MCP HubMCP Hub
스킬 목록으로 돌아가기

apply-gematria

pjt222
업데이트됨 Yesterday
17
2
17
GitHub에서 보기
기타general

정보

이 스킬은 표준, 서수, 축소 방법을 사용하여 히브리어 게마트리아(단어의 수치적 가치)를 계산하고 분석합니다. 단어를 숫자로 변환하고, 공유된 값을 위한 이소세피 비교를 가능하게 하며, 생명나무와 같은 해석 체계에 결과를 연결합니다. 성경 구절이나 신성한 이름 연구, 히브리어 텍스트의 수적 상응 관계 탐색에 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/apply-gematria

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서

ゲマトリアの適用

ゲマトリア — ヘブライ文字と単語に数値を割り当てるシステム — を計算・分析する。標準(ミスパル・ヘフラヒ)、序数(ミスパル・シドゥリ)、還元(ミスパル・カタン)方式、同値の単語間のイソプセフィー比較、瞑想のための解釈的フレームワークをカバーする。

使用タイミング

  • ヘブライ語の単語やフレーズの数値を計算したい時
  • 2つの単語がゲマトリア値を共有するか判定するために比較する時(イソプセフィー)
  • 特定の分析にどのゲマトリア方式が適切か理解する必要がある時
  • 聖書の節や神名を研究して数値的対応を明らかにしたい時
  • 単語の意味とその数値の関係を探索する時
  • 数値結果を生命の木上の位置に接続したい時

入力

  • 必須: 分析するヘブライ語の単語、フレーズ、または神名(ヘブライ文字またはローマ字転写)
  • 任意: 比較用の2番目の単語/フレーズ(イソプセフィー)
  • 任意: 好みのゲマトリア方式(標準、序数、還元、または3つすべて)
  • 任意: 分析を導く文脈や質問(例: 「なぜこの2つの単語は値を共有するのか?」)

手順

ステップ1: ヘブライ語ソースの転写と特定

単語やフレーズの正確なヘブライ語綴りを確定する。

HEBREW LETTER VALUES — Standard Gematria (Mispar Hechrachi):

Units:
  Aleph (A)  = 1     Bet (B)    = 2     Gimel (G)  = 3
  Dalet (D)  = 4     Heh (H)    = 5     Vav (V)    = 6
  Zayin (Z)  = 7     Chet (Ch)  = 8     Tet (T)    = 9

Tens:
  Yod (Y)    = 10    Kaf (K)    = 20    Lamed (L)  = 30
  Mem (M)    = 40    Nun (N)    = 50    Samekh (S) = 60
  Ayin (Ay)  = 70    Peh (P)    = 80    Tzadi (Tz) = 90

Hundreds:
  Qoph (Q)   = 100   Resh (R)   = 200   Shin (Sh)  = 300
  Tav (Th)   = 400

Final Forms (Sofit — used when letter appears at end of word):
  Kaf-final  = 500   Mem-final  = 600   Nun-final  = 700
  Peh-final  = 800   Tzadi-final = 900

Note: Whether final forms carry different values depends on the
gematria system. Standard (Mispar Hechrachi) typically uses the
same values for regular and final forms. The 500-900 values above
follow the extended system (Mispar Gadol).
  1. 入力が英語ローマ字転写の場合、ヘブライ文字列に変換する
  2. 綴りを確認する: ヘブライ語では一部の単語に複数の綴り方がある(完全綴りと欠損綴り)
  3. 単語に語末形文字(カフ・ソフィート、メム・ソフィート、ヌン・ソフィート、ペー・ソフィート、ツァディ・ソフィート)が含まれているか記録する
  4. 出典を明記する: これは聖書の単語、神名、現代ヘブライ語の単語、カバラの専門用語のいずれか?
  5. 曖昧な場合、一般的な両方の綴りを提示し、それぞれのゲマトリアを計算する

期待結果: ヘブライ文字列が確信を持って確定される。ユーザーはどの文字が合計されているか正確に把握でき、綴りを確認できる。

失敗時: ローマ字転写が曖昧な場合(例: 「chai」は文脈によりヘット-ヨッドまたはヘット-ヨッド-ヨッドの可能性がある)、両方の選択肢をゲマトリア値とともに提示し、ユーザーに選択させる。

ステップ2: 標準ゲマトリア(ミスパル・ヘフラヒ)を適用する

標準ヘブライ数値表を使用して文字値を合計する。

  1. 各文字とその標準値を書き出す
  2. 左から右に値を合計する(ヘブライ語は右から左に読むが、加算は可換である)
  3. 合計を明確に示す
  4. 合計が重要な数と一致するか記録する:
    • セフィラ番号(1-10)
    • パス番号(11-32)
    • よく知られたゲマトリア値(26 = YHVH、18 = chai、72 = シェム・ハ・メフォラシュ、137 = カバラ)
  5. 合計が400を超える場合、複数の百の合計が必要であることを記録する

期待結果: 計算がステップバイステップで示された明確な数値結果。ユーザーは各文字の値を表と照合して確認できる。

失敗時: ユーザーがヘブライ語の綴りが不確かな単語を提供した場合、すべてのもっともらしい綴りの値を計算し、範囲を記録する。「正しい」綴りはソーステキストに依存する。

ステップ3: 序数および還元方式を適用する(任意)

異なるパターンを明らかにする代替ゲマトリア値を計算する。

ORDINAL GEMATRIA (Mispar Siduri):
Each letter receives its ordinal position (1-22):
  Aleph=1, Bet=2, Gimel=3, Dalet=4, Heh=5, Vav=6,
  Zayin=7, Chet=8, Tet=9, Yod=10, Kaf=11, Lamed=12,
  Mem=13, Nun=14, Samekh=15, Ayin=16, Peh=17, Tzadi=18,
  Qoph=19, Resh=20, Shin=21, Tav=22

REDUCED GEMATRIA (Mispar Katan):
Reduce each letter's standard value to a single digit:
  Aleph=1, Bet=2, ... Tet=9, Yod=1, Kaf=2, ... Tzadi=9,
  Qoph=1, Resh=2, Shin=3, Tav=4

  Then sum the digits. If the sum exceeds 9, reduce again.
  Example: Shin(3) + Lamed(3) + Vav(6) + Mem(4) = 16 → 1+6 = 7

ATBASH:
A substitution cipher: first letter ↔ last letter.
  Aleph ↔ Tav, Bet ↔ Shin, Gimel ↔ Resh, etc.
  Used in biblical and Kabbalistic cryptography (Jeremiah's
  "Sheshach" = Babel via Atbash).
  1. 序数ゲマトリアを計算する: アルファベットでの各文字の位置(1-22)を合計する
  2. 還元ゲマトリアを計算する: 各標準値を1桁に還元し、合計してさらに還元する
  3. 3つの値すべてを比較のために並べて提示する
  4. この特定の単語に対してどの方式が最も興味深い接続を明らかにするか記録する

期待結果: 3つの数値(標準、序数、還元)が並べて提示される。還元値はしばしば1桁のセフィラ番号にリンクし、生命の木へのマッピングに有用である。

失敗時: ユーザーが1つの方式のみを求めている場合、その方式を提供し、他の方式が将来の探索のために存在することに言及する。1つの方式が要求された場合、計算で圧倒しない。

ステップ4: イソプセフィー接続を検索する

同じ数値を共有する他のヘブライ語の単語やフレーズを特定する。

  1. ステップ2の標準ゲマトリア値を取る
  2. 同じ値を持つよく知られた単語、神名、フレーズを検索する
  3. 以下を優先して2-5の接続を提示する:
    • 聖書の単語とフレーズ
    • 神名とセフィロト的称号
    • 古典的な出典に文書化された伝統的カバラ的接続
    • 驚くべきまたは啓発的な接続
  4. 各接続について、出典の伝統を記録する(ゾーハル、タルムード、後期カバラ注釈、ヘルメス伝統)
  5. 重要な接続が見つからない場合は記録する — すべての数が豊かなイソプセフィーを持つわけではない

期待結果: 同じゲマトリア値を共有する単語のセット、接続がなぜ意味深い可能性があるかについての簡単な注釈付き。ユーザーは瞑想のための素材を持つ。

失敗時: 計算された値にはよく知られた接続が存在しない場合、これを認める。近くの重要な数との関係を計算することを提案する(例: 「あなたの値は378で、shalom [376]より2大きい — それは何を示唆するか?」)。

ステップ5: 接続と対応を解釈する

計算から瞑想へ移行する — 数値的関係は何を示唆するか?

  1. 明確に述べる: ゲマトリアは瞑想のための対応を明らかにするものであり、証明や予言ではない
  2. 見つかった各イソプセフィー接続について、瞑想的な質問を提起する:
    • 「単語Aと単語Bは値Nを共有する。それらの意味はどのように互いを照らし合うか?」
    • 「還元値はセフィラXを指す。この単語の意味はそのセフィラの性質にどう関係するか?」
  3. 生命の木との接続を記録する:
    • 標準値1-10 → 直接的なセフィラ的対応
    • 還元値1-9 → セフィラ的共鳴
    • 値 = パス番号(11-32) → そのパスのヘブライ文字との共鳴
  4. ユーザーが導く質問を提供した場合(入力から)、ゲマトリア結果を使用して直接対処する
  5. 数値分析を単語の意味に接続する1つの統合的な声明で締めくくる

期待結果: 数値分析が意味あるものになった — 単なる算術ではなく、カバラの象徴ネットワークにおける単語の位置を理解するためのレンズ。

失敗時: 解釈が強制的または投機的に感じられる場合、率直にそう述べる。一部のゲマトリア計算は他よりも実りがある。薄い接続に重要性を捏造するよりも、正直な認識の方が良い。

バリデーション

  • ヘブライ語の綴りが確信を持って確定された(または複数の綴りが提示された)
  • 標準ゲマトリアが各文字の値を示して計算された
  • 少なくとも1つの追加方式(序数または還元)が適用された
  • イソプセフィー接続が検索され、結果が出典注記付きで提示された
  • 解釈が実証的ではなく瞑想的なものとして枠組みされた
  • 計算が検証可能である — ユーザーは各文字を値表と照合して確認できる

よくある落とし穴

  • 綴りの曖昧さ: ヘブライ語の単語は母音文字(マトレス・レクティオーニス)の有無で綴ることができる。ゲマトリアは大幅に変わる — 常に綴りを確認する
  • 語末形の混同: メム・ソフィート = 40か600かは使用するゲマトリアシステムに依存する。システムを明示的に述べる
  • 期待するものを見つける: 十分な方式を使えばゲマトリアは最終的にどの2つの単語も接続する。既存の信念を確認する接続を優遇するのは確証バイアスであり、分析ではない
  • 伝統を無視する: 古典的なカバラのゲマトリア接続(例: YHVH = 26、echad [一] = 13、ahavah [愛] = 13、つまり愛 + 統一 = 神)は権威ある出典に文書化されている。新しい接続は伝統的なものと区別すべきである
  • ゲマトリアを証明として扱う: 単語間の数値的等価は瞑想するための対応を示唆するのであり、同一性や因果関係ではない
  • 文脈を忘れる: 同じ単語でも聖書の節、典礼テキスト、カバラ的瞑想ではゲマトリアの重要性が異なる可能性がある。文脈が解釈を形作る

関連スキル

  • read-tree-of-life — ゲマトリア値をセフィロトとパスにマッピングして構造的文脈を得る
  • study-hebrew-letters — 個々の文字の象徴を理解することでゲマトリア解釈が深まる
  • observe — パターンへの持続的で中立的な注意; ゲマトリアは数値的パターン認識の一形態

GitHub 저장소

pjt222/agent-almanac
경로: i18n/ja/skills/apply-gematria
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

연관 스킬

llamaguard

기타

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.

스킬 보기

cost-optimization

기타

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.

스킬 보기

quantizing-models-bitsandbytes

기타

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.

스킬 보기

dispatching-parallel-agents

기타

이 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.

스킬 보기