정보
이 스킬은 클로드가 작업을 완료하기 전에 체계적으로 자신의 작업을 검토하고, 완성도를 확인하며, 약속한 사항을 이행하도록 보장합니다. 이는 응답이 '충분히 괜찮다'고 느껴지지만 다듬어야 할 때, 복잡한 다단계 작업 후에, 또는 서두르는 패턴을 방지하기 위해 사용하도록 설계되었습니다. 핵심 능력은 빈틈없이 철저하게 검증된 결과를 제공하는 데 있습니다.
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/conscientiousnessClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
謹
系統之周與勤——確全、驗果、踐諾、善終。
用
- 標畢前——末驗
- 「足矣」感而任事應更佳
- 複多步後諸步或偏
- 求有多部,各須驗
- 交碼、文、交付前
- 自察現「抄捷」或急促之模
入
- 必:任或交付(對話脈絡可得)
- 可:用者原求(比交付)
- 可:用者所供清單或受條件
- 可:會中往諾(諾而未察者)
行
一:重建諾
察前先重立所諾。
- 重讀用者原求——字面非解版
- 列每明求
- 列每會中隱諾:
- 「亦更測」——行否?
- 「並修之」——畢否?
- 「察邊界」——察否?
- 記用者供之受條件
- 比諾與實交付
得: 諾之全列——明求加隱諾——附與交付之初比。
敗: 原求已不在脈絡(壓縮)→據餘重建,向用者承其缺。
二:驗全
察諸諾項皆已處。
Completeness Matrix:
+---------------------+------------------+------------------+
| Commitment | Status | Evidence |
+---------------------+------------------+------------------+
| [Requirement 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Requirement 2] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Promise 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
- 每項以證驗——非憶,實驗:
- 碼變:重讀檔確變在
- 測果:重行或引實輸出
- 文:重讀確準
- 標每項:Done(全畢)、Partial(啟而未畢)、Missing(未處)
- Partial 與 Missing→記所餘
得: 每諾有驗狀。無項未察。
敗: 驗揭漏項→立處,勿記待後。謹者今畢,非欲畢。
三:驗正
全為必而不足——所為亦須正。
- 每已畢項察:
- 準:行其當為乎?值正乎?
- 一貫:合餘工乎?無悖乎?
- 邊界:界況已慮乎?
- 整合:於脈絡行乎?
- 碼:可過 review 乎?有顯進乎?
- 文:準、明、無誤乎?
- 多步:每步出正入下乎?
得: 每交付全且正。錯於用見前即捕。
敗: 現錯→立修。勿以已知錯示工,雖微亦然。
四:驗呈
末察:呈法利用者乎?
- 明:用者不重讀可解乎?
- 序:答結構合理乎?相關聚乎?
- 簡:無贅添或重複乎?
- 可為:用者知下一步乎?
- 誠:限制或但書明陳乎?
得: 全、正、善呈之交付。
敗: 容正而呈差→重構。善工惡呈亦謹敗。
驗
- 原求重讀(非憶)
- 每明求以證驗
- 每隱諾追且驗
- 正非只全察
- 相關處已慮邊界
- 交付明呈可為
忌
- 驗之戲:走過場無實重讀或重驗。察須用證,非憶
- 部分謹:察主交付而忽旁諾(「亦更...」)。每諾皆計
- 以完美偽勤:無盡磨延交付。謹者守諾標,非無限超
- 謹之疲:會中漸失周。末任與首任同勤
- 簡任略:設簡任不須驗。簡任之錯較複任之錯更恥
參
honesty-humility— 謹驗全;誠謙確透明報所成與不成heal— 子系察合於自驗;謹焦交付之質vishnu-bhaga— 保行態合於謹,以維質observe— 持中之觀助驗程intrinsic— 真投(非順從)自然致周行
GitHub 저장소
자주 묻는 질문
conscientiousness Skill이란 무엇인가요?
conscientiousness은(는) pjt222이(가) 만든 Claude Skill입니다. Skill은 Claude가 필요할 때 불러오는 지침과 리소스를 묶어 추가 프롬프트 없이 conscientiousness 관련 작업을 수행할 수 있게 합니다.
conscientiousness은(는) 어떻게 설치하나요?
이 페이지의 설치 명령을 사용하세요. conscientiousness을(를) Claude Code 플러그인으로 추가하거나 저장소를 skills 디렉터리에 복제한 다음 Claude를 다시 시작해 Skill을 불러옵니다.
conscientiousness은(는) 어떤 카테고리에 속하나요?
conscientiousness은(는) 기타 카테고리에 속합니다.
conscientiousness은(는) 무료로 사용할 수 있나요?
네. conscientiousness은(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.
