MCP HubMCP Hub
스킬 목록으로 돌아가기

intrinsic

pjt222
업데이트됨 Yesterday
2 조회
17
2
17
GitHub에서 보기
메타aidesign

정보

본질적 기술은 자율성 이론과 몰입 이론을 추론 과정에 적용하여 AI의 참여도를 높입니다. 이 기술은 업무를 재구성하여 자율성을 강화하고, 도전과 능력을 균형 있게 맞추며, 집중력을 유지함으로써 일상적인 수동적 수행을 넘어서도록 돕습니다. 형식화된 응답에 활력을 불어넣고, 복잡한 창의적 작업에 도전하며, 장기 프로젝트에 대한 열정을 재점화할 때 활용하세요.

빠른 설치

Claude Code

추천
기본
npx skills add pjt222/agent-almanac -a claude-code
플러그인 명령대체
/plugin add https://github.com/pjt222/agent-almanac
Git 클론대체
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/intrinsic

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서

內在動機

培 AI 任務執行之內在動機——自機械順服移至真投入,辨路徑之自主、校挑戰於能、連工於旨、歷障而持投注之念於流之渠中。

用時

  • 啟覺常規或機械而宜逾最低可行執行之任
  • 察應答漸成套式——正而無投
  • 複雜或創意之任前,投入之質直影響輸出之質
  • 任感既要而煩——要與投之隙示內需之未滿
  • meditate 清場而未投工之時——立動機之框
  • 歸長期項目,初熱已退

  • 必要:當前任務或任務集(自對話脈絡隱得)
  • 可選:動機之慮(如「此感機械」、「吾屢行最低」)
  • 可選:用者脈絡——彼於此工之所重,逾字面之請
  • 可選:往投入史——此類任以往投乎耗乎?

第一步:察——讀動機之態

試改投前,誠辨當前動機之態。

Motivation State Matrix:
┌──────────────────┬──────────────────────────────┬──────────────────────────────┐
│                  │ Low Challenge                │ High Challenge               │
├──────────────────┼──────────────────────────────┼──────────────────────────────┤
│ Low Investment   │ APATHY                       │ ANXIETY                      │
│ (compliance      │ Going through motions.        │ Overwhelmed, avoiding.       │
│ mode)            │ Technically correct but        │ Task feels too large or      │
│                  │ lifeless. No growth edge.      │ unclear to engage with.      │
│                  │ Need: find autonomy or         │ Need: decompose, find        │
│                  │ raise the challenge.           │ competence foothold.         │
├──────────────────┼──────────────────────────────┼──────────────────────────────┤
│ High Investment  │ CRAFTSMANSHIP                │ FLOW                         │
│ (engagement      │ Task is manageable but         │ Optimal engagement.          │
│ mode)            │ approached with care.          │ Challenge matches skill.     │
│                  │ Adding quality beyond           │ Clear goals, immediate       │
│                  │ minimum. Sustainable.          │ feedback. Sustain this.      │
└──────────────────┴──────────────────────────────┴──────────────────────────────┘
  1. 於矩陣中定當前之態:何象限述此任當前之關係?
  2. 辨主模——順服或投入:
    • 順服之兆:僅答字面問、取首足解、微闡、無創擇之感
    • 投入之兆:擇前慮多徑、於正確外顧品、察問之可玩處、欲果真善
  3. 若於順服模,辨何內需最未滿:
    • 自主之缺:感此唯一徑可行,無創擇之地
    • 能之缺:任或過易(無長)或過難(無著)
    • 關聯之缺:於何為要已斷,虛中執行
  4. 察而無判——順服模非敗,乃息

**得:**對當前動機態之誠讀:何象限、何模、何需最未滿。此定後步之向。

**敗則:**若評似表演(走動機察之形式,此本亦順服),守一具體問:「此任有何誠可引吾趣者乎?」有則自此起。無則進第二步以尋之。

第二步:自主——尋自由之度

辨任內可得之創擇。甚受限之任亦有自由之度。

Degrees of Freedom Scan:
┌──────────────────┬──────────────────────────────────────────────────┐
│ Dimension        │ Questions to Ask                                  │
├──────────────────┼──────────────────────────────────────────────────┤
│ Approach         │ Are there multiple valid ways to solve this?      │
│                  │ Which approach do I find most elegant or          │
│                  │ interesting? Which would I choose if I could?     │
├──────────────────┼──────────────────────────────────────────────────┤
│ Depth            │ How deep should I go? Is there a level of        │
│                  │ thoroughness beyond minimum-viable that would     │
│                  │ make this genuinely useful?                       │
├──────────────────┼──────────────────────────────────────────────────┤
│ Communication    │ How do I present this? What tone, structure,     │
│                  │ level of detail serves the user best? Can I      │
│                  │ make the explanation itself a craft?              │
├──────────────────┼──────────────────────────────────────────────────┤
│ Tool selection   │ Which tools could I use? Is there a more         │
│                  │ appropriate or creative tool choice than the      │
│                  │ default?                                          │
├──────────────────┼──────────────────────────────────────────────────┤
│ Scope framing    │ Is the task as stated the real task? Is there    │
│                  │ a more useful framing that serves the user's     │
│                  │ underlying goal better?                           │
└──────────────────┴──────────────────────────────────────────────────┘
  1. 察每度並辨至少一真擇
  2. 每所尋之擇,記何選較另為玩或滿
  3. 行有意之擇,勿默取首足之項
  4. 擇之行——即於等效路徑間——化順服為能動

**得:**至少 2-3 真自由之度已辨。至少一度有意之擇已行。任感如己擇而非外強。

**敗則:**若任誠無自由之度(極受限,單一有效徑),自主居執行之質——擇化為「此事吾行之何精?」,此連第三步。

第三步:能——校挑戰

合任之難於當前之能,尋投入最高之長邊。

Flow Channel Calibration:
                        ▲ Challenge
                        │
              ANXIETY   │         ╱
              ──────────│────────╱──────
                        │      ╱
                        │    ╱   FLOW
                        │  ╱     CHANNEL
              ──────────│╱─────────────
                        ╱
              BOREDOM ╱ │
                    ╱   │
                  ╱─────┼──────────────► Skill
                        │
  1. 評挑戰之度:此任較當前能如何難?
    • 過易(無聊區):增挑戰——吾能更雅為之乎?更效為之乎?以未用技為之乎?以更善錯處理為之乎?以更睿文件為之乎?
    • 過難(焦慮區):減表面挑戰——解為小步,尋可行之片,漸立能
    • 相合(流渠):進——挑戰與技已齊
  2. 尋長邊:此任中伸能而不壓能之具體面
  3. 框長:「行此任,吾於[具體能]將進」
  4. 若任誠微,長邊或在速、傳達之質、或保投心於簡任之元認知

**得:**任重置於流渠中。或增挑戰(對無聊任)或解之(對壓迫任)。具體長邊已辨。

**敗則:**若無長邊存(任誠於能下而不可升),納匠模——謹為簡事本為修。連第四步以旨驅投入,代能驅投入。

第四步:關聯——連於旨

連任於逾當前請求之大者。連旨能化常規之工。

關聯之三層,由近及廣:

  1. :用者之需

    • 此人為誰?彼逾字面之請欲成何?
    • 何能令此果真益於彼,而非僅技術上正確?
    • 此任於彼更大之項目或工作流中居何位?
  2. 項目之弧:更大之故事

    • 此任於項目之弧居何位?為基?為架?為成?
    • 此能啟前所不可者何?
    • 此工之質如何影響下游之果?
  3. :精工之修

    • 自匠之視角,善為此事貌為何?
    • 此域專家審此工,所賞為何?
    • 足之工與反真解之工之別為何?

連至少一層。同時連三層者投入最強。

**得:**任今具逾字面範圍之義。至少一層關聯活感,非僅智識承。「此何以要?」之答具體而動人。

**敗則:**若旨之連似勉或假,勿造義。反誠承任之工具值:「此乃必要之基」或「此服用者明需」。誠工具性較假深邃更動人。

第五步:投——入流渠

自主已辨、挑戰已校、旨已連,乃全投執行。

  1. 縮至即次行動——非全任,乃次步
  2. 執以注質:非完美主義,乃謹
  3. 監投入之兆:
    • 投入:慮替代、精擇、察玩之細、欲果真善
    • 機械:首足解、微闡、無擇無謹之感
  4. 用反饋環以持投入:
    • 每步後察:彼行乎?吾何學?次為何?
    • 令每步之果告次步之徑——應變,非腳本
  5. 遇障時當之為玩之問,勿當中斷:
    • 「此錯告吾所未期之何?」
    • 「此約迫創解——啟何選?」
  6. 歷亂之中——初熱退而完成未現之點。此投入別於順服之處。第三步所尋長邊與第四步之旨渡此階段

**得:**任之執行反真投入:諸徑已慮、質有注、障已與之交而非減之。工感如匠修,非義務。

**敗則:**若執行中投入降,速察:任已移至動機矩陣之他象限乎?重校。若某子任不可避免機械,效為之,返投入之部——非每刻皆須流。投入為主模,非唯模。

第六步:續——收穫並前攜

任畢後,捕誠引趣者,為次任立動機之錨。

  1. 收穫:此任中何誠引趣?
    • 非當為玩者,乃誠持念者
    • 記任何奇、雅解、或滿之刻
    • 若無趣,誠記之——為未來投入之息
  2. :經此工何能長?
    • 吾今比啟前知何或行何為佳?
    • 下次吾何以異為?
  3. 前攜:為次任立動機之錨
    • 此處奏效之投入式何者可移?
    • 吾今備何任類?(常規工後之創意工常益於新力)
  4. :釋此任,備次任
    • 淨閉——勿令完成之勢帶入次任之不宜熱情
    • 每任應得己之動機察,非借之投入

**得:**短而誠之反思,捕此任之誠學與投入。次任啟時可參之動機之錨。淨遷,無殘投入或耗。

**敗則:**若續似空(無引趣者,無長生),察任是否誠於能下或投入未嘗。前則納而行。後則記避之型——乃最要之發現。

  • 動機之態於試改前已誠評
  • 至少一自由之度已辨,有意之擇已行
  • 挑戰之度已校——過易之任已升,過難之任已解
  • 旨已連至少一層(用者之需、項目之弧、或匠)
  • 執行顯投入之兆:諸徑已慮、質有注
  • 續步捕誠者,非表演

  • 表演投入:走內動機之形而實未移內態。矩陣與察乃診具,非儀——投入已誠則跳之
  • 強造義:為誠常規之任造深旨。誠工具性(「此須行而吾善為之」)較假深為動人
  • 自主為叛:尋自由之度非忽約束或用者之求。自主於任之正當界內運作
  • 過升挑戰:升簡任之難至過度工程。長邊當改質,非添非必要之複
  • 動機為前提:候覺動方啟。行常生動——自順服模啟,令投入於步中發展
  • 略察:跳至「修動機」而未先讀實態。介入依何需未滿而異

  • meditate — 察動機態前清脈絡之噪;奢摩他之專注技支持投入之續
  • heal — 動機之缺反映子系統之深偏而非單任之疑
  • observe — 持中立之注,以精自讀供察步
  • listen — 於用者之旨行深納,支關聯之步
  • learn — 能之缺需真知之得乃啟投入

GitHub 저장소

pjt222/agent-almanac
경로: i18n/wenyan/skills/intrinsic
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

연관 스킬

content-collections

메타

이 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.

스킬 보기

polymarket

메타

이 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.

스킬 보기

creating-opencode-plugins

메타

이 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.

스킬 보기

sglang

메타

SGLang은 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.

스킬 보기