build-consensus
정보
이 스킬은 임계값 투표와 쿼럼 센싱 같은 메커니즘을 통해 중앙 권한 없이 분산 합의를 가능하게 합니다. 제안 생성, 지지 동역학, 교착 상태 해결, 그룹 결정의 품질 평가를 처리합니다. 리더 없는 시스템 설계, 이해관계자 관점 통합, 분산 데이터베이스나 다중 에이전트 AI와 같은 자동화된 합의 시스템 구축 시 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/build-consensusClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
建共識
無中權而於分代理達集同——以探倡、閾諾感、諾動,模於蜂群擇穴之決。
用時
- 群須無指領而集擇諸選
- 中權之決為瓶或單敗點
- 諸利者有異訊異見須整
- 昔決患群思(早聚)或析癱(不聚)
- 設須達共識之自系(分庫、多代理 AI)
- 輔
coordinate-swarm——協須明集決時
入
- 必要:待決之題(二擇、於 N 中擇、參設)
- 必要:參之諸代理(隊員、服、投者)
- 可選:已知諸選附初質評
- 可選:決之急(時預)
- 可選:可容錯率(群偶擇次佳可乎?)
- 可選:當前決之敗模(群思、僵、搖)
法
第一步:獨探生提案
確決空已充探,倡前不始。
- 派探者獨探諸選之空:
- 各探不知他探之見而評
- 獨評阻早聚於流中而平之選
- 探數:至少三探為各要選(為可靠)
- 探生結構化之評:
- 選之識
- 質分(歸 0-100 或類:劣/中/良/優)
- 所識之要強與危
- 信級(此選評幾徹?)
- 集探之報而不篩——所有過最質閾者進倡階
得: 獨評之諸案附質分與察。無選為單評者所除;多見之繁保之。
敗則: 若諸探未獨評而聚於一選,探非真獨。以明訊障重之。若過多選過倡階,升最質閾。若過少,降之或加探。
第二步:行倡動(擺舞)
令探倡其好選,倡之力按質成比。
- 各探倡其首選:
- 倡力按質分(佳選得更烈之倡)
- 倡為公——諸代理見諸倡信
- 倡者呈證與質評,非止好
- 未諾之代理觀倡而評:
- 循倡之選而獨察
- 己察證其質者,加入倡
- 察示質劣於所宣者,不加
- 交察之動:
- 弱選之倡自失從——代理獨驗之
- 強選之倡得從——因驗證其質
- 過程自正:誇倡於驗階敗
Advocacy Dynamics:
┌─────────────────────────────────────────────────────────┐
│ Scout A advocates Option 1 (quality 85) ──→ ◉◉◉◉◉ │
│ Scout B advocates Option 2 (quality 70) ──→ ◉◉◉ │
│ Scout C advocates Option 3 (quality 45) ──→ ◉ │
│ │
│ Uncommitted agents inspect: │
│ Agent D inspects Option 1 → confirms → joins ◉◉◉◉◉◉ │
│ Agent E inspects Option 2 → confirms → joins ◉◉◉◉ │
│ Agent F inspects Option 3 → disagrees → inspects Opt 1│
│ → confirms → joins ◉◉◉◉◉◉◉│
│ │
│ Over time: Option 1 advocacy grows, Option 3 fades │
└─────────────────────────────────────────────────────────┘
得: 諸代理獨驗質時,佳選之倡漸長。弱選之倡因驗敗而淡。群自聚於強選而無代理定擇。
敗則: 若倡不聚(二選相持),諸選或真等——以任一達諾,或用破平之律。若倡過速聚於中選,增評之獨(更多探、嚴訊障),加必交察之步。
第三步:立諾閾而諾
定觸集行之諾閾。
- 立諾閾:
- 簡決:50% + 1 之代理諾於一選
- 要決:66-75% 諾於一選
- 要/不可逆決:80%+ 諾於一選
- 大律:賭高 → 閾高 → 共識慢而更可靠
- 監諾之累:
- 蹤隨時諸選之諾者數
- 透明示諾級(諸代理見當態)
- 環中不容撤諾(防搖)
- 諾達時:
- 勝選為集決
- 敗選之倡者認決(無悖之代理)
- 即始施——共後之延耗諾
得: 明諾之刻,足代理已獨諾於一選。決為合法——因生於獨評,非權或迫。
敗則: 若時預內諾不達,升至第四步(僵解)。若諾達而代理不悅,倡階過短——代理諾而未充評。若共識誤(事後發),獨探不足——下環宜增探之繁與評之徹。
第四步:解僵
自然共識停時破決之阻。
- 診僵之類:
- 真等:二選等佳 → 擲幣;延之價過於擇「誤」之等選
- 訊缺:代理不能充評 → 投更多探後再行倡
- 派成:固黨拒交察 → 入必交之輪,倡者察反選
- 選繁:諸選分諾 → 除下半,重行倡
- 施合解:
- 真等:隨擇或若可合則合
- 訊缺:時限之探延
- 派成:強交察之輪
- 選繁:排名淘汰之賽
- 解後,重諾之鐘而重行第三步
得: 以合介解僵。解可見,群受為公過程,雖諸代理好別果。
敗則: 若同決反僵,決框或誤。退而問:決可分為小獨決乎?範可減乎?有「皆試而觀」之選乎?或最佳共識為「吾等行時限之試」。
第五步:評共識之質
察過程生佳決,抑只生決。
- 決後評:
- 勝選為至少 N 代理獨驗乎?
- 決速合乎(不速為群思,不慢為癱)?
- 過程浮單決者所失之訊乎?
- 代理諾於施,抑止從?
- 蹤共識康之度:
- 達諾之時:續減示學;續增示繁或失調
- 探諾之比:每諾須探幾?高比=難決或低信
- 決後悔率:群悔擇何頻?
- 所學反饋於程:
- 諾閾按決之要與昔準調之
- 探數按選之繁調之
- 時預按歷之達諾時調之
得: 反饋之環以時善共識。群學更善探、更實倡、更信諾。
敗則: 若共識質度劣(高悔、慢決),審程結構之敗:探繁不足、倡無驗、閾於決類太低。重建特敗之階,非翻全程。
驗
- 提案以獨探生(無流群)
- 倡力按評質成比
- 未諾之代理獨驗所倡之選
- 諾閾合決之要
- 諾達而決速施
- 僵解機備(雖未用)
- 決後質評已行
陷
- 略獨探:直跳倡生群思。共識之質全依獨評之質
- 不等選均倡:諸選得同倡不論質,過程降為隨擇。倡必按評質成比
- 撤諾:容代理撤諾生搖。環中諾者留諾至環解
- 混共識與全同:共識須足同,非全同。候 100% 生永僵
- 忽敗方:倡敗選之代理有群所須之訊。其憂宜告施,雖不阻決
參
coordinate-swarm— 支信號共識機之基協架defend-colony— 集防決常於危下須速共識scale-colony— 群大變時共識機宜調dissolve-form— 解前之共識要——morphic 之控解技plan-sprint— sprint 規含諾範之隊共識conduct-retrospective— 回顧為程善之共識形build-coherence— AI 自用之變;映蜂民主於單代理多徑推理,含信閾與僵解
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.
