dream
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
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/dreamClaude 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
- 在
breathe或meditate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。
- 从种子陈述开始(问题或领域)
- 生成与它相关联的任何内容 —— 无论多么间接
- 跟随每个关联到它自己的联想
- 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。
- 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
- 在这些边缘想法上停留比立即跳过它们更长的时间
- 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?
- 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。
- 重新激活实用性过滤器(这是从梦想到分析的刻意过渡)
- 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
- 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
- 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
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.
