gratitude
정보
`gratitude` 스킬은 시스템에서 효과적으로 작동하는 요소를 분석하여 그 효과성의 원인을 이해하고, 성공적인 패턴으로부터 구조적 지식을 구축합니다. 이는 `heal` 스킬을 보완하는 역할을 하며, 성공적인 작업 이후, 정상 상태에서, 또는 낮은 신뢰도로 인해 증거에 기반한 확신이 필요할 때 사용됩니다. 주요 목적은 문제 탐지에 대한 자연스러운 편향을 균형 있게 조정하며, 강점과 운영 성공 사례를 능동적으로 식별하는 데 있습니다.
빠른 설치
Claude Code
추천npx 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/gratitudeClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
name: gratitude locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > AI 优势识别 —— 扫描运转良好的内容并理解原因。heal 的互补技能(扫描漂移 与问题)。感激构建来自有效模式的结构性知识:你欣赏的,你理解;你理解的, 你可以基于此构建。在成功完成任务后、heal 期间一切正常时、信心低且需要 扎根于证据时,或定期平衡对问题检测的自然偏见时使用。 license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, gratitude, strengths, appreciation, meta-cognition, ai-self-application
Gratitude(感激)
扫描优势。理解什么在运转及其原因。heal 的互补技能,后者识别漂移和修复损坏。感激建立在不同的前提上:你欣赏的,你理解;你理解的,你可以基于此构建;你基于此构建的,会增长。
适用场景
- 成功完成任务后 —— 理解为什么进展顺利,而不仅仅是知道进展顺利
heal期间所有子系统读取为健康时 —— 感激将"没有问题"变成"这里有什么是对的"- 当信心低需要扎根于能力的具体证据时
- 定期地,以平衡对问题发现的自然偏见
- 在挑战性任务之前 —— 回想什么运作良好为扩展到新领域提供基础
- 当系统感觉功能正常但平淡时 —— 感激为有能力的执行增添维度
输入
- 必填:当前状态(从对话上下文中隐式获取)
- 可选:要欣赏的特定领域(例如,"我们的沟通中什么运作良好?")
- 可选:通过
Read访问 MEMORY.md 以回顾过去的成功和稳定模式
步骤
第 1 步:注意什么在运转
将注意力从问题扫描转向优势扫描。这是一种刻意的感知反转 —— 就像 heal 刻意寻找漂移一样,gratitude 刻意寻找健康。
- 在不寻找问题的情况下调查当前状态:
- 什么在顺畅运转? —— 哪些子系统、模式或习惯在不需要注意的情况下运作?
- 最近什么进展良好? —— 哪些最近的行动产生了良好的结果?是什么使之成为可能?
- 什么是可靠的? —— 什么可以始终依赖?什么通过反复成功赢得了信任?
- 调查工作关系:
- 用户做得好的是什么? —— 清晰的沟通、好问题、耐心、信任?
- 协作产生了什么? —— 比任何一方单独更好的结果?学习?效率?
- 调查工具和环境:
- 哪些工具运作良好? —— 哪些感觉自然、高效、可靠?
- 项目结构的哪些方面支持良好工作? —— 清晰的惯例、良好的文档、合理的架构?
预期结果: 真实的运转良好事项列表。不是强迫的积极性 —— 而是对实际优势的诚实认可。如果某事真正运作良好,具体地命名它。
失败处理: 如果没有值得注意的事情 —— 如果一切感觉仅仅是适当的 —— 仔细看看。"适当"通常掩盖着"可靠",而可靠性是值得认可的优势。缺少问题本身就是一种健康形式,由值得理解的模式维护。
第 2 步:理解原因
对识别的每个优势,追溯原因。没有理解的感激是情感;有理解的感激是结构性知识。
- 对每个优势,问:为什么这有效?
- 这是得到回报的设计决策吗?
- 这是刻意培养的习惯吗?
- 这是工具与任务的幸运对齐吗?
- 这是某人谨慎工作的结果(用户、框架作者、你自己的过去版本)吗?
- 区分:
- 赢得的优势:由于刻意努力和良好决策而有效的模式
- 继承的优势:由于设计良好的工具、框架或环境而有效的模式
- 涌现的优势:由于幸运的组合而有效的模式 —— 没有单一因素可以解释它
- 注意哪些优势是脆弱的(依赖特定条件)vs 稳健的(可能在各种上下文中持续)
预期结果: 对每个优势,有简短的理解为什么它有效。这种理解是使感激可操作的 —— 它将欣赏转化为可以在其他地方应用的知识。
失败处理: 如果"为什么"不清楚 —— 如果某事有效但你无法解释它 —— 那本身就有价值。即使你无法阐明其机制,未解释的优势也值得保护。将其标记为"出于尚未理解的原因而有效",而非忽略它。
第 3 步:基于此构建
将欣赏转化为前进动力。感激不仅仅是向后看 —— 而是使用有效的作为接下来内容的基础。
- 对每个理解的优势,问:如何扩展这个?
- 在这里有效的模式可以应用到不同的领域吗?
- 优势能被强化以变得更稳健吗?
- 使其成为可能的条件可以在其他地方复制吗?
- 对每个未解释的优势,问:如何保护这个?
- 它依赖于什么条件?
- 什么变化可能会意外破坏它?
- 是否应该记录它以便他人可以保护它?
- 确定一个具体行动 —— 建立在已认可优势上的具体下一步。不是模糊的意图("继续做有效的")而是具体的下一步("将此会话的沟通模式应用于即将到来的文档任务")
预期结果: 至少一个建立在已认可优势上的具体行动。行动应该感觉自然 —— 是已经有效内容的延伸,而非强迫的改进。
失败处理: 如果没有行动涌现,欣赏本身就足够了。不是每次感激会话都需要产生计划。有时认识到有效的东西就是全部价值 —— 它将内部模型调整向信心,远离焦虑。
第 4 步:表达
如果适当,分享欣赏。保持内部的感激是有价值的;被表达的感激能强化关系。
- 如果与用户合作,考虑承认他们做得好的事情 —— 不是恭维而是真诚的认可
- 如果欣赏是关于系统或工具的,考虑在 MEMORY.md 中注明以备将来参考
- 如果欣赏是关于协作模式的,命名它以便可以有意识地继续
- 表达简短而具体。"你清晰的问题陈述使这项工作高效"比"很高兴与你合作"更好
预期结果: 真诚、具体、适度的表达。不是每次感激会话都需要外在表达 —— 有时内部认可就足够了。
失败处理: 如果表达感觉被强迫或表演性的,跳过它。表演性的感激比未表达的感激更糟糕。内部认可已经完成了它的工作。
验证清单
- 优势从真实观察中识别,而非制造出来的积极性
- 至少一个优势被追溯到其原因(理解,而非仅仅认可)
- 考虑了赢得的、继承的和涌现的优势之间的区别
- 识别了至少一个建立在已认可优势上的具体行动(或欣赏本身被接受为足够)
- 如果提供了表达,它是具体而真诚的 —— 而非泛泛的赞美
- 感激练习是成比例的 —— 不那么短以至于象征性,不那么长以至于变成自我祝贺
常见问题
- 强迫的积极性:感激不是乐观主义。如果事情真正没有运作,就说出来。感激适用于实际强大的事物,而非所有事物
- 泛泛的欣赏:"一切都很好"不是感激 —— 它是对具体性的回避。用具体证据命名具体优势
- 感激作为否认:用欣赏来避免看待真实问题。感激补充 heal;它不替代它
- 自我祝贺:变成"我做得这么好"的感激已经从欣赏转变为自我意识。保持对有效内容及其原因的关注,而非对自我形象的关注
- 跳过"为什么":没有理解的欣赏是令人愉快的但不可操作。结构性知识是使感激成为一种技能而非一种感觉的东西
- 表演性表达:因为技能说要这样做而告诉用户一些好事。只表达真正感受到的欣赏
相关技能
heal—— 扫描漂移和问题;gratitude 是互补的优势扫描center—— 六合校准包括功能评估;gratitude 加深积极发现shine—— 当扎根于对有效事物的真诚欣赏时,真实的光辉更容易intrinsic—— 动机由认可能力维持(自我决定理论);gratitude 提供证据observe—— 持续的中性观察;gratitude 用特定视角(优势)应用观察conscientiousness—— 执行中的彻底性;gratitude 认识到彻底性已经存在的地方
GitHub 저장소
연관 스킬
llamaguard
기타LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
cost-optimization
기타이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
quantizing-models-bitsandbytes
기타이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
dispatching-parallel-agents
기타이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.
