defend-colony
정보
이 스킬은 생물학적 면역 반응에서 영감을 받아, 분산 시스템에서 계층적이고 집단적인 방어를 구현하기 위한 프레임워크를 제공합니다. 위협 탐지, 경고 전파, 그리고 과잉 대응이나 미흡한 대응을 피하기 위한 비례적이고 확장 가능한 사고 대응을 가능하게 합니다. 단일 구성 요소로 모든 위협을 처리할 수 없는 시스템을 위한 다중 방어 체계를 설계할 때 사용하세요.
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/defend-colonyClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
禦巢
以警訊、角調、比例應,施層之集體禦於散系、團、組——汲社昆禦與生免疫之式。
用時
- 為散系設深禦,無一護可覆諸脅
- 建依脅之嚴而尺之事應流
- 守個構件不能獨禦之系
- 現禦過應(每警全調)或應不足(脅害乃察)
- 建組韌性,團於事時自組
- 補
coordinate-swarm以脅應專協式
入
- 必要:所禦巢(系、組、團)之述
- 必要:既知脅類(攻、敗、競、環險)
- 可選:當禦與其敗模
- 可選:可用禦者類與其能
- 可選:每脅級可容應遲
- 可選:事後復需
法
第一步:映脅景與禦界
識所禦者、禦之何、界何在。
- 定巢之要資:
- 何皆需護?(核數、產系、要人)
- 何可臨時損?(臺境、非要服)
- 何可於極脅棄?(緩、副、非要能)
- 按類與嚴別脅:
- 探:低級偵或試(端掃、重複敗登)
- 侵:活界犯(未授訪、注試)
- 已居:已於界內之持脅(陷節、內鬼)
- 存:危巢存之脅(數腐、災敗、DDoS)
- 映禦界:
- 外界:首察機(防火、率限、監)
- 內界:要資之界(訪控、加密、隔)
- 核:末禦(備、斷、斷路)
得: 清圖示資(優先)、脅(按嚴別)、禦界(層)。此圖導後禦設。
敗則: 若脅景壓,始以前三要資與前三脅。全覆不如覆要。若界不清,默「不信一切、皆驗」(零信態)而依實流式定界。
第二步:設警訊網
建察脅而播警之通系。
- 於每禦層置哨:
- 外哨:輕、高感(或生偽陽)
- 內哨:重、高特(少偽陽、較慢)
- 核哨:要資監(零容漏)
- 定警訊以漸強:
- 黃:察異常,增監,無調
- 橙:確脅式,本禦調,偵察之
- 紅:活破或嚴脅,全禦調,非要事停
- 黑:存脅,諸資至禦,需則棄可棄資
- 施警播:
- 本:哨直警近禦
- 區:哨簇聚訊,過閾則升
- 巢域:區升觸廣警
- 每播加確——單哨不能觸巢域警
- 防警疲:
- 自抑重警(時窗內去重)
- 需獨哨確而升
- 追警對脅比——若偽陽過 50%,重校哨
Alarm Propagation:
┌──────────────────────────────────────────────────────────┐
│ Sentinel detects anomaly ──→ Yellow alert (local) │
│ │ │
│ ↓ (confirmed by 2nd sentinel) │
│ Orange alert ──→ Local defenders mobilize │
│ │ │
│ ↓ (pattern matches known threat + 3rd sentinel) │
│ Red alert ──→ Full defense mobilization │
│ │ │
│ ↓ (critical asset under active attack) │
│ Black alert ──→ All resources to defense, circuit break │
└──────────────────────────────────────────────────────────┘
得: 漸警系,脅嚴定應強。多獨哨確防單點偽警。以去重與校管警疲。
敗則: 若警系生偽陽過,升哨閾或需多確而升。若脅漏,於穿層加哨或降察閾。若警播過慢,減確——而受偽陽率增為換。
第三步:調角禦
派禦角與與脅級成比之調法。
- 定禦角:
- 哨:察專(常活,低資費)
- 衛:首應(閒至調,速應)
- 兵:重禦(調費,高能)
- 醫:損修復(參
repair-damage) - 使:跨巢區調禦
- 映角至警級:
- 黃:哨增頻,衛待
- 橙:衛調至脅位,兵待
- 紅:兵調,非要工轉禦
- 黑:諸角至禦,巢事懸
- 施比例應:
- 勿為探調兵(費且洩能)
- 勿獨哨禦侵(應不足)
- 應合脅級——當前級敗乃升,脅退乃降
- 角轉法:
- 工可成衛(急臨時升)
- 衛可成兵(持脅需重應)
- 脅過後反轉復常
得: 尺於脅嚴之禦力。常事用最小禦資。脅時巢可速調比例禦,無過應或應不足。
敗則: 若調過慢,預置衛近已知脅向。若調過費,減永衛而賴工至衛轉。若調時角混,簡為三角(察、應、復)非五角。
第四步:施免疫記憶與適應
由每脅學以改後禦。
- 每事後建脅簽:
- 攻式(脅察之法)
- 攻向(由何入)
- 有效應(何止之)
- 敗應(何不行)
- 存簽於巢免疫記憶:
- 哨之速查式庫
- 更禦者劇本含已知有效應
- 標偽陽式以減後警疲
- 施適免疫:
- 新脅簽播至諸哨(巢域學)
- 察脅之哨先更(本地學)
- 周期察剔陳簽(不再適之脅)
- 壓試免疫記憶:
- 周期再模擬昔脅驗禦猶行
- 紅隊練引新脅試適應
- 量已知與未知脅之察時
得: 每遭強之禦系。已知脅察速而應效。新脅由漸警系處,其解入免疫記憶。
敗則: 若記憶過大而緩察,按頻嚴排簽,存罕微。若禦過專於已知而失新,守「通巡」不賴式配——純異常察為基。
第五步:協事後復
由禦轉常含損修與韌增。
- 脅除驗:
- 確脅中和(非唯壓)
- 掃主事時可入之次脅
- 驗無陷行者留活
- 損察:
- 記損、劣、失
- 按要排修(核資先)
- 估復時與所需資
- 復執:
- 布醫於損域(詳參
repair-damage) - 按優復服
- 復時守增哨活(脆弱期)
- 布醫於損域(詳參
- 降級法:
- 漸降警級(紅→橙→黃→常)
- 返轉工至主角
- 兵下而衛返巡
- 24 小時內作事後察,憶尚新
得: 禦至復至常之順轉。復時增監捕次脅。事後察饋免疫記憶。
敗則: 若復過慢,為最可能損景預建復劇。若復時現次脅,降過急——守高級久。若事後察略(時壓常然),排為不可議曆事。
驗
- 要資已識排優先
- 脅按類與嚴別
- 禦界有多層各有哨
- 警訊有漸級含多哨確
- 禦者角定含調映警級
- 比例應防過與不足應
- 免疫記憶捕而施每事之教
- 事後復法安復常
陷
- 馬奇諾禦:過投一禦層而他不護。禦須層——單層可破
- 警疲:警多實脅少則禦注降。嚴校哨;漏偽陽廉於漏實脅
- 對稱應:每脅同強應費資且顯全能。應合脅——需乃升
- 無免疫記憶:反復禦同脅而不學費而脆。每事須更巢禦知
- 常戰態:持高警耗禦而降常巢能。脅過則慎降
參
coordinate-swarm— 支警訊與調之基協式build-consensus— 時壓下之速集體禦決共識scale-colony— 禦系須尺於巢長repair-damage— 禦事後再生復之變形技configure-alerting-rules— 施警訊式之實警配conduct-post-mortem— 為饋免疫記憶之結構事後析
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.
