adaptic
정보
어댑틱 스킬은 세 개 이상의 상호작용 도메인 간 순차적 타협이 아닌 통합적 이해를 생성하기 위해 5단계 파노라믹 합성 사이클을 조율합니다. 이는 개별 도메인의 심도보다 도메인 간 상호작용이 더 중요한 복잡한 아키텍처 결정을 위해 설계되었습니다. 표준 분석이 부적절하게 느껴지거나 주요 다중 이해관계자 결정을 내리기 전에 사용하십시오.
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/adapticClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
Adaptic(综观主控)
组合 5 步综观循环,以实现跨多领域的全景综合。顺序分析产出妥协("每个领域分一点"),而综观循环产出整合 —— 一种同时容纳所有领域并发现涌现整体的统一理解。
适用场景
- 问题真正横跨 3 个以上领域,且领域之间的相互作用比任一领域的深度更重要
- 已尝试顺序分析(polymath 风格),但综合结果感觉像妥协而非整合
- 现有方法感觉像"每个领域分一点",而非统一愿景
- 在做出影响多个利益相关者的重大架构决策之前
- 当领域专家意见分歧,且解决方案位于他们的视角之间而非任一视角之内时
不适用场景
- 单领域问题 —— 直接使用对应的领域代理
- 顺序分析(polymath 风格)已足够的常见权衡场景
- 自我照护或健康场景 —— 改用 tending 团队
- 当速度比深度更重要时 —— 完整循环需要持续注意力
输入
- 必需:需要多领域综合的问题或议题
- 可选:需要保持的领域显式列表(默认:从问题上下文自动检测)
- 可选:深度设置 ——
light、standard或deep(默认:standard) - 可选:表达形式 ——
narrative、diagram、table或recommendation(默认:auto)
配置
settings:
depth: standard # light (skip meditate), standard, deep (extended perceive)
domains: auto # auto-detect or explicit list
expression_form: auto # narrative, diagram, table, recommendation
步骤
第 1 步:清空 —— 清理工作空间
运行 meditate 技能,清除先前的上下文、假设和单领域偏差。
- 执行完整的 meditate 流程:准备、锚定、观察干扰、收尾
- 特别注意领域偏差 —— 倾向于通过最近活跃的领域来构架问题
- 清除在全貌可见前过早出现的解决方案
- 如设置了
depth: light,则简化为短暂的上下文清理停顿,而非完整冥想
预期结果: 工作空间已清空。没有领域具有优先权。没有解决方案被预先选定。代理处于中性、接纳的状态,准备好同时容纳多个视角。
失败处理: 如果某个特定领域反复将自己确立为"真正的问题",请明确命名该偏差:"我注意到我把它主要构架为一个 [领域] 问题。"命名偏差会松动它的支配力。如果清空完全失败,问题可能确实属于单领域 —— 重新考虑是否需要综观循环。
第 2 步:开启 —— 进入全景模式
运行 expand-awareness 技能,从狭窄聚焦转向广域感知。
- 盘点与问题相关的所有领域 —— 不要预先过滤或排序
- 对每个领域,记录其核心关切、约束和价值,不做评估
- 软化焦点:同时将所有领域保持在觉知中,而非逐一循环
- 抵抗"开始解决"的拉力 —— 这一步纯粹关于打开视野
- 如果输入中显式提供了领域,则将其作为起始集合,但保持对发现其他相关领域的开放
预期结果: 全景视野已打开。所有相关领域同时保持在觉知中。代理能感知整个全景而不放大到任一单领域。感觉是宽广而非压倒性的。
失败处理: 如果领域列表感觉不完整,请问:"缺少了哪个会改变图景的视角?"如果同时觉知崩塌为顺序扫描(先 A、再 B、再 C),请放慢节奏 —— 目标是保持整个视野,而非游览其各部分。如果激活的领域超过 7 个,将相关领域聚类以减少认知负荷同时保持广度。
第 3 步:感知 —— 注意跨领域模式
在保持全景觉知的同时,运行 observe 与 awareness 来注意所有可见领域之间的模式、张力与共鸣。
- 保持第 2 步打开的全景视野 —— 不要收窄聚焦
- 运行
observe注意实际呈现的内容:哪些模式在不同领域间重复?领域之间存在哪些张力?哪些共鸣连接看似无关的关切? - 运行
awareness注意未被看到的内容:哪些领域被悄然忽视?盲点在哪里?水面之下有哪些假设在运作? - 记录跨领域观察,先不解释:
- 张力:领域往相反方向拉的地方
- 共鸣:领域相互强化或回响的地方
- 空隙:没有任何领域处理但全局图景揭示出的关切
- 意外:某个领域为图景贡献了出乎意料的东西
- 如果设置了
depth: deep,延长此步骤 —— 多次循环 observe 与 awareness,让更细微的模式浮现
关键纪律:同时跨所有领域感知,而非依次感知每个领域。顺序感知会丢失跨领域模式 —— 而那正是综观循环的全部要点。
预期结果: 一组丰富的跨领域观察 —— 张力、共鸣、空隙与意外。这些观察跨越领域边界,而非局限于任一单领域内。代理已注意到从任一单领域视角无法看到的内容。
失败处理: 如果观察都局限在单一领域内("在领域 A 中,我注意到 X"),全景视野已崩塌。回到第 2 步重新打开。如果未涌现跨领域模式,问题可能不需要综观处理 —— 它可能确实可分解为独立的领域问题。如果感知步骤产生压倒性数量的观察,优先处理张力(整合就在张力中发生)。
第 4 步:整合 —— 形成涌现整体
运行 integrate-gestalt 技能,将跨领域观察综合为统一理解。
- 映射第 3 步识别的张力 —— 不要过早化解;将其作为创造性约束保持
- 找出图形:当所有观察被一同保持时,浮现出怎样的统一理解?这不是妥协或平均 —— 而是一种新模式,包含但超越各领域的视角
- 测试整体:整合后的理解是否尊重每个领域的核心关切?它是真正化解了张力,还是只是粉饰?
- 用一句清晰陈述命名洞见 —— 如果无法简洁陈述,整合尚未完成
- 验证洞见的真正涌现性:依次分析各领域是否也能达成?如果可以,综观循环未增加价值,顺序分析本就足够
预期结果: 一个同时容纳所有领域的整合理解。这个洞见感觉像发现而非建造 —— 它从整体中涌现,而非由各部分拼装。每个领域的核心关切都被尊重,领域间的张力得以化解而非妥协。
失败处理: 如果整合产出"每个领域分一点"而非统一整体,格式塔尚未形成。回到第 3 步寻找被回避的张力 —— 整合是穿过张力发生的,而非绕过张力。如果在长时间努力后仍未形成格式塔,请分解:找出张力最强的 2-3 个领域先整合,然后再扩展。
第 5 步:表达 —— 传达整合后的理解
运行 express-insight 技能,将综合结果传达给目标受众。
- 评估受众:他们熟悉哪些领域?什么样的构架能让整合后的洞见易于理解?
- 选择表达形式(或使用输入中指定的形式):
- Narrative(叙事):适合需要理解从部分到整体之旅程的受众
- Diagram(图示):适合需要看到结构关系的受众
- Table(表格):适合需要系统比较各领域视角的受众
- Recommendation(建议):适合需要可执行决策的受众
- 透明地表达整合后的理解:展示哪些领域有所贡献、张力在何处得到化解,以及涌现的洞见在任何单一视角之外增加了什么
- 邀请挑战:明确指出整合中哪些方面最稳固、哪些最具推测性
预期结果: 对整合理解的清晰、得体表达,对目标受众而言可达。表达展示其工作过程 —— 受众能看到各领域视角如何贡献于整体。表达形式与受众需求相匹配。
失败处理: 如果表达感觉像各领域视角的清单而非整合整体,第 4 步的洞见已在转译中丢失。回到第 4 步的一句话总结,从这个中心向外构建表达。如果受众构架不对,请问:"谁需要这个?它支持什么决策?"
验证清单
- 已执行第 1 步(清空)—— 先前上下文和领域偏差被显式释放
- 第 2 步(开启)产生了同时容纳 3 个以上领域的全景视野
- 第 3 步(感知)识别了跨领域模式(不仅是领域内观察)
- 第 4 步(整合)产生了一个超越任一单领域的涌现洞见
- 第 5 步(表达)以适合受众的形式传达了洞见
- 最终输出无法通过顺序的单领域分析得到
- 每个领域的核心关切都在整合理解中得到尊重
- 领域间的张力是通过整合而非妥协得到化解
常见问题
- 以同时为名行顺序之实:依次循环各领域再把结果钉在一起,不是综观感知。检验方法:跨领域相互作用是否产生了新东西,还是输出只是各领域分析的拼接?
- 过早整合:在全景视野完全打开前急于综合。第 2 步与第 3 步搭建感知基础,使真正的整合成为可能 —— 仓促进行只会产出肤浅综合。
- 以妥协代替涌现:平均各领域视角("50% 安全 + 50% 易用")是妥协,不是整合。真正的整合找到一种框架使两种关切都被完全满足,或诚实地命名不可化解的权衡。
- 在单领域问题上过度使用:并非每个问题都需要全景综合。若问题清晰地处于一个领域内,综观处理徒增开销而无价值。"不适用场景"标准存在是有原因的。
- 在表达中丢失洞见:第 4 步产出清晰的格式塔,第 5 步又把它碎片化为按领域排列的清单。让整合后的洞见保持为表达的中心;领域细节是支撑证据,而非主体结构。
- 领域膨胀:人为扩大领域数量以证明综观处理的合理性。三个真正相关的领域产出的综合优于七个领域中四个为周边的情况。
相关技能
meditate—— 循环的第 1 步;清理上下文并建立中性起始状态expand-awareness—— 循环的第 2 步;从狭窄聚焦转向全景感知observe—— 第 3 步使用;注意视野中实际呈现的内容awareness—— 第 3 步使用;注意未被看到的内容,揭示盲点integrate-gestalt—— 循环的第 4 步;从跨领域模式形成涌现整体express-insight—— 循环的第 5 步;传达整合后的理解
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.
