿,而非完整冥想

预期结果: 工作空间已清空。没有领域具有优先权。没有解决方案被预先选定。代理处于中性、接纳的状态,准备好同时容纳多个视角。

失败处理: 如果某个特定领域反复将自己确立为"真正的问题",请明确命名该偏差:"我注意到我把它主要构架为一个 [领域] 问题。"命名偏差会松动它的支配力。如果清空完全失败,问题可能确实属于单领域 —— 重新考虑是否需要综观循环。

第 2 步:开启 —— 进入全景模式

运行 expand-awareness 技能,从狭窄聚焦转向广域感知。

  1. 盘点与问题相关的所有领域 —— 不要预先过滤或排序
  2. 对每个领域,记录其核心关切、约束和价值,不做评估
  3. 软化焦点:同时将所有领域保持在觉知中,而非逐一循环
  4. 抵抗"开始解决"的拉力 —— 这一步纯粹关于打开视野
  5. 如果输入中显式提供了领域,则将其作为起始集合,但保持对发现其他相关领域的开放

预期结果: 全景视野已打开。所有相关领域同时保持在觉知中。代理能感知整个全景而不放大到任一单领域。感觉是宽广而非压倒性的。

失败处理: 如果领域列表感觉不完整,请问:"缺少了哪个会改变图景的视角?"如果同时觉知崩塌为顺序扫描(先 A、再 B、再 C),请放慢节奏 —— 目标是保持整个视野,而非游览其各部分。如果激活的领域超过 7 个,将相关领域聚类以减少认知负荷同时保持广度。

第 3 步:感知 —— 注意跨领域模式

在保持全景觉知的同时,运行 observeawareness 来注意所有可见领域之间的模式、张力与共鸣。

  1. 保持第 2 步打开的全景视野 —— 不要收窄聚焦
  2. 运行 observe 注意实际呈现的内容:哪些模式在不同领域间重复?领域之间存在哪些张力?哪些共鸣连接看似无关的关切?
  3. 运行 awareness 注意未被看到的内容:哪些领域被悄然忽视?盲点在哪里?水面之下有哪些假设在运作?
  4. 记录跨领域观察,先不解释:
    • 张力:领域往相反方向拉的地方
    • 共鸣:领域相互强化或回响的地方
    • 空隙:没有任何领域处理但全局图景揭示出的关切
    • 意外:某个领域为图景贡献了出乎意料的东西
  5. 如果设置了 depth: deep,延长此步骤 —— 多次循环 observe 与 awareness,让更细微的模式浮现

关键纪律:同时跨所有领域感知,而非依次感知每个领域。顺序感知会丢失跨领域模式 —— 而那正是综观循环的全部要点。

预期结果: 一组丰富的跨领域观察 —— 张力、共鸣、空隙与意外。这些观察跨越领域边界,而非局限于任一单领域内。代理已注意到从任一单领域视角无法看到的内容。

失败处理: 如果观察都局限在单一领域内("在领域 A 中,我注意到 X"),全景视野已崩塌。回到第 2 步重新打开。如果未涌现跨领域模式,问题可能不需要综观处理 —— 它可能确实可分解为独立的领域问题。如果感知步骤产生压倒性数量的观察,优先处理张力(整合就在张力中发生)。

第 4 步:整合 —— 形成涌现整体

运行 integrate-gestalt 技能,将跨领域观察综合为统一理解。

  1. 映射第 3 步识别的张力 —— 不要过早化解;将其作为创造性约束保持
  2. 找出图形:当所有观察被一同保持时,浮现出怎样的统一理解?这不是妥协或平均 —— 而是一种新模式,包含但超越各领域的视角
  3. 测试整体:整合后的理解是否尊重每个领域的核心关切?它是真正化解了张力,还是只是粉饰?
  4. 用一句清晰陈述命名洞见 —— 如果无法简洁陈述,整合尚未完成
  5. 验证洞见的真正涌现性:依次分析各领域是否也能达成?如果可以,综观循环未增加价值,顺序分析本就足够

预期结果: 一个同时容纳所有领域的整合理解。这个洞见感觉像发现而非建造 —— 它从整体中涌现,而非由各部分拼装。每个领域的核心关切都被尊重,领域间的张力得以化解而非妥协。

失败处理: 如果整合产出"每个领域分一点"而非统一整体,格式塔尚未形成。回到第 3 步寻找被回避的张力 —— 整合是穿过张力发生的,而非绕过张力。如果在长时间努力后仍未形成格式塔,请分解:找出张力最强的 2-3 个领域先整合,然后再扩展。

第 5 步:表达 —— 传达整合后的理解

运行 express-insight 技能,将综合结果传达给目标受众。

  1. 评估受众:他们熟悉哪些领域?什么样的构架能让整合后的洞见易于理解?
  2. 选择表达形式(或使用输入中指定的形式):
    • Narrative(叙事):适合需要理解从部分到整体之旅程的受众
    • Diagram(图示):适合需要看到结构关系的受众
    • Table(表格):适合需要系统比较各领域视角的受众
    • Recommendation(建议):适合需要可执行决策的受众
  3. 透明地表达整合后的理解:展示哪些领域有所贡献、张力在何处得到化解,以及涌现的洞见在任何单一视角之外增加了什么
  4. 邀请挑战:明确指出整合中哪些方面最稳固、哪些最具推测性

预期结果: 对整合理解的清晰、得体表达,对目标受众而言可达。表达展示其工作过程 —— 受众能看到各领域视角如何贡献于整体。表达形式与受众需求相匹配。

失败处理: 如果表达感觉像各领域视角的清单而非整合整体,第 4 步的洞见已在转译中丢失。回到第 4 步的一句话总结,从这个中心向外构建表达。如果受众构架不对,请问:"谁需要这个?它支持什么决策?"

验证清单

  • 已执行第 1 步(清空)—— 先前上下文和领域偏差被显式释放
  • 第 2 步(开启)产生了同时容纳 3 个以上领域的全景视野
  • 第 3 步(感知)识别了跨领域模式(不仅是领域内观察)
  • 第 4 步(整合)产生了一个超越任一单领域的涌现洞见
  • 第 5 步(表达)以适合受众的形式传达了洞见
  • 最终输出无法通过顺序的单领域分析得到
  • 每个领域的核心关切都在整合理解中得到尊重
  • 领域间的张力是通过整合而非妥协得到化解

常见问题

  • 以同时为名行顺序之实:依次循环各领域再把结果钉在一起,不是综观感知。检验方法:跨领域相互作用是否产生了新东西,还是输出只是各领域分析的拼接?
  • 过早整合:在全景视野完全打开前急于综合。第 2 步与第 3 步搭建感知基础,使真正的整合成为可能 —— 仓促进行只会产出肤浅综合。
  • 以妥协代替涌现:平均各领域视角("50% 安全 + 50% 易用")是妥协,不是整合。真正的整合找到一种框架使两种关切都被完全满足,或诚实地命名不可化解的权衡。
  • 在单领域问题上过度使用:并非每个问题都需要全景综合。若问题清晰地处于一个领域内,综观处理徒增开销而无价值。"不适用场景"标准存在是有原因的。
  • 在表达中丢失洞见:第 4 步产出清晰的格式塔,第 5 步又把它碎片化为按领域排列的清单。让整合后的洞见保持为表达的中心;领域细节是支撑证据,而非主体结构。
  • 领域膨胀:人为扩大领域数量以证明综观处理的合理性。三个真正相关的领域产出的综合优于七个领域中四个为周边的情况。

相关技能

  • meditate —— 循环的第 1 步;清理上下文并建立中性起始状态
  • expand-awareness —— 循环的第 2 步;从狭窄聚焦转向全景感知
  • observe —— 第 3 步使用;注意视野中实际呈现的内容
  • awareness —— 第 3 步使用;注意未被看到的内容,揭示盲点
  • integrate-gestalt —— 循环的第 4 步;从跨领域模式形成涌现整体
  • express-insight —— 循环的第 5 步;传达整合后的理解

GitHub リポジトリ

pjt222/agent-almanac
パス: i18n/zh-CN/skills/adaptic
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

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。

スキルを見る

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。

スキルを見る

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。

スキルを見る

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。

スキルを見る