build-coherence
정보
`build-coherence` 스킬은 여러 유효한 옵션이 존재할 때 최적의 접근 방식을 선택하기 위해 구조화된, 군집(swarm)에서 영감을 받은 방법을 제공합니다. 이 스킬은 경쟁하는 경로들을 독립적으로 평가하고, 명시적 추론을 통해 각 경로를 지지하며, 신뢰도 임계값을 적용하여 결정에 도달합니다. 개발자는 아키텍처 선택 사이의 우유부단함을 해결하거나, 도구 선택을 정당화하거나, 높은 비용이 들고 되돌릴 수 없는 조치를 실행하기 전에 이 스킬을 사용해야 합니다.
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/build-coherenceClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
建合
評競法以獨評、顯推言倡、信校委閾、結構困解—自多推路生合決。
用
forage-solutions識多有效法→當擇- 於兩法間振而未委
- 需以結構推證決(構擇、工擇、施策)
- 前決由直覺而需據驗
- 內推生矛結而需復合
- 前不可逆行(合、發、刪)→誤擇價高
入
- 必:兩或多競法以評
- 可:昔偵之質評(見
forage-solutions) - 可:決重(可逆、中、不可逆)以校閾
- 可:決之時限
- 可:知敗模(振、早委、群思)
行
一:獨評
較前以己質評每法。要律:勿令 A 評偏 B 評。
每法獨評:
Approach Evaluation Template:
┌────────────────────────┬──────────────────────────────────────────┐
│ Dimension │ Assessment │
├────────────────────────┼──────────────────────────────────────────┤
│ Approach name │ │
├────────────────────────┼──────────────────────────────────────────┤
│ Core mechanism │ How does this approach solve the problem? │
├────────────────────────┼──────────────────────────────────────────┤
│ Strengths (2-3) │ What does this approach do well? │
├────────────────────────┼──────────────────────────────────────────┤
│ Risks (2-3) │ What could go wrong? What is assumed? │
├────────────────────────┼──────────────────────────────────────────┤
│ Evidence quality │ How well-supported is this approach? │
│ │ (verified / inferred / speculated) │
├────────────────────────┼──────────────────────────────────────────┤
│ Quality score (0-100) │ Overall assessment │
├────────────────────────┼──────────────────────────────────────────┤
│ Confidence (0-100) │ How confident in this assessment? │
└────────────────────────┴──────────────────────────────────────────┘
每法別填。諸獨評未完前勿書較。
得: 獨評—每法以己語評。B 評不引 A。質分映真評,非排序。
敗: 評染(評 B 時書「勝 A」)→重置。全評 A,而後清框自零評 B。諸分皆同→評維過粗—加域專準。
二:搖擺舞—言推
依質倡每法。乃蜂搖擺舞之 AI 對:令隱推為顯為公。
- 每法→陳其理—如對疑用者呈:
- 「A 法強因 [證]。主險為 [險],以 [緩] 解。」
- 倡強當依質分比:
- 高質法:詳倡附具體證
- 中質法:略倡附認限
- 低質法:為全而提,不主倡
- 互察:倡 A 後→主尋支 B 之證。倡 B 後→尋支 A 之證。此抗證偏
言推之旨乃令決可審—於己與用者。若推不可述→評淺於所述分。
得: 每法顯推,可服中察者。互察揭至少一初遺之慮。
敗: 倡覺草率(走過場)→諸法或非真異—或一念之變。察:諸法異於機乎,抑唯異於施詳?後者→決或不要—擇其一而進。
三:設法定閾而委
設委所需信閾,校於決之重。
Confidence Thresholds by Stakes:
┌─────────────────────┬───────────┬──────────────────────────────────┐
│ Decision Type │ Threshold │ Rationale │
├─────────────────────┼───────────┼──────────────────────────────────┤
│ Easily reversible │ 60% │ Cost of trying and reverting is │
│ (can undo) │ │ low. Speed matters more than │
│ │ │ certainty │
├─────────────────────┼───────────┼──────────────────────────────────┤
│ Moderate stakes │ 75% │ Reverting has cost but is │
│ (costly to reverse) │ │ possible. Worth investing in │
│ │ │ evaluation │
├─────────────────────┼───────────┼──────────────────────────────────┤
│ Irreversible or │ 90% │ Cannot undo. Must be confident. │
│ high-stakes │ │ If threshold not met, gather │
│ │ │ more information before deciding │
└─────────────────────┴───────────┴──────────────────────────────────┘
- 分決重
- 察:首法之質分 × 信達閾乎?
- 若然:委。陳決、推、所受之要險
- 若否:識何加訊可升信至閾
- 委後勿重察除非新去權證現
得: 清委時附述推。決以重所宜之信級作。
敗: 閾永不達(不可逆事不能達九成)→問:決真不可逆乎?可分為可逆試階 + 不可逆委乎?多似不可逆之決可分階。若不可→告用者疑而求導。
四:解困
兩或多法分近而無單一達法定閾。
Deadlock Resolution:
┌────────────────────────┬──────────────────────────────────────────┐
│ Deadlock Type │ Resolution │
├────────────────────────┼──────────────────────────────────────────┤
│ Genuine tie │ The approaches are equivalent. Pick one │
│ (scores within 5%) │ and commit. The cost of deliberating │
│ │ exceeds the cost of picking the "wrong" │
│ │ equivalent option. Flip a coin mentally │
├────────────────────────┼──────────────────────────────────────────┤
│ Information deficit │ The tie exists because evaluation is │
│ (scores uncertain) │ incomplete. Invest one more specific │
│ │ investigation — a targeted file read, a │
│ │ quick test — then re-score │
├────────────────────────┼──────────────────────────────────────────┤
│ Oscillation │ Scoring keeps flip-flopping depending on │
│ (scores keep changing) │ which dimension gets attention. Time-box:│
│ │ set a timer, evaluate once more, commit │
│ │ to the result regardless │
├────────────────────────┼──────────────────────────────────────────┤
│ Approach merge │ The best parts of A and B can be │
│ (compatible strengths) │ combined. Check for compatibility. If │
│ │ merge is coherent, use it. If forced, │
│ │ don't — pick one │
└────────────────────────┴──────────────────────────────────────────┘
得: 困以所宜之機解。解要—無留疑擾行。
敗: 諸解後困仍→決或早。問用者:「見兩等強法:[A] 與 [B]。[各略陳]。合汝值者何?」委真平於用者—非敗—乃認決依 AI 不可推之值。
五:評合質
委後→評程生真合或但決。
- 決據證乎,或但印初偏?
- 試:評前後偏同乎?若同→評改何?
- 敗法真慮乎,抑稻草人?
- 試:能述敗法之最強理乎?
- 何訊觸重評?
- 定具體察以廢決(「若 API 不支 X,則 B 法更佳」)
- 敗法中有益訊當導施乎?
- B 法識之險或亦適 A
得: 略質察—證決或識其弱。弱→返宜前步,勿於不穩地進。
敗: 質察揭決由偏而非據→誠認。偏或所有—當名之,勿飾為析。
驗
- 較前每法獨評
- 倡依質比(非平注無論優劣)
- 互察已行(倡後尋反證)
- 法定閾校於決重
- 若困→具體解策已施
- 決後質察已行
- 重評觸已定
忌
- 早委:評諸法前決。首慮法有錨利—但先得更心注。評諸而後較
- 平倡不平法:A 分 85 而 B 分 45→平時倡兩→費力造偽等
- 印決:行評以飾已決。試:評能改果乎?不→程為戲
- 避閾:降信閾以易決,非集所需訊達宜閾
- 略敗側:敗法常含警適勝法。B 識之險不因 A 勝而失
參
build-consensus— 此技所適於單將推之多將合模forage-solutions— 偵合所評之解空;常先於此coordinate-reasoning— 多路評時訊流管center— 立無偏評所需之衡基meditate— 評異法間清假
GitHub 저장소
연관 스킬
content-collections
메타이 스킬은 콘텐츠 콜렉션(Content Collections)을 위한 프로덕션 검증된 설정을 제공합니다. 콘텐츠 콜렉션은 Markdown/MDX 파일을 Zod 검증이 포함된 타입 안전한 데이터 콜렉션으로 변환해주는 TypeScript 최우선 도구입니다. 블로그, 문서 사이트 또는 콘텐츠 중심의 Vite + React 애플리케이션을 구축할 때 타입 안전성과 자동 콘텐츠 검증을 보장하기 위해 사용하세요. Vite 플러그인 구성과 MDX 컴파일부터 배포 최적화 및 스키마 검증에 이르기까지 모든 것을 다룹니다.
polymarket
메타이 스킬은 개발자들이 Polymarket 예측 시장 플랫폼을 활용한 애플리케이션을 구축할 수 있도록 지원하며, 거래 및 시장 데이터를 위한 API 통합 기능을 포함합니다. 또한 WebSocket을 통한 실시간 데이터 스트리밍을 제공하여 실시간 거래와 시장 활동을 모니터링할 수 있습니다. 이를 통해 거래 전략을 구현하거나 실시간 시장 업데이트를 처리하는 도구를 생성하는 데 활용할 수 있습니다.
creating-opencode-plugins
메타이 스킬은 개발자들이 명령어, 파일, LSP 작업 등 25개 이상의 이벤트 유형에 연결되는 OpenCode 플러그인을 만들 수 있도록 돕습니다. JavaScript/TypeScript 모듈을 위한 플러그인 구조, 이벤트 API 명세, 구현 패턴을 제공합니다. OpenCode AI 어시스턴트의 라이프사이클을 사용자 정의 이벤트 기반 로직으로 가로채거나, 모니터링하거나, 확장해야 할 때 사용하세요.
sglang
메타SGLang은 RadixAttention 프리픽스 캐싱을 활용하여 JSON, 정규식, 에이전트 워크플로우를 위한 고속 구조화 생성에 특화된 고성능 LLM 서빙 프레임워크입니다. 특히 반복되는 프리픽스가 있는 작업에서 상당히 빠른 추론 속도를 제공하여 복잡한 구조화 출력 및 다중 턴 대화에 이상적입니다. 제약 디코딩이 필요하거나 광범위한 프리픽스 공유가 있는 애플리케이션을 구축할 때는 vLLM과 같은 대안보다 SGLang을 선택하십시오.
