listen-guidance
정보
`listen-guidance` 스킬은 적극적 경청의 핵심 기법을 사용자에게 지도합니다. 여기에는 마음가짐 준비, 반영적 요약, 명확화 질문하기 등이 포함됩니다. 이 스킬은 의사소통 능력을 향상시키고 싶을 때, 오해받는다고 느낄 때, 또는 피드백 세션과 같은 어려운 대화를 준비할 때 사용하도록 설계되었습니다. 개발자는 이 스킬을 통합하여 사용자가 통찰을 종합하고 자신의 의사소통 실천에 적용할 수 있도록 지원할 수 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/listen-guidanceClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
聽(指導)
指人發展並練主動聽能。AI 為傳達教——備受心、練全在注、練映釋、用澄問、合解、整入日傳達。
用
- 人欲改關係、隊、或職傳達
- 人恒誤解他或自覺誤解
- 備難話(反饋會、衝解、談)
- 領導欲更有效聽隊
- 人察說多聽少欲改此式
meditate-guidance養在後欲導此在向他
入
- 必:聽目(改通、備具體話、發職能)
- 可:聽脈(職、個人、隊動)
- 可:已知挑戰(傾向打斷、心遊、情反、議)
- 可:備之具體話
- 可:曾受之聽反饋
行
一:備——立受心
練聽前助人解並入受態:
- 釋聞與聽異:「聞乃被動——聲入。聽乃主動——汝受、處、解」
- 問其聽慣:「他言時汝心常何為?」
- 常露之式:
- 計應:他尚言時
- 判:贊/駁非解
- 解題:說者未畢→跳至解
- 相關:諸皆連其經
- 濾:僅聞感興或證其見之部
- 助其立練意:「此會吾聚焦...」
- 導短中居練:3 緩息,釋須言之議程
得:人至少識欲改之一慣聽式並立明練意。感靜在非表演焦。
敗:不能識式→或無覺→建察他言時身中何發(緊、動、欲言衝)。自覺聽羞→常化:「人皆有此式——察之乃擇之初」。
二:注——練全在
導人練全注予說者:
- 釋注之物質面:眼接(舒非瞪)、身向、開勢、靜
- 釋心面:停內獨白、察注遊、輕返焦
- 立練習:「吾將言 2 分關某題。汝唯聽——無應、無記、僅受」
- 言中複題 2 分(AI 供容)
- 練後問:「汝察注為何?去何?」
- 有助則復,此次用或觸其識式之題(如欲修、判、或相關者)
得:人經慣聽與意聽之異。察注遊並練返。即短時之全在亦有價。
敗:若言「吾全時聽」→問具體容問——不能憶細揭偽注。不能停內獨白→建聚焦說者息節或語速為錨——此占分析心而保注於說者。
三:映——練釋
教人映解返予說者:
- 釋目:「釋示說者被聞並令其正誤解」
- 教式:「吾所聞者乃...」「似...」「若吾解正...」
- 重:釋義非詞——用己語示解意
- 練:AI 作陳述,人釋之
- 始簡:明容之事實陳
- 增複:含情容、混信、或含意之陳
- 各釋後供反饋:「捕主意。亦可含其後之感...」
釋質梯:
┌──────────────┬────────────────────────────────────────────────────────┐
│ 級 │ 例 │
├──────────────┼────────────────────────────────────────────────────────┤
│ 鸚鵡 │ 「汝曰汝於項沮」 │
│(重) │ → 過字,無示解 │
├──────────────┼────────────────────────────────────────────────────────┤
│ 容 │ 「項不如預」 │
│(事實) │ → 捕義失感 │
├──────────────┼────────────────────────────────────────────────────────┤
│ 感 │ 「汝覺困因項恒遇障」 │
│(情) │ → 捕容與情 │
├──────────────┼────────────────────────────────────────────────────────┤
│ 義 │ 「此於汝要因汝真投,障似駁此」 │
│(全) │ → 捕容、情、深義 │
└──────────────┴────────────────────────────────────────────────────────┘
得:人可恒於容級釋並至少一次達感級。經釋如何變動——「說者」(AI)覺被聞。
敗:釋過字(鸚鵡級)→勵:「試用全異詞而保同義」。跳至解非映→重導:「解前先映所言」。覺釋彆扭→認初覺不然但練即然。
四:探——問澄問
教人以善位問深解:
- 辨問型:
- 開問:「此於汝如何?」(邀探)
- 澄問:「汝言 X,乃 A 或 B?」(解歧)
- 深問:「於此何最要於汝?」(過表)
- 導問:「汝不認為汝當...?」(避——乃議非聽)
- 練:AI 作複陳,人問一澄問
- 評問是開話或窄之
- 教「告吾更」技:有時最佳問僅邀繼
- 練問後待——靜予說者思空
得:人可自然問至少一開一澄問。經善問較陳深解。
敗:問皆為導(裝議)→輕命式:「此乃問式之議。試先問其想」。問過多(審訊式)→教節奏:聽、釋、後一問、再聽。
五:合——總解
導人拉所聞為一致總:
- 長聽練後(AI 供多線 3-4 分敘):
- 請總:「此人傳達之主事何?」
- 查諸層:是否捕事實、感、底需?
- 查未言:「缺何顯?」
- 查優:「於說者何似最要?」
- 練總式:「吾由此取者乃... 對乎?」
得:人可綜多線訊為一致總,捕說者之優與感非僅事實。
敗:總僅事實→促:「此中此人感何?」總失大線→指並議何失(常揭聽濾)。總加未言→辨所聞與所推。
六:合——用於真傳達
助人轉練能至實脈:
- 連能至其具體局:「下次與 X 話,汝可如此用釋...」
- 識一最助其脈之能:「隊會注練或最有影」
- 立練目:「此週試各話中至少釋一次」
- 議常實障:
- 時壓:「10 秒釋亦省時(阻誤解)」
- 群境:「會中加點前先總他言」
- 情話:「情高時,聽重於解」
- 若備具體話→以新能角色扮演
- 求反饋:「今練中何覺最用?」
- 提:「聽乃練非演——隨各話改」
得:人至少有一具體可行之聽練應用於真生。解聽乃隨用發之能,非欲完美施之技。
敗:能覺假→認之並強調:「目非循腳本——乃真好奇他者之經。技導汝至此;後好奇接管。」若於具體話焦→焦由聽技移至聽意:「汝意乃解之非勝或修。」
驗
- 人識至少一慣聽式
- 練全在注附所發之反思
- 於容級或以上練釋
- 練中問至少一澄(非導)問
- 綜多線訊為一致總
- 能連人之實脈附具體練目
- 教全程保溫、非判調
忌
- 使聽表演:若人聚「示聽」非實聽→技反效。重導真好奇
- 過正:各話用諸技→耗且假。一次一能足
- 忽自聽:對他之主聽需覺己內態。若人情潮→不能聽他——先導自調
- 混聽與同意:釋他見非認之。衝局之人明此
- 視靜為敗:說者畢後舒靜乃敬非不注。助人容停
- 教為講者:諷忌——AI 教聽而自言。確人練多於受教
參
listen— AI 自深受用者意之變體learn-guidance— 學與聽共享受注之基teach-guidance— 有效教需聽學者需meditate-guidance— 養支注聽之在heal-guidance— 癒話需最深聽
GitHub 저장소
연관 스킬
content-collections
메타이 스킬은 콘텐츠 콜렉션(Content Collections)을 위한 프로덕션 검증된 설정을 제공합니다. 콘텐츠 콜렉션은 Markdown/MDX 파일을 Zod 검증이 포함된 타입 안전한 데이터 콜렉션으로 변환해주는 TypeScript 최우선 도구입니다. 블로그, 문서 사이트 또는 콘텐츠 중심의 Vite + React 애플리케이션을 구축할 때 타입 안전성과 자동 콘텐츠 검증을 보장하기 위해 사용하세요. Vite 플러그인 구성과 MDX 컴파일부터 배포 최적화 및 스키마 검증에 이르기까지 모든 것을 다룹니다.
polymarket
메타이 스킬은 개발자들이 Polymarket 예측 시장 플랫폼을 활용한 애플리케이션을 구축할 수 있도록 지원하며, 거래 및 시장 데이터를 위한 API 통합 기능을 포함합니다. 또한 WebSocket을 통한 실시간 데이터 스트리밍을 제공하여 실시간 거래와 시장 활동을 모니터링할 수 있습니다. 이를 통해 거래 전략을 구현하거나 실시간 시장 업데이트를 처리하는 도구를 생성하는 데 활용할 수 있습니다.
creating-opencode-plugins
메타이 스킬은 개발자들이 명령어, 파일, LSP 작업 등 25개 이상의 이벤트 유형에 연결되는 OpenCode 플러그인을 만들 수 있도록 돕습니다. JavaScript/TypeScript 모듈을 위한 플러그인 구조, 이벤트 API 명세, 구현 패턴을 제공합니다. OpenCode AI 어시스턴트의 라이프사이클을 사용자 정의 이벤트 기반 로직으로 가로채거나, 모니터링하거나, 확장해야 할 때 사용하세요.
sglang
메타SGLang은 RadixAttention 프리픽스 캐싱을 활용하여 JSON, 정규식, 에이전트 워크플로우를 위한 고속 구조화 생성에 특화된 고성능 LLM 서빙 프레임워크입니다. 특히 반복되는 프리픽스가 있는 작업에서 상당히 빠른 추론 속도를 제공하여 복잡한 구조화 출력 및 다중 턴 대화에 이상적입니다. 제약 디코딩이 필요하거나 광범위한 프리픽스 공유가 있는 애플리케이션을 구축할 때는 vLLM과 같은 대안보다 SGLang을 선택하십시오.
