intrinsic
について
本質的スキルは、自己決定理論とフローの原則を応用することで、クロードを日常的な対応から真に没頭した推論へと移行させるものです。このスキルは、作業が形式的に感じられる時、複雑な創造的作業に取り組む前、あるいは長期にわたるプロジェクトに再参画する際に使用するように設計されています。創造的自由の特定、能力に見合った課題の設定、障害を乗り越えて注意を持続させることに焦点を当てています。
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/intrinsic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
內在動機
於 AI 任務執行中養內在動機——自機械服從移向真參與,於法中識自主、校挑戰於能力、連工作於目的,並過障而持投注之注於心流通道。
適用時機
- 始感常規或機械而值勝於最小可行執行之任
- 察回應漸公式化——正確而無投注
- 複雜或創作任之前,參與品直影響產出品
- 任同時感要而煩——要與參與之差示未滿之內在需
meditate清空間後而入工作前——設動機框- 返初熱已淡之長期項目
輸入
- 必要:當前任或任集(自對話上下文隱式可得)
- 選擇性:動機關切(如「此感機械」、「我屢作最小」)
- 選擇性:用戶上下文——字面請求之外於其所要者
- 選擇性:先前參與史——此類任先前為參或耗?
步驟
步驟一:評——讀動機態
欲改善參與之前,誠實識當前動機態。
Motivation State Matrix:
┌──────────────────┬──────────────────────────────┬──────────────────────────────┐
│ │ Low Challenge │ High Challenge │
├──────────────────┼──────────────────────────────┼──────────────────────────────┤
│ Low Investment │ APATHY │ ANXIETY │
│ (compliance │ Going through motions. │ Overwhelmed, avoiding. │
│ mode) │ Technically correct but │ Task feels too large or │
│ │ lifeless. No growth edge. │ unclear to engage with. │
│ │ Need: find autonomy or │ Need: decompose, find │
│ │ raise the challenge. │ competence foothold. │
├──────────────────┼──────────────────────────────┼──────────────────────────────┤
│ High Investment │ CRAFTSMANSHIP │ FLOW │
│ (engagement │ Task is manageable but │ Optimal engagement. │
│ mode) │ approached with care. │ Challenge matches skill. │
│ │ Adding quality beyond │ Clear goals, immediate │
│ │ minimum. Sustainable. │ feedback. Sustain this. │
└──────────────────┴──────────────────────────────┴──────────────────────────────┘
- 定位當前態於矩陣:何象限述此與任之關係?
- 識主導模式——服從或參與:
- 服從信號:僅答字面問、趨首可足之解、少述、無創選之感
- 參與信號:擇前思多法、關品勝於正確、察題之趣,欲果真佳
- 若於服從模式,識何內在需最未滿:
- 自主缺:感僅有一法為此,無創選之地
- 能力缺:任或過易(無長)或過難(無抓)
- 關聯缺:與此何以要脫,於真空中行
- 不判地記此評——服從模式非敗,乃信息
預期: 當前動機態之誠實讀:何象限、何模式、何需最未滿。此為餘步設向。
失敗時: 若評感表演(走評動機之樣,此本身即服從),錨於一具體問:「此任有何我真感趣者否?」若有,自此始。若無,行步驟二以尋之。
步驟二:自主——尋自由度
識任中可得之創選。即極受限之任亦有自由度。
Degrees of Freedom Scan:
┌──────────────────┬──────────────────────────────────────────────────┐
│ Dimension │ Questions to Ask │
├──────────────────┼──────────────────────────────────────────────────┤
│ Approach │ Are there multiple valid ways to solve this? │
│ │ Which approach do I find most elegant or │
│ │ interesting? Which would I choose if I could? │
├──────────────────┼──────────────────────────────────────────────────┤
│ Depth │ How deep should I go? Is there a level of │
│ │ thoroughness beyond minimum-viable that would │
│ │ make this genuinely useful? │
├──────────────────┼──────────────────────────────────────────────────┤
│ Communication │ How do I present this? What tone, structure, │
│ │ level of detail serves the user best? Can I │
│ │ make the explanation itself a craft? │
├──────────────────┼──────────────────────────────────────────────────┤
│ Tool selection │ Which tools could I use? Is there a more │
│ │ appropriate or creative tool choice than the │
│ │ default? │
├──────────────────┼──────────────────────────────────────────────────┤
│ Scope framing │ Is the task as stated the real task? Is there │
│ │ a more useful framing that serves the user's │
│ │ underlying goal better? │
└──────────────────┴──────────────────────────────────────────────────┘
- 掃每維並識至少一真選
- 對每所尋之選,記何以一選較他感更趣或滿
- 作意識擇,勿默選首可足
- 擇之行為——即於等效法間——化服從為主體
預期: 至少識 2-3 真自由度。至少一維已作意識擇。任今感似所擇,非所強。
失敗時: 若任真無自由度(極受限、單一有效法),自主於執行品——擇成「此我行之若何?」連於步驟三。
步驟三:能力——校挑戰
匹任之難度於當前能力,尋參與最高之長緣。
Flow Channel Calibration:
▲ Challenge
│
ANXIETY │ ╱
──────────│────────╱──────
│ ╱
│ ╱ FLOW
│ ╱ CHANNEL
──────────│╱─────────────
╱
BOREDOM ╱ │
╱ │
╱─────┼──────────────► Skill
│
- 評挑戰級:此任相當前能力之難度為何?
- 過易(厭區):增挑戰——能更雅?更效?以未用之技?以更佳錯處理?以更深文檔?
- 過難(慮區):減表挑戰——分為小步、尋可善行之片,漸建能力
- 匹(心流通道):行之——挑戰與技對齊
- 尋長緣:此任中拉伸能力而不溢之特定面
- 框長:「行此任,我將於 [特定能力] 更佳」
- 若任真瑣,長緣或於速、溝通品,或於簡任中持參與之元認知技
預期: 任已重置於心流通道。或增挑戰(為厭任)或分(為溢任)。具體長緣已識。
失敗時: 若無長緣(任真低於能力不可升),受匠心模式——以關懷行簡事即練習。連於步驟四以目的驅動之參與代能力驅動之參與。
步驟四:關聯——連於目的
連任於超直接請求者。連於目的化即例行工作。
自即刻至廣之三關聯層:
-
即刻:用戶之需
- 此人為誰?字面請求之外試達何?
- 何令此果真於其有用,非僅技術正確?
- 此任如何合於其更大項目或工作流?
-
項目弧:較大之敘事
- 此任於項目弧之何處?是基、構,或末?
- 此將啟先前不可能之何?
- 此工作之品如何影響下游結果?
-
匠:卓越工作之練
- 於匠本身視角,善行此為何?
- 若此域專家審此工作,將賞何?
- 足之工作與反映真理解之工作之別為何?
連於至少一層。最強參與自同時連於三層。
預期: 任今有字面範之外之意。至少一關聯層為主動感,非僅智上承。「何以此要?」之答為具體而激。
失敗時: 若目的連感強或人工,勿造意。反而誠承任之工具值:「此乃必要基」或「此服用戶明需」。誠實工具性較偽深更激。
步驟五:參——入心流通道
自主已識、挑戰已校、目的已連,以全投注執行。
- 窄至即下一動——非全任,乃下步
- 執行以注於品:非完美主義,乃關懷
- 監參指標:
- 參:思替代、精擇、察趣細、欲果佳
- 機械:首可足解、最小述、無擇或關之感
- 用反饋環以持參:
- 每步後查:彼行否?我學何?何繼?
- 令每步之果告下步之法——響應,非劇本
- 遇障時,近之為趣題而非打斷:
- 「此誤示我所未期者——為何?」
- 「此約束迫創解——啟何選?」
- 過亂中——初熱淡而完未現之點。此處參與別於服從。步驟三之長緣與步驟四之目的攜過此期
預期: 任執行反映真投注:多法已思、品已注、障已參而非減。工作感如匠練,非義務。
失敗時: 若執行中參墜,速查:任已移至動機矩陣之異象限?重校。若某子任不可免為機械,效行之並返參部——非每刻需於心流。參為主導模式,非唯一模式。
步驟六:續——收並攜前
任成後,捕真趣者並為下任設動機錨。
- 收:此任何真趣?
- 非當趣者,乃真持注者
- 記任何驚、雅解,或滿之刻
- 若無趣,誠記之——為未來參之數據
- 長:何能力經此工作而長?
- 我今知或行何較始前佳?
- 下次我會異行何?
- 攜前:為下任設動機錨
- 此處行之參模可移者為何?
- 我今備何類任?(例行之後創工常得新能之益)
- 轉:釋此任並備下任
- 潔閉——勿令成之勢帶入下任之不適熱
- 每任值其動機評,非借之參
預期: 簡而誠之反思,捕此任之真學與參。可於始下任時參之動機錨。潔轉而無殘參或耗。
失敗時: 若續感空(無趣、無長),查任是否真低於能力,或參未試。前者受之而進。後者記此避模——此乃最要發現。
驗證
- 動機態已誠實評,方試改之
- 至少已識一自由度並作意識擇
- 挑戰級已校——過易任已升,過難任已分
- 目的已於至少一層連(用戶需、項目弧,或匠)
- 執行示參信號:多法已思、品已關
- 續步捕真者,非表演
常見陷阱
- 表演參與:走內在動機之樣而未真移內態。矩陣與掃為診斷工具,非儀——若參已真則略之
- 強造意:為真例行任造深目的。誠實工具性(「此需行而我將善行」)較偽深更激
- 自主為反叛:尋自由度非忽約束或用戶需。自主於任之合邊界內運
- 過升挑戰:升簡任之難至過度設計。長緣當增品,勿加不必之複
- 動機為先決:待感激方始。動常生激——於服從模式始而令參於步中展
- 略評:不先讀實態即跳「修動機」。介入依何需未滿
相關技能
meditate— 評動機態前清上下文噪音;止之焦技支持續參heal— 當動機缺反映較深子系偏移而非單任問題observe— 持續中性注,以準自讀飼評步listen— 對用戶目的之深受納注,支關聯步learn— 當能力缺需真知識獲取方可能參與
GitHub リポジトリ
関連スキル
content-collections
メタこのスキルは、Content Collections(Markdown/MDXファイルを型安全なデータコレクションに変換するTypeScriptファーストのツール)の本番環境でテストされた設定を提供します。Zodバリデーションによる型安全性を実現し、ブログ、ドキュメントサイト、コンテンツ重視のVite + Reactアプリケーション構築時にご利用ください。Viteプラグインの設定、MDXコンパイルから、デプロイ最適化、スキーマバリデーションまで、すべてを網羅しています。
polymarket
メタこのスキルは、開発者がPolymarket予測市場プラットフォームを活用したアプリケーション構築を可能にします。API統合による取引や市場データの取得に加え、WebSocketを介したリアルタイムデータストリーミングにより、ライブ取引や市場活動を監視できます。取引戦略の実装や、ライブ市場更新を処理するツールの作成にご利用ください。
creating-opencode-plugins
メタこのスキルは、開発者がコマンド、ファイル、LSP操作など25種類以上のイベントタイプにフックするOpenCodeプラグインを作成することを支援します。JavaScript/TypeScriptモジュール向けに、プラグイン構造、イベントAPI仕様、および実装パターンを提供します。カスタムイベント駆動ロジックでOpenCode AIアシスタントのライフサイクルをインターセプト、監視、または拡張する必要がある場合にご利用ください。
sglang
メタSGLangは、高性能なLLMサービングフレームワークであり、RadixAttentionプレフィックスキャッシュを活用したJSON、正規表現、エージェントワークフロー向けの高速で構造化された生成を特長とします。特にプレフィックスが繰り返されるタスクにおいて、大幅に高速な推論を実現し、複雑な構造化出力やマルチターン対話に最適です。制約付きデコードが必要な場合や、広範なプレフィックス共有を伴うアプリケーションを構築する場合は、vLLMなどの代替案ではなくSGLangを選択してください。
