argumentation
정보
이 스킬은 개발자들이 가설-논증-사례 프레임워크를 사용하여 구조화된 논증을 구성하도록 돕습니다. 기술 제안서 작성, ADR에서 설계 결정을 정당화하며, 실질적인 PR 리뷰나 코드 피드백을 제공하는 데 활용하도록 설계되었습니다. 주요 기능으로는 검증 가능한 가설 수립, 논리적 논증 구성, 반대 주장에 대한 강력한 대응 방안 마련 등이 포함됩니다.
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/argumentationClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
構辯
由設經辯至實證建嚴辯。技稱皆循三:明設述何信、辯釋何以、例證之確。
用
- 書或察提技變之 PR 述→用
- 證 ADR 設決→用
- 構非「不喜」之碼察饋→用
- 書研辯或技提→用
- 技論挑或衛某法→用
入
- 必:須證之稱或位
- 必:脈(碼察、設決、研、文)
- 可:受(同伴、察者、利相關、研)
- 可:對辯或他位以對
- 可:可達證或數
行
一:擬設
述稱為明、可駁設。設非見或好——乃可對證測之具體斷。
- 一句書稱
- 施可駁測:有人可以證駁此乎?
- 窄範:限於某脈、庫、域
- 由可測準與見分
可駁與不可駁:
| Unfalsifiable (opinion) | Falsifiable (hypothesis) |
|---|---|
| "This code is bad" | "This function has O(n^2) complexity where O(n) is achievable" |
| "We should use TypeScript" | "TypeScript's type system will catch the class of null-reference bugs that caused 4 of our last 6 production incidents" |
| "The API design is cleaner" | "Replacing the 5 endpoint variants with a single parameterized endpoint reduces the public API surface by 60%" |
| "This research approach is better" | "Method A achieves higher precision than Method B on dataset X at the 95% confidence level" |
得:一句設具體、定範、可駁。讀者可即想何證可確或駁。
敗:設似糊→施「吾何駁此」測。不能想反證→稱為見非設。窄範或加可量準至可測。
二:識辯類
擇最支設之邏構。異稱呼異推法。
- 察四辯類:
| Type | Structure | Best for |
|---|---|---|
| Deductive | If A then B; A is true; therefore B | Formal proofs, type safety claims |
| Inductive | Observed pattern across N cases; therefore likely in general | Performance data, test results |
| Analogical | X is similar to Y in relevant ways; Y has property P; therefore X likely has P | Design decisions, technology choices |
| Evidential | Evidence E is more likely under hypothesis H1 than H2; therefore H1 is supported | Research findings, A/B test results |
-
配設於最強辯類:
- 稱必真→演繹
- 稱按觀傾真→歸納
- 稱按相似前例或行→類比
- 稱一釋較合數於它→證據
-
考合類為強辯(如類比輔以歸納證)
得:擇辯類(或合)附明由何配設。
敗:無單類合→設或須分子稱。析為部,各有自然辯構。
三:構辯
築接設於證之邏鏈。
- 述前提(始事或設)
- 示邏接(前提如何引結)
- 鋼化最強對辯:先述最佳對例而後駁
- 直以證或推對對辯
例——碼察(演+納):
設:「取驗邏為共模將減三 API 處之蟲重」
前提:
- 三處(
createUser、updateUser、deleteUser)各施同入驗微異(觀於src/handlers/)- 末 6 月 5 驗蟲中 3 修一處而未傳他(見 #42、#57、#61)
- 共模行邏一源(演:一施則一處可修)
邏鏈:因三處重同驗(提一),一修而他漏(提二,自 3/5 例納)。共模意一修達諸呼者(共模語演)。故取將減蟲重。
對辯(鋼化):「共模引耦——驗變影一處可破他」
駁:諸處已共同驗意;耦隱難維。經共模附參選(如
validate(input, { requireEmail: true }))使耦明可測。今隱重更險,蓋藏依。
例——研(證據):
設:「域語料前訓較增通語料更增生醫 NER 下游性能」
前提:
- PubMed 前訓 BioBERT(4.5B 詞)勝通英前訓 BERT-Large(16B 詞)於 6/6 生醫 NER 基(Lee 等,2020)
- Semantic Scholar 前訓 SciBERT(3.1B 詞)勝 BERT-Base 於 SciERC、JNLPBA 雖前訓料小
- 通域擴(BERT-Base 至 BERT-Large、3x 參)於生醫 NER 益小於域適(BERT-Base 至 BioBERT、同參)
邏鏈:證一致示生醫 NER 域料擇勝料規(證據:此果於域特較規重時更可)。三獨比同向,強納。
對辯(鋼化):「此或不普於生醫 NER 外——生醫獨技詞膨域適優」
駁:有效限。設專為生醫 NER。然似域適益見於法 NLP(Legal-BERT)與金 NLP(FinBERT),示紋或普於他特域,雖此分稱需自證。
得:完辯鏈附前提、邏接、鋼對辯、駁。讀者可步循。
敗:辯似弱→察前提。弱辯多由不證前提非邏誤。為各前提尋證或認為設。對辯強於駁→設或須改。
四:供具例
以獨可驗證輔辯。例非繪——乃使辯可測之經基。
- 至少一正例確設
- 至少一邊例測限
- 各例獨可驗:他人可重或察不賴釋
- 碼稱:引具檔、行、提
- 研稱:引具論、集、實果
例擇準:
| Criterion | Good example | Bad example |
|---|---|---|
| Independently verifiable | "Issue #42 shows the bug was fixed in handler A but not B" | "We've seen this kind of bug before" |
| Specific | "createUser at line 47 re-implements the same regex as updateUser at line 23" | "There's duplication in the codebase" |
| Representative | "3 of 5 validation bugs in the last 6 months followed this pattern" | "I once saw a bug like this" |
| Includes edge cases | "This pattern holds for string inputs but not for file upload validation, which has handler-specific constraints" | (no limitations mentioned) |
得:讀者可獨驗之具例。至少正一邊一。各引具產(檔、行、議、論、集)。
敗:例難尋→設或太廣或非觀現實接地。窄範至可指。例缺乃信號非以糊引補之缺。
五:合全辯
合設、辯、例為脈適式。
-
碼察——構註:
[S] <one-line summary of the suggestion> **Hypothesis**: <what you believe should change and why> **Argument**: <the logical case, with premises> **Evidence**: <specific files, lines, issues, or metrics> **Suggestion**: <concrete code change or approach> -
PR 述——構體:
## Why <Hypothesis: what problem this solves and the specific improvement claim> ## Approach <Argument: why this approach was chosen over alternatives> ## Evidence <Examples: benchmarks, bug references, before/after comparisons> -
ADR——用標 ADR 式三映於脈(設)、決(辯)、果(例/預證)
-
研書——映標構:引述設、法/果供辯與例、論對對辯
-
察合辯:
- 邏缺(結真自前提引乎)
- 缺證(有不證前提乎)
- 未對對辯(強對已答乎)
- 範蔓(辯留設限內乎)
得:完、格之辯適於脈。讀者可評設、循推、察證、考對辯——皆於一連構。
敗:合辯似散→設或太廣。析為焦子辯,各自有設辯例三。兩緊辯勝一蔓辯。
驗
- 設可駁(有人可以證駁)
- 設定範於某脈非通稱
- 辯類識且合稱
- 前提明述非設共知
- 邏鏈無缺接前提於結
- 強對辯鋼化且對之
- 至少一正例支設
- 至少一邊例或限認
- 諸例獨可驗(附引)
- 出式配脈(碼察、PR、ADR、研)
- 無邏謬(訴威、假二分、稻人)
忌
- 以見為設:「此碼亂」乃好非設。重書為可測稱:「此模有 4 責當分按單責律,證為其 6 公法跨 3 無關域」
- 略對辯:未對之異弱辯雖讀者未述。恆鋼化——以最佳形述強對例而後駁
- 糊例:「吾常見此紋」非證。指具議、提、行、論、集。具例難尋→設或非接地
- 訴威:「資工程師言之」或「Google 如此」非邏辯。威可激究但辯須自證自推立
- 結範蔓:結廣於證所支。例覆 3 API 處→勿結全庫。配結範於證範
- 混辯類:演繹稱用納語(「傾」)或反之。精述結強——演供確、納供概
參
review-pull-request—— 施構辯於構碼察饋review-research—— 構基證辯於研脈review-software-architecture—— 證構決以設辯例三create-skill—— 技本身為構辯如何成事write-claude-md—— 文益於明證之例與決
合:構辯 + 對辯魔
高險決,合此技與 advocatus-diaboli 為決前察環。紋:
- 構 經構辯——築設辯例三
- 壓測 經 advocatus-diaboli——鋼化提,後以具問挑各設。標嚴:關(重設或棄)、中(調)、低(註而進)
- 改 按發——關發重設;中發調;低發註
何時合對獨用:
- 構提、PR 述、設證唯用構辯
- 察他既辯唯用 advocatus-diaboli
- 既為提者且需對抗自察前提時合用兩
例——PR 應精: 構辯構應(設:合 PR 善、附證辯、合作邀)。advocatus-diaboli 後捕兩關症:代過程識稱為揣非實(安 PR 致愧)、「吾實踐已測之」不可驗。皆去。末應短 40-50%——過釋示不安。
例——系設分流: 構辯(經 Plan 代)設全 500 行分流管。advocatus-diaboli 殺之:9 項時系太早自為維負(遞陷)。末解:25 行加既腳。
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.
