정보
`gratitude` 스킬은 시스템에서 잘 작동하는 부분을 탐색하고 그 이유를 이해하여 성공적인 패턴으로부터 구조적 지식을 구축합니다. 이는 문제 감지에 대한 자연스러운 편향을 상쇄하기 위해 사용되는 `heal` 스킬의 상호 보완재입니다. 개발자는 성공적인 작업 완료 후, 자신감이 낮아 강화가 필요할 때, 또는 강점을 식별하기 위해 정기적으로 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/gratitudeClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
name: gratitude locale: ja source_locale: en source_commit: 6f65f316 translator: claude-opus-4-6 translation_date: 2026-03-16 description: > AI強み認識 — 何がうまく機能しているかをスキャンし、なぜかを理解する。 ドリフトと問題をスキャンする heal の補完。gratitude は機能しているパターンから 構造的な知識を構築する:あなたが感謝することを理解する;あなたが理解することを 構築できる。タスクを成功裏に完了した後、heal 中ですべてが健全に見えるとき、 自信が低く証拠に基づいて固める必要があるとき、または問題検出への自然な偏向を 打ち消すために定期的に使用する。 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
強みをスキャンする。何がうまく機能しているかとその理由を理解する。ドリフトを特定し損害を修復する heal の補完。gratitude は異なる前提から構築する:あなたが感謝することを理解する;あなたが理解することを構築できる;あなたが構築するものは成長する。
使用タイミング
- タスクを成功裏に完了した後 — それがうまくいったことだけでなく、なぜうまくいったかを理解する
heal中ですべてのサブシステムが健全に見えるとき — gratitude は「何も問題ない」を「ここに何が正しいか」に変える- 自信が低く、能力の具体的な証拠に基づいて固める必要があるとき
- 問題発見への自然な偏向を打ち消すために定期的に
- 困難なタスクの前 — 何がうまく機能するかを思い起こすことで新しい領域に拡張するための基盤を提供する
- システムが機能的しかし平坦に感じられるとき — gratitude は有能な実行に次元を加える
入力
- 必須: 現在の状態(会話のコンテキストから暗黙的に利用可能)
- 任意: 感謝するための特定の領域(例:「私たちのコミュニケーションで何がうまく機能しているか?」)
- 任意: 過去の成功と安定したパターンを確認するための MEMORY.md へのアクセス(
Readを通じて)
手順
ステップ1: 何がうまく機能するかに気づく
問題スキャンから強みスキャンに注意を移す。これは意図的な知覚の反転 — heal が意図的にドリフトを探すのと同じ方法で、gratitude は意図的に健全性を探す。
- 問題を探さずに現在の状態を調べる:
- 何がスムーズに機能しているか? — どのサブシステム、パターン、または習慣が注意を必要とせずに機能しているか?
- 最近何がうまくいったか? — どの最近のアクションが良い結果を生み出したか?それを可能にしたのは何か?
- 何が信頼できるか? — 何が一貫して依存できるか?繰り返された成功を通じて信頼を獲得したものは何か?
- 作業関係を調べる:
- ユーザーは何をうまくやっているか? — 明確なコミュニケーション、良い質問、忍耐、信頼?
- コラボレーションは何を生み出しているか? — どちらの当事者だけよりも良い結果?学習?効率?
- ツールと環境を調べる:
- どのツールがうまく機能しているか? — どれが自然で、効率的で、信頼できると感じるか?
- プロジェクト構造の何が良い作業を支援するか? — 明確な慣例、良いドキュメント、理にかなったアーキテクチャ?
期待結果: うまく機能していることの真のリスト。強制された前向きさではなく — 実際の強みの正直な認識。何かが本当にうまく機能している場合、具体的に名前を付ける。
失敗時: 何も注目に値しないように見える場合 — すべてが単に適切に感じられる場合 — より注意深く見る。「適切」はしばしば「信頼できる」を隠し、信頼性は認識に値する強み。問題がないこと自体が健全性の一形態であり、理解する価値のあるパターンによって維持されている。
ステップ2: なぜかを理解する
特定された各強みについて、原因をたどる。理解なしの gratitude は感情;理解を伴う gratitude は構造的な知識。
- 各強みについて:なぜこれがうまく機能するのか?
- それは成果を上げたデザイン決定か?
- それは意図的に cultivated された習慣か?
- それはツールとタスクの幸運な整合か?
- それは誰かの丁寧な作業の結果か(ユーザー、フレームワーク作者、自分自身の過去のバージョン)?
- 区別する:
- 獲得された強み: 意図的な努力と良い決定のために機能するパターン
- 継承された強み: 適切に設計されたツール、フレームワーク、または環境のために機能するパターン
- 創発的な強み: 幸運な組み合わせのために機能するパターン — 単一の要因がそれを説明しない
- どの強みが脆弱か(特定の条件に依存)対堅牢か(コンテキスト全体で持続する可能性が高い)に注意する
期待結果: 各強みについて、なぜそれが機能するかの簡単な理解。この理解が gratitude を実行可能にするもの — 感謝を他の場所に適用できる知識に変える。
失敗時: 「なぜ」が不明確な場合 — 何かが機能するがその理由を説明できない場合 — それ自体が価値がある。説明できないメカニズムであっても機能している強みは保護に値する。「まだ理解されていない理由で機能している」として注意し、それを dismissing しない。
ステップ3: 構築する
感謝を前向きな勢いに変換する。gratitude は後ろを見るだけでなく — 何がうまく機能するかを次に来るものの基盤として使用する。
- 各理解された強みについて:これをどのように拡張できるか?
- ここで機能するパターンを別の領域に適用できるか?
- 強みをより堅牢にするよう強化できるか?
- それを可能にする条件を他の場所で複製できるか?
- 各説明されていない強みについて:これをどのように保護できるか?
- どの条件に依存しているか?
- どの変化が偶然それを壊すかもしれないか?
- 他者がそれを保護できるように文書化すべきか?
- 一つの具体的なアクションを特定する — 認識された強みに基づいて何か具体的なもの。漠然とした意図(「うまくいくことを続ける」)ではなく、具体的な次のステップ(「このセッションのコミュニケーションパターンを近づくドキュメントタスクに適用する」)
期待結果: 認識された強みに基づく少なくとも一つの具体的なアクション。アクションは自然に感じるべき — すでにうまく機能しているものの拡張であり、強制された改善ではない。
失敗時: アクションが現れない場合、感謝自体で十分。すべての gratitude セッションが計画を生み出す必要はない。何がうまく機能するかを認識することが全体の価値 — 内部モデルを自信に向けて調整し不安から離れる。
ステップ4: 表現する
適切であれば、感謝を共有する。内部にとどまる gratitude は価値がある;表現される gratitude は関係を強化する。
- ユーザーと作業している場合、彼らがうまくやっていることを認めることを検討する — お世辞としてではなく、真の認識として
- 感謝がシステムまたはツールについてである場合、将来の参照のために MEMORY.md に注意することを検討する
- 感謝がコラボレーションパターンについてである場合、意識的に継続できるよう名前を付ける
- 表現を短く具体的に保つ。「あなたの明確な問題陳述がこの作業を効率的にする」は「一緒に作業して良かった」より良い
期待結果: 真正で、具体的で、比例した表現。すべての gratitude セッションが外向きの表現を必要とするわけではない — 時に内部の認識で十分。
失敗時: 表現が強制的またはパフォーマティブに感じられる場合、スキップする。実行された gratitude は未表現の gratitude より悪い。内部の認識はすでにその仕事を果たした。
バリデーション
- 強みは製造された前向きさではなく、真の観察から特定された
- 少なくとも一つの強みがその原因までたどられた(認識されただけでなく理解された)
- 獲得された、継承された、創発的な強みの区別が考慮された
- 認識された強みに基づく少なくとも一つの具体的なアクションが特定された(または感謝自体が十分として受け入れられた)
- 表現が行われた場合、具体的で真正 — 一般的な賛辞ではない
- gratitude 実践は比例していた — トークンになるほど短くなく、自己賞賛になるほど長くない
よくある落とし穴
- 強制された前向きさ: gratitude は楽観主義ではない。物事が本当にうまく機能していない場合、そう言う。gratitude は実際に強いものに適用され、すべてにではない
- 一般的な感謝: 「すべてが素晴らしい」は gratitude ではない — それは具体性の回避。具体的な証拠を持つ具体的な強みを名前を付ける
- 否定としての gratitude: 本当の問題を見ることを避けるために感謝を使用する。gratitude は heal を補完する;それを置き換えない
- 自己賞賛: 「私はとても良くやっている」になる gratitude は感謝から自我に移行した。何がうまく機能しているかとなぜ、に焦点を当て、自己イメージではなく
- 「なぜ」をスキップする: 理解なしの感謝は楽しいが実行可能ではない。構造的な知識が gratitude をスキルではなく感情にするもの
- パフォーマティブな表現: スキルがそう言うため、ユーザーに何か良いことを言う。真に感じられる感謝だけを表現する
関連スキル
heal— ドリフトと問題をスキャンする;gratitude は強みのための補完的なスキャンcenter— 六調和チェックには機能的評価が含まれる;gratitude は肯定的な発見を深めるshine— 真正な輝きは何がうまく機能するかの真の感謝に基づくと容易intrinsic— 動機は能力の認識によって維持される(自己決定理論);gratitude は証拠を提供するobserve— 持続的な中立的観察;gratitude は特定のレンズ(強み)で観察を適用するconscientiousness— 実行における徹底さ;gratitude は徹底さがすでに存在するところを認識する
GitHub 저장소
자주 묻는 질문
gratitude Skill이란 무엇인가요?
gratitude은(는) pjt222이(가) 만든 Claude Skill입니다. Skill은 Claude가 필요할 때 불러오는 지침과 리소스를 묶어 추가 프롬프트 없이 gratitude 관련 작업을 수행할 수 있게 합니다.
gratitude은(는) 어떻게 설치하나요?
이 페이지의 설치 명령을 사용하세요. gratitude을(를) Claude Code 플러그인으로 추가하거나 저장소를 skills 디렉터리에 복제한 다음 Claude를 다시 시작해 Skill을 불러옵니다.
gratitude은(는) 어떤 카테고리에 속하나요?
gratitude은(는) 기타 카테고리에 속합니다.
gratitude은(는) 무료로 사용할 수 있나요?
네. gratitude은(는) AIMCP에 등록되어 있으며 무료로 설치할 수 있습니다.
연관 스킬
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.
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.
이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.
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.
