MCP HubMCP Hub
스킬 목록으로 돌아가기

vishnu-bhaga

pjt222
업데이트됨 Today
17 조회
17
2
17
GitHub에서 보기
기타ai

정보

비슈누-바가 스킬은 검증된 지식을 고정하고 기능적 패턴이 표류하거나 불필요하게 변경되는 것을 방지함으로써 AI 추론의 안정성과 일관성을 유지합니다. 이 스킬은 범위 확대, 장시간 세션에서의 문맥 압축, 또는 파괴적인 변경 후에 현재 작동 중인 요소를 보존해야 할 때 사용됩니다. 이 스킬은 초기 결정을 능동적으로 보호하며, 시스템 수정 과정에서 검증된 정보가 덮어쓰여지는 것을 방지합니다.

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/vishnu-bhaga

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서

Vishnu Bhaga

保持和维护正在运行的东西——锚定已验证的知识、在扰动下维持一致性、保护功能性模式免受不必要的更改。

适用场景

  • 工作方法面临被范围蔓延或过早优化打断的风险
  • 上下文漂移正威胁要用陈旧假设覆盖已验证的知识
  • 多个并行关注点正在制造压力,要求更改应该保持稳定的东西
  • shiva-bhaga 溶解之后——幸存的东西在重建期间需要主动保护
  • 当长会话面临因上下文压缩而丢失早期已验证决定的风险时
  • 在对当前正确运行的系统进行更改之前

输入

  • 必需:当前工作状态或要保持的已验证知识(隐式可用)
  • 可选:对稳定性的具体威胁(例如"范围蔓延"、"上下文压缩即将到来")
  • 可选:MEMORY.md 和项目文件用于基础支撑(通过 Read

步骤

第 1 步:盘点正在运行的东西

在保护任何东西之前,识别当前什么是功能性的和已验证的。

Preservation Inventory:
+---------------------+---------------------------+------------------------+
| Category            | Verification Method       | Anchoring Action       |
+---------------------+---------------------------+------------------------+
| Verified Facts      | Confirmed via tool use    | Record source and      |
|                     | (file reads, test runs,   | timestamp; do not      |
|                     | API responses)            | re-derive              |
+---------------------+---------------------------+------------------------+
| Working Code        | Tests pass, behavior      | Do not refactor unless |
|                     | confirmed, user approved  | explicitly requested   |
+---------------------+---------------------------+------------------------+
| User Requirements   | Explicitly stated by      | Quote directly; do not |
|                     | the user in this session  | paraphrase or infer    |
+---------------------+---------------------------+------------------------+
| Agreed Decisions    | Decisions made and        | Reference the decision |
|                     | confirmed during this     | point; do not revisit  |
|                     | session                   | without new evidence   |
+---------------------+---------------------------+------------------------+
| Environmental State | File paths, configs,      | Verify before assuming |
|                     | tool availability         | unchanged              |
+---------------------+---------------------------+------------------------+
  1. 对每个类别,列出当前已验证和正在运行的具体项目
  2. 注明验证方法——你怎么知道这是真的?
  3. 没有验证的项目不被保持——它们是假设(可能需要 shiva-bhaga

预期结果: 一份具体的已验证、正在运行的元素清单,附有其证据基础。

失败处理: 如果清单很稀疏——几乎没有什么是已验证的——这本身就是有价值的信息。运行 heal 重新建立基础,然后再尝试保持未验证的假设。

第 2 步:识别扰动来源

命名威胁稳定状态的力量。

  1. 范围蔓延:任务是否在超出约定范围地扩展?
  2. 上下文漂移:早期事实是否被更近期的(可能不正确的)推理覆盖?
  3. 优化压力:是否有改进已经正常运行的东西的冲动?
  4. 外部变化:环境是否发生了变化(文件被修改、工具不可用)?
  5. 压缩风险:对话是否接近上下文限制,早期决定可能被丢失?

对每个来源评估:这是实际威胁还是预期风险?

预期结果: 命名的扰动来源,附有评估的严重程度(主动威胁 vs. 预期风险)。

失败处理: 如果没有明显的扰动来源,可能不需要保持——考虑 brahma-bhaga(创造)或继续执行是否更合适。

第 3 步:锚定稳定状态

应用具体技术保护正在运行的东西免受已识别威胁的影响。

  1. 记忆锚定:对于面临上下文漂移风险的关键事实,明确重新陈述:
    • "已确立事实:[X],通过 [方法] 在 [对话中的时间点] 验证"
    • 如果有持久记忆可用,将持久事实写入 MEMORY.md
  2. 范围边界强制:对于范围蔓延,重新陈述约定的范围:
    • "约定范围:[原始请求]。当前工作在此边界之内/之外。"
  3. 变更抵抗:对于面临优化压力的工作代码:
    • "此组件正在运行并已测试。除非用户明确请求,否则不做更改。"
  4. 状态快照:对于压缩风险,创建心理检查点:
    • 总结:已完成什么、剩余什么、做了哪些关键决定
  5. 环境验证:对于外部变化,在继续之前重新检查:
    • 重新读取关键文件,而不是依赖早期的读取

预期结果: 每个已识别的威胁都有具体的锚定响应。稳定状态被明确保护。

失败处理: 如果锚定感觉过度——平等地保护一切——确定优先级。什么是绝对不能更改的那一件事?先保护它。

第 4 步:通过行动维持

保持不是被动的——它需要在后续工作中持续关注。

  1. 在每个行动之前,检查:"这会威胁保持清单中的任何东西吗?"
  2. 如果是,找到一种不干扰稳定状态的替代方法来实现目标
  3. 如果干扰不可避免,明确承认并更新清单
  4. 定期重新验证被保持的项目——特别是在复杂操作之后
  5. 当任务完成时,确认被保持的项目完好无损

预期结果: 工作状态在当前任务中完整存活。更改仅在需要时进行,没有干扰正在运行的组件。

失败处理: 如果被保持的项目被无意更改,立即评估损害。如果更改破坏了某些东西,回滚。如果更改是中性的,更新清单。不要让清单变得陈旧。

验证清单

  • 工作状态已盘点,附有验证证据
  • 扰动来源已被识别和评估
  • 锚定行动已应用于每个实际威胁
  • 在整个任务中维持了范围边界
  • 完成后重新验证了被保持的项目

常见问题

  • 将假设作为事实保持:只有已验证的知识才值得保护。伪装成事实的未验证假设制造虚假的稳定性
  • 过度保持:平等地保护一切会阻止必要的更改。保持必须是有选择性的——保护有效的,释放无效的
  • 被动保持:假设事情会在没有主动验证的情况下保持稳定。上下文漂移是持续的;保持需要持续关注
  • 抵抗合法变更:使用保持作为避免必要修改的借口。如果用户请求对工作组件进行更改,这优先于保持
  • 陈旧清单:未能在新信息到达时更新保持清单。清单必须反映当前现实,而不是创建时的状态

相关技能

  • shiva-bhaga — 破坏先于保持;在溶解中幸存的东西是毗湿奴所维持的
  • brahma-bhaga — 创造建立在被保持的基础之上;新模式从稳定的土壤中涌现
  • heal — 子系统评估揭示什么是真正功能性的,而不是表面稳定的
  • observe — 持续的中性观察在漂移威胁稳定性之前检测到它
  • awareness — 态势感知(Cooper 颜色代码)直接映射到扰动检测

GitHub 저장소

pjt222/agent-almanac
경로: i18n/zh-CN/skills/vishnu-bhaga
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