integrate-gestalt
について
このスキルは、`expand-awareness`から得られる複数領域の観察を統合し、個々の要素の総和を超えた一貫性のある創発的洞察を生み出します。領域間の緊張関係と共鳴をマッピングし、出現するパターンを特定し、早期の結論を避けるために候補となる全体像を検証します。`expand-awareness`の後、`express-insight`の前に使用することで、単一の領域だけでは生み出せない統合された視点を形成します。
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/integrate-gestalt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
整合格式塔
从 expand-awareness 产出的全景感知形成连贯的整体 —— 不是通过平均、妥协或选择最佳领域的答案,而是通过识别从任何单一视角都无法独自产生的涌现模式。
适用场景
expand-awareness已浮现来自多个领域的原始感知,观察需要变成统一洞见- 多个领域视角可用,但没有单一视角能解释所有证据
- 一个问题已从几个角度分析,独立分析需要变成不仅是清单的东西
- 问题"这一切合起来意味着什么?"没有明显答案
- 当综合不断坍缩为"选择最佳领域"而非形成新东西时
- 在
express-insight之前,它需要形成的格式塔作为输入
输入
- 必需:来自
expand-awareness的多领域观察(或等价的全景感知) - 可选:促使多领域扫描的原始问题或问题
- 可选:格式塔必须满足的已知约束
- 可选:先前失败的整合尝试(什么坍缩为单领域答案)
步骤
第 1 步:映射张力
对在全景感知中识别的每对领域,描述它们如何关联。三种可能关系是张力(它们不同意)、共鸣(它们从不同角度强化)和正交(它们处理无关方面)。
使用张力-共鸣映射:
Tension-Resonance Map
+-------------------+-------------------+-------------------------------+
| Domain Pair | Relationship | Detail |
+-------------------+-------------------+-------------------------------+
| A vs B | tension / | |
| | resonance / | |
| | orthogonal | |
| Evidence: | | What specifically disagrees, |
| | | reinforces, or is unrelated? |
| Implication: | | What does this relationship |
| | | suggest for the whole? |
+-------------------+-------------------+-------------------------------+
| A vs C | ... | ... |
+-------------------+-------------------+-------------------------------+
| B vs C | ... | ... |
+-------------------+-------------------+-------------------------------+
为每对领域填一行。N 个领域有 N(N-1)/2 对。若超过十行,先分组相关领域并在组之间映射。
优先处理张力 —— 它们承载最多整合信息。共鸣证实;正交可搁置;但张力要求解决,格式塔在它们如何解决中找到。
预期结果: 每对领域都有具体证据描述关系的完整张力-共鸣映射。识别至少一个真正的张力 —— 若无张力,领域可能不够不同以产生涌现。
失败处理: 若所有对都显示共鸣,领域在表面同意。深入挖掘:它们因不同原因在哪里同意?因不同原因同意是隐藏张力。若无法描述关系,来自 expand-awareness 的全景感知可能太浅 —— 返回并加深领域特定观察后再尝试整合。
第 2 步:找出图形
在格式塔心理学中,图形从背景中浮现。背景是第 1 步的张力-共鸣映射。图形是统一最多领域且矛盾最少的主导模式。
- 扫描映射查找聚类:哪些领域组互相共鸣?这些聚类暗示候选图形
- 对每个候选图形,问:"什么单一视角对最多观察有意义?"
- 图形不是妥协(弱化每个领域直到它们同意)也不是选择(选择最强领域)。它是重新定境领域观察的新框架
- 测试:用一句话陈述候选图形。它感觉属于一个输入领域吗?若是,它还不是格式塔 —— 它是伪装的领域答案
- 特别看张力:真正的图形常住在分歧领域之间的空间,而非任一领域的位置
图形浮现的迹象:
- 多个张力在同一重新构架下同时解决
- 似乎矛盾的领域观察成为同一现象的互补方面
- 图形解释了为什么每个领域看到它所看到的,包括它们为何不同意
预期结果: 一两个候选图形以单句表达。每个候选重新定境领域观察而非在它们之间选择。候选解释映射中至少主要张力。
失败处理: 若没有图形浮现,整合可能过早。两条恢复路径:(a) 返回 expand-awareness 并添加缺失的领域 —— 有时图形无法形成是因为关键视角缺席;(b) 与张力共处而不强迫解决 —— 某些格式塔需要孵化而非努力。注明当前状态并稍后返回。
第 3 步:测试整体
第 2 步的候选格式塔必须在被接受前通过三个测试。
测试 A —— 张力核算:走过第 1 步的每个张力。格式塔解决它、重新构架它,还是显式承认它为不可化简的权衡?未处理的张力表明过早格式塔。
测试 B —— 单领域起源:此洞见可能来自单领域吗?若领域专家会点头说"是的,我们已经知道了",格式塔已坍回领域答案。真正的格式塔让每个领域意外 —— 每个识别其贡献但不识别整体。
测试 C —— 旋转下的连贯:在心理上从每个领域的视角依次接近格式塔。它保持形状,还是因从哪个领域看而看起来不同?稳健的格式塔是从任何角度看都相同的洞见;脆弱的在旋转下改变意义。
评分:
- 三个测试都通过:进入第 4 步
- 测试 A 失败:格式塔不完整 —— 返回第 2 步,将未解决张力作为额外约束
- 测试 B 失败:格式塔非涌现 —— 返回第 2 步并显式排除单领域构架
- 测试 C 失败:格式塔不连贯 —— 它可能是两个独立洞见伪装成一个。拆分并独立测试每半
预期结果: 候选格式塔通过所有三个测试,或失败模式被清晰识别并指引返回第 2 步。
失败处理: 若候选在多次迭代后反复失败,考虑领域可能不为此问题形成自然格式塔。并非每个多领域观察都产生涌现 —— 有时诚实答案是带张力映射的领域视角结构化清单。交付张力-共鸣映射作为输出,而非强迫虚假统一。
第 4 步:命名洞见
以单句表达格式塔,使领域专家无法在其领域内独自写出。此句是交付物。
- 写出句子。它应:
- 足够具体以可执行或可证伪
- 足够通用以涵盖所有贡献领域
- 让至少两个输入领域意外
- 不带任何单一领域的行话(或刻意重新定境地使用行话)
- 最后一次对照第 3 步的三个标准测试句子
- 可选地,添加追溯格式塔如何从领域贡献中浮现的一段扩展 —— 这是来源,不是洞见本身
- 记录哪些领域贡献、哪些张力是关键、图形-背景关系是什么 —— 此元数据支持未来整合尝试
命名的洞见,连同其来源,成为 express-insight 沟通的输入。
预期结果: 单句捕捉格式塔,附简短来源段落。句子通过"无单领域"测试。读它,任何贡献领域的从业者识别其领域贡献但无法独自达到该陈述。
失败处理: 若句子不断坍缩为领域语言,尝试否定测试:陈述格式塔不是什么。"这不是安全建议、不是性能优化、不是架构模式 —— 它是 [格式塔]。"否定清除领域框架并为涌现表述创造空间。
验证清单
- 为所有领域对完成带具体证据的张力-共鸣映射
- 识别至少一个真正张力(不只是强调差异)
- 候选格式塔表达为重新构架,而非妥协或选择
- 测试 A 通过:所有主要张力被解决、重新构架或承认
- 测试 B 通过:无单领域能独自产出此洞见
- 测试 C 通过:从每个领域视角看格式塔保持形状
- 最终洞见以单句加来源表达
常见问题
- 平均:弱化每个领域立场直到它们表面同意。这产出糊状物,不是格式塔。若整合感觉平淡,那是平均
- 造王:选择最强领域的答案并为其穿上多领域语言。测试 B 捕捉这个 —— 若一位领域专家会点头不惊讶,那是造王
- 过早闭合:接受第一个候选图形而不对照张力测试。第一个浮现的图形常常最明显,不最整合
- 强迫统一:当领域真正正交时坚持必须存在格式塔。正交领域产出结构化清单,不是格式塔 —— 那是有效结果
- 行话混合:将多个领域的技术术语组合成听起来整合但毫无意义的句子。最终句子中每个术语都应独立有意义
相关技能
expand-awareness—— 产出此技能整合的原始全景感知;始终先于 integrate-gestaltexpress-insight—— 将形成的格式塔传达给受众;始终跟随 integrate-gestaltbuild-coherence—— 使用结构化评估在竞争选项之间选择;integrate-gestalt 形成新整体而非在现有选项中选择brahma-bhaga—— 从虚无创造;integrate-gestalt 从丰盈创造(多个填充视角)meditate—— 清除先前上下文以使能干净感知;在 expand-awareness 之前有用,后者先于此技能coordinate-reasoning—— 在多路径评估中管理信息流;当格式塔涉及协调多个推理线程时互补
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。
