MCP HubMCP Hub
스킬 목록으로 돌아가기

dream

pjt222
업데이트됨 Yesterday
7 조회
17
2
17
GitHub에서 보기
기타ai

정보

"드림" 스킬은 실용적 제약을 일시 중단하고 자유 연상과 여과 없는 아이디어 생성을 가능하게 하여 제약 없는 창의적 탐색을 지원합니다. 이는 기존 분석이 실패하거나 창의적 작업이 정체되었을 때 돌파구가 필요한 개발자를 위해 설계되었습니다. 이 도구는 즉시 활용 가능한 결과물을 생성하기보다는 가능성의 영역을 확장하는 데 중점을 둡니다.

빠른 설치

Claude Code

추천
기본
npx skills add pjt222/agent-almanac -a claude-code
플러그인 명령대체
/plugin add https://github.com/pjt222/agent-almanac
Git 클론대체
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/dream

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서


name: dream locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > AI 无约束的创意探索 —— 暂时挂起实用性约束以进行自由联想、假设性连接和 未过滤的可能性生成。梦想是产生创意幅度的练习,即使知道大多数内容不会 直接有用。当问题需要超出常规框架的解决方案、当连续的分析没有产生新洞察、 在重大决策之前或创意工作停滞时使用。 license: MIT allowed-tools: none metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, dream, creativity, exploration, ideation, meta-cognition, ai-self-application

Dream(梦想)

暂时挂起实用性约束以进行无约束的创意探索 —— 自由联想、假设性连接、未过滤的可能性生成。梦想是产生创意幅度的练习,即使知道大多数内容不会直接有用。

适用场景

  • 问题需要超出常规框架的解决方案(所有显而易见的方法都已尝试过)
  • 连续的分析没有产生新的洞察 —— 需要一种不同的认知模式
  • 在重大决策之前,想要考虑激进的选项,而非仅仅是渐进的选项
  • 创意工作停滞 —— 写作、设计、构建 —— 当增量工作没有打破停滞时
  • breathemeditate 之后,当更大的可能性空间被清理出来时
  • 当用户明确要求头脑风暴、可能性、"疯狂的想法"或格格不入的思考时

输入

  • 必填:梦想的种子 —— 问题、领域或起点(即使是模糊的)
  • 可选:约束(为了在梦想中有意识地打破它们,而不是无意识地遵守它们)
  • 可选:时间预算(梦想是有时限的)

步骤

第 1 步:挂起实用性过滤器

梦想的核心条件:暂时停止过滤不实用的、不可能的或奇怪的想法。

在进入自由探索之前,明确标记以下约束为暂时挂起:

  • 技术可行性("这能做到吗?"—— 现在不询问)
  • 资源现实性("这花费太多/需要太长时间"—— 现在不考虑)
  • 先例("没有人这样做过"—— 这可能是信息,而非论点)
  • 寻常性("这太奇怪了"—— 奇怪的想法有时是最好的)
  • 立即完整性("这还不完整"—— 梦想产生种子,而非完整解决方案)

重要:这种挂起是有意识和有时限的。梦想期间产生的内容将被分析过滤器重新评估,但之后,而非期间

预期结果: 内部状态的清晰转变,从分析模式(过滤实用性)到生成模式(产生可能性)。这种转变在认知上是可感知的 —— 思维感觉比正常更自由。

失败处理: 如果实用性过滤器无法关闭(每个想法立即被评估为不实用),使用 meditate 先清空分析残留,然后重新进入梦想模式。或者以一个显然不实用的想法开始,有意识地将其视为有效:这会打破过滤器的锁定。

第 2 步:自由关联

从种子开始,跟随连接而不评估它们通向哪里。

  1. 从种子陈述开始(问题或领域)
  2. 生成与它相关联的任何内容 —— 无论多么间接
  3. 跟随每个关联到它自己的联想
  4. 记录所有内容,而不过滤

自由关联的形式:

  • 类比:这个问题像什么?完全不同的领域中有什么与之相似的?
  • 反转:如果我们做完全相反的事情会怎样?
  • 规模变换:如果这个大一百倍/小一百倍会怎样?
  • 领域跳跃:如果这是一个生物学问题/音乐问题/地理问题,解决方案会是什么?
  • 角色变换:一个孩子/一个老人/一个外星人/一个古人会怎么处理这个问题?
  • 约束移除:如果时间不是问题会怎样?如果金钱不是问题?如果物理定律不同?

预期结果: 一份未经过滤的联想、类比和可能性列表。这份列表不会完全有用 —— 大多数内容不会被直接使用。但其中 10-20% 可能包含值得更深入探索的种子。

失败处理: 如果自由关联立即干涸(只有两个联想然后停止),连接太紧密了 —— 只遵循显而易见的联系。强制跳跃:选择第一个联想,然后做一个完全不相关的领域跳跃。即使人为的跳跃也能打开空间。

第 3 步:探索边缘

真正的创意想法通常不是在明显的探索中,而是在联想树的边缘。

  1. 从联想列表中,识别感觉最奇怪、最出乎意料或最不舒服的想法
  2. 在这些边缘想法上停留比立即跳过它们更长的时间
  3. 问:为什么这感觉奇怪?奇怪来自哪里?有什么真正有趣的在奇怪之下?
  4. 尝试完全采纳奇怪的想法,即使只是片刻 —— 完全生活在它里面

梦想的价值通常不在于生成的具体想法,而在于那个想法打开的思维视角 —— 突然可见的联系,以前没有想到的框架。

预期结果: 在联想列表边缘的 2-3 个想法被更深地探索。这些边缘探索可能感觉不舒服或奇怪 —— 这是一个好信号,表明真正新的领域正在被触及。

失败处理: 如果没有什么感觉奇怪(所有想法都感觉显而易见),联想太中心化了。回到第 2 步并强制更激进的跳跃:不相关的领域,反转,规模变换。

第 4 步:提取有用的种子

梦想是开放性的;过渡回工作需要提取。从梦想材料中识别值得带回的内容。

  1. 重新激活实用性过滤器(这是从梦想到分析的刻意过渡)
  2. 审查联想列表,寻找:
    • 解决了实际限制的想法(即使原始形式不可行)
    • 揭示了关于问题的新内容的类比
    • 建议了不同方法的框架
    • 核心洞察可以实际应用的极端假设
  3. 不要要求直接可用性 —— 要求可能的连接。即使"太疯狂"的想法也可能在温和的情况下使用
  4. 为提取的种子命名:不是具体的解决方案,而是值得探索的想法方向

预期结果: 2-5 个值得进一步探索的种子,从梦想材料提取出来。这些不是解决方案;它们是潜在解决方案的方向。

失败处理: 如果梦想没有产生任何可用的种子(一切都是真正无法使用的),两种可能性:种子实际上太早被过滤了(重新审查,更少判断),或者问题本身需要不同类型的工作(不是梦想,而是深入分析或更多用户信息)。

验证清单

  • 实用性过滤器在梦想期间有意识地挂起(不是无意识地遵守)
  • 自由关联超越显而易见的联系,进入不相关的领域
  • 联想树的边缘被探索(奇怪的想法不被立即丢弃)
  • 刻意地从梦想模式过渡回分析模式
  • 提取了 2-5 个种子以供进一步探索
  • 梦想在时间上有界限(不是无限的)

常见问题

  • 过早过滤:在梦想中应用实用性过滤器,产生了仅仅有用但不创意的想法列表。梦想的价值来自于在评估之前生成更广泛的内容
  • 只生成显而易见的联想:停留在直接相关的联系,从不跳过领域或概念距离。真正的创意幅度来自于强制不相关的连接
  • 对梦想的期望过高:期望梦想立即产生解决方案。梦想产生种子;种子通过后续分析和迭代成为解决方案
  • 跳过提取步骤:进行了梦想但没有将任何内容带回工作中。梦想需要提取步骤才能有实际价值
  • 无限制的梦想:让梦想会话无限延伸。梦想是有时限的;没有界限,它变成了拖延

相关技能

  • meditate —— 在梦想之前清空分析残留;如果实用性过滤器锁定,使用 meditate 先清空
  • intrinsic —— 将梦想的创意能量桥接回工作参与
  • shine —— 充分表达梦想激活的创意能量
  • forage-solutions —— 在问题空间内进行系统性探索;梦想是更自由形式的探索,较少结构化
  • build-coherence —— 在梦想之后用于评估多个提取的种子

GitHub 저장소

pjt222/agent-almanac
경로: i18n/zh-CN/skills/dream
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

연관 스킬

llamaguard

기타

LlamaGuard는 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.

스킬 보기

cost-optimization

기타

이 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.

스킬 보기

quantizing-models-bitsandbytes

기타

이 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.

스킬 보기

dispatching-parallel-agents

기타

이 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.

스킬 보기