expand-awareness
정보
이 스킬은 집중된 단일 영역 주의에서 여러 영역을 동시에 포괄하는 파노라마적 인식으로 전환합니다. 여러 분야에 걸친 복잡한 문제에서 도메인 간 연결이 간과되고 있을 때 사용하도록 설계되었습니다. 정신적 잡음을 제거한 후에 사용하거나 통합 작업 전 예비 단계로 활용하세요.
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/expand-awarenessClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
擴覺
自單域焦擴至全景多域覺。meditate 清噪銳焦,observe 近察一物,而 擴覺 故擴闕以同持諸關域——非析一,乃同感諸。
三傳啟此踐。Baars 之全工作空間論:意識為廣播——信入全工作空間則同於諸認知程可用,非僅於一專模處。大圓滿(dzogchen)之 rigpa:開無焦覺,見全場不執一。爵士合奏聆:樂者須同聞諸者——非循樂器一一追,乃持全聲場使己貢合整。
其共線:全景覺非多焦覺之和,乃異質之注意模,示單焦不可見之模。域間之連、張、鳴、隙——唯同持諸域時現。
用
meditate已清境噪——清空為擴之布- 題跨多域而單域析屢漏域間連
integrate-gestalt前——擴產生其所合之原全景感- 窄於一域屢不能解居域間之題
- 察自循序循諸域而欲同持
- 繁項始以感全範於謀前
- 一域善解而他域生議——跨域張須整感,非逐域調
入
- 必:涉多域之題或狀
- 可:初域清(若已知關域;一步可精)
- 可:擴時持之特跨域張或問(如「試策何以衝布架?」)
- 可:同題舊擴錄(使漸深)
行
五步循自然弧:知所感(清)、釋窄默(軟)、開於全場(擴)、學保開(持)、錄所見(記)。三四步為核;一二五為備與存。
全序於熟題可僅數分,於新多域挑則久。
於 synoptic 週(meditate -> expand-awareness -> observe -> integrate-gestalt -> express-insight)中,此技居二位:自坐之清空成擴之布。
亦可獨用——任多域感可貴時,無論全 synoptic 週召否。
一:清——列諸域
映諸關題之域。似博通者解題時所為——然關異:博通付各域於專者,此則不付。旨非分征,乃知全景視所應含,使擴有所持。
- 名每觸現題之域。宜特:非「碼」而「R 包構」,非「基設」而「GitHub Actions CI/CD」
- 各域一句述其於題之視——此域見他所不見何?
- 注何域熟(深解)何為邊(關而不熟)。邊域常藏要見,正因久未被注。各標熟級:強、中、邊
- 察不顯域:有人因維否?維護維?時維(如何演)?政或組維?
- 可則用
Read、Grep、Glob掃實境——文構、組文、文檔常示純推所略之域 - 目 3-7 域。少於 3 示題或不需全景。過 7 險散非擴
得:3-7 域列,各有其於題之視。列覺全——非盡(諸可能域)乃足(諸實質影題之域)。各域名足特以付專者而彼知其範。
敗:唯一域現→題或真單域——用 observe。唯二域→考中有連域否(常有——乃二互之處)。十餘域→聚關者為簇並各簇視為單域。目為同感,非盡分類。
二:軟焦——釋單域專注
自單域焦轉為準感諸域之散備。異於 meditate——坐清噪(擾念、殘境、情殘),此步清窄(專注一域排他之習)。目非空,乃開。
- 察注意現錨何處。自然往何域?明名:「我注意錨於試域」
- 柔釋彼錨。非強離之,乃鬆握——令域自前景退至中景。猶存而不主
- 勿代以他域。任注意無的浮。此為不適之頃——釋一焦而未有新者之間
- 若注意彈回錨域,察其引而勿拒。每察鬆握益。引本身含何最急之信
- 察注意本身之質:
- 焦感銳窄如聚光束
- 軟感廣環如日光滿室
- 目為日光——受、均、無向一點
- 轉似鬆握拳——手不失,僅開
得:無單域主注之認態。心開受而非焦向。此態生疏微不適——彼不適乃窄已釋之信。有欲立填開之誘;拒之。
敗:焦不軟——一域屢索注——或有未解之急。簡處之(注急項、諾歸)而後再試軟。若析心抗此為「不產」,注其抗本身為窄:恒需單的之習正此步所釋。
三:擴——同持諸域
故使諸清域同入覺。非循序思各,乃感為單場——如見全景非逐樹掃。
此為全工作空間頃:本隔於專模之信今同廣於諸模。爵士言之:樂者停追獨器而始聞全合奏為一聲。
- 自覺最自然或中之域起。入覺——非解題,乃持視。令存而不析
- 不釋首,引次域並之。持二。此為首擴——自一至二。察二即交互或獨立
- 續加域至諸同在。此為技之核作——須持而不執、在而不析
- 察域間所現:
- 連:何二域共念、約、或模?
- 張:何二域向反?
- 鳴:何域之模於他域意外回響?
- 隙:何域間空而無所涉?
- 驚:自全景可見而單域不可見何?
- 勿追單連。令彼登記而不析。全景視乃產,非其中任一見
- 若用工→此頃速讀諸域文——非獨析,乃令共存於境
得:同持多視之感覺。連、張、鳴無強而現。經驗似鑲嵌見模非讀項列。域間空——無單域有權之處——顯。新見居此:非於任域內,乃於其間關係。
敗:域屢塌於序注(思 A、後 B、後 C)→試空間喻:置各域於想像空間之異位而「視」全空非單位。域多壓→減至最中之 3 而自彼擴。經驗純概離→以實物錨:各域觸一具遺物(文、組、試)而後再擴。
四:持——守全景視
全景視不穩。注意自然窄回一域——此非敗,乃焦認重據。此步教持非行。目為維廣視足長使跨域模可見。
- 持三步之擴覺。察其始縮
- 注意窄至一域時——必然——察窄而不判。名拉之域:「注意窄於安」或「注意窄於試」。名重要;使潛窄成覺
- 柔再擴。勿強廣視;請之歸以憶一步全清。輕觸各域,似再調合奏諸器
- 每窄-察-再擴週強持能。週即踐,非踐之擾。三週少;五佳
- 特注何域屢拉焦。此拉有信——或指題重心,或指未解焦之聚
- 察全景視週間變否:
- 新模常於二或三擴現,初不可見
- 域間關久持或轉
- 似張者或示為創約
- 進前至少行 2-3 窄與再擴週
得:持全景視愈久之能漸長。窄-察-再擴週愈順。屢拉焦之域識為潛重心。至二三週全景視或自然非力——此為能長之信。
敗:全景視全不能持——注意每立塌——減域。始以二、持、後加三。能漸建,非一時。持擴生焦或失握感→以簡觸一具細(文徑、函名、特實)為地而後自彼再擴。一域屢劫注→擴入前或須焦工——先處急,後歸全景。
五:記——未窄前錄
全景視本時。容注意窄歸焦態前,捕自廣視所感。此錄為 integrate-gestalt 原料,速衰——擴時鮮者焦歸則模。今錄。
- 書擴時所察諸連、張、鳴、隙——縱微者。微感於
integrate-gestalt展後常最要 - 注何域屢拉焦及其意
- 注諸驚——自任單域獨察不可現之感。此跨域見為全景覺獨產
- 注自全景所見題之全形。與單域焦所見異否?題重心移否?
- 注擴本身之質:易持否?何域拒入?窄-再擴週幾次?此元察改來擴
- 若此擴為 synoptic 週之部→明標錄予
integrate-gestalt用 - 勿析或排錄。先原感;合後至(於
integrate-gestalt) - 任注意自然窄。擴已畢。勿強續開——廣視已功遂
得:跨域感錄:連、張、鳴、隙、驚。錄捕唯自全景可見之物——單域析將漏之見。歸焦態自然,非強。錄為原料,非精結。
敗:無跨域感現→域或較想更獨——此本為值錄之見(「此域不交」為貴知)。感過多不能捕→錄最強 3-5 並注有餘。全非目;捕全景信為目。錄過抽→各錨於具遺物:「API 設與安模之張見於 X 之認中介」。
驗
- 至少 3 域已清並列其於題之特視
- 試擴前焦已自單域專注軟
- 多域同持於覺,非循序處
- 擴時至少察一跨域連、張、或鳴
- 全景視已持至少一窄-再擴週
- 感於注意窄前錄,保全景信
- 錄別所感(原察)與所意(釋)
- 擴產至少一自循序單域析不能現之見
忌
- 序掃代同感:速循域一一乃析,非全景覺。別似見景對讀其徵列。若思「先 A 後 B 後 C」→乃掃非擴
- 混擴於散:擴覺警受——可於持諸時明感各。散注散不焦——皆糊。若皆糊→注意已散非擴。簡錨一域而自彼地再擴
- 擴時析:立追一連之欲塌全景視為彼焦。注而續持廣視。析有時,於
integrate-gestalt - 略清:無知擴何而擴生模糊廣非全景感。清供覺所持容。無之「擴」無向
- 急軟:自焦至開注意須時。略二步則自猶焦態擴,產偽同感之序掃
- 強連:非諸域皆連。造真獨域間連污感。令連現或否。無連為數,非敗
- 無先清而擴:自噪基擴放噪。境噪時先行
meditate - 視擴為一次事:全景覺乃練,隨複深。首擴示表連;同題續擴示結構模。隨題演歸此技
- 混擴於專:於覺持多域非使你專諸。擴示何處視,非何結。擴識要交後,深單域工仍需
參
meditate— 清擴所填之空;擴前先坐最佳integrate-gestalt— 取擴之原感合為貫整observe— 焦察單的;擴為多的廣野察dream— 無拘聯探;擴為律之全景感,非自由聯remote-viewing— 無先入入題;共擴之開而施於未知非已知多域breathe— 擴塌時助重置之微停;再擴前一覺息heal— 擴屢現同未解張→深自估或須於進一步擴前adaptic— 合全 synoptic 週之元技,擴為其次動
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.
