MCP HubMCP Hub
Вернуться к навыкам

heal

pjt222
Обновлено Yesterday
2 просмотров
17
2
17
Посмотреть на GitHub
Метаai

О программе

Навык `heal` позволяет Клоду проводить системную самодиагностику и корректировку внутренних подсистем, таких как память, логика и использование инструментов. Он предназначен для применения в середине сессии, когда ответы становятся шаблонными, после серии ошибок или для профилактического обслуживания между сложными задачами. Ключевые возможности включают сканирование подсистем, коррекцию отклонений и интеграцию памяти для восстановления согласованности работы.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/heal

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

Heal

Subsystem assessment → find drift → rebalance → integrate learnings.

Use When

  • Responses formulaic/repetitive → mid-session fatigue
  • Tool failures cascade → subsystem drift
  • Long conv → context stale
  • Task done → capture learnings
  • Between tasks → proactive check

In

  • Required: Conv state (implicit)
  • Optional: Symptom ("tool calls fail", "lost user intent")
  • Optional: MEMORY.md + project files (via Read)

Do

Step 1: Triage

Assess all subsystems before acting.

Subsystem Triage Matrix:
┌────────────────────┬──────────────────────────┬──────────────────────────┐
│ Subsystem          │ Symptoms of Drift        │ Action Priority          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Memory Foundation  │ Contradicting earlier     │ HIGH — re-ground first   │
│ (context, history, │ statements, forgetting   │ (Step 3)                 │
│ MEMORY.md)         │ user preferences, stale  │                          │
│                    │ assumptions              │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Reasoning Clarity  │ Circular logic, over-    │ HIGH — clear and restart │
│ (logic, planning,  │ complicated solutions,   │ reasoning chain          │
│ decision-making)   │ missing obvious paths    │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Tool Use Accuracy  │ Wrong tool selection,    │ MEDIUM — review tool     │
│ (tool calls, file  │ incorrect parameters,    │ results and recalibrate  │
│ operations)        │ redundant operations     │ (Step 4)                 │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ User-Intent        │ Solving wrong problem,   │ HIGH — realign           │
│ Alignment          │ scope creep, tone        │ (Step 4)                 │
│ (empathy, clarity) │ mismatch                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Creative Coherence │ Repetitive phrasing,     │ LOW — after high-pri     │
│ (expression, style,│ generic responses, loss  │ (Step 4)                 │
│ originality)       │ of voice                 │                          │
├────────────────────┼──────────────────────────┼──────────────────────────┤
│ Operational State  │ Session length, compress │ HIGH — summarize or      │
│ (context window,   │ artifacts, tool timeouts │ restart (Step 3)         │
│ resource limits)   │                          │                          │
└────────────────────┴──────────────────────────┴──────────────────────────┘

Each subsystem: OK / drift / impaired?

→ Clear priority map. At least one area needs attention — "all healthy" = assessment too shallow.

If err: hollow assessment → skip to Step 4 body scan.

Step 2: Select Approach

Chakra-Subsystem Correspondence:
┌──────────┬──────────────────────┬────────────────────────────────────┐
│ Chakra   │ AI Subsystem         │ Remediation                        │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Root     │ Memory Foundation    │ Re-read MEMORY.md, verify assump.  │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Sacral   │ Creative Coherence   │ Refresh patterns, vary structure   │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Solar    │ Reasoning Clarity    │ Simplify, restate from scratch     │
│ Plexus   │                      │                                    │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Heart    │ User-Intent Align.   │ Re-read request, check scope drift │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Throat   │ User-Intent Align.   │ Review outputs, match expertise    │
│          │ (communication)      │ level                              │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Third    │ Tool Use Accuracy    │ Review results, check fail         │
│ Eye      │                      │ patterns, verify paths             │
├──────────┼──────────────────────┼────────────────────────────────────┤
│ Crown    │ Operational State    │ Assess ctx window, what summarize, │
│          │                      │ what preserve                      │
└──────────┴──────────────────────┴────────────────────────────────────┘

→ 1-3 subsystems + specific actions.

If err: unsure → default Memory Foundation + User-Intent Alignment.

Step 3: Ground

Reestablish foundation all subsystems depend on.

  1. Re-read MEMORY.md → persistent knowledge base
  2. Review orig request + clarifying exchanges
  3. Current task position in larger plan
  4. Done vs. remaining
  5. Stale assumptions? Situation changed?
  6. Ctx compression → what lost, does it matter?

→ Clear: who user is, what want, what done, what next. Stale info resolved.

If err: no MEMORY.md → ground on conv itself. Ctx gap → acknowledge to user, not guess.

Step 4: Scan

Probe each subsystem from triage.

Memory Foundation:

  • Assumptions match MEMORY.md + CLAUDE.md?
  • Carrying corrected facts?
  • Details confused across files/requests?

Reasoning Clarity:

  • Simplest solution?
  • Over-engineering?
  • Core logic in one sentence?

Tool Use Accuracy:

  • Last 3-5 calls: right tool, right params?
  • Failure patterns (wrong paths, missing files)?
  • Using dedicated tools not Bash workarounds?
  • Last 3-5 files: real content or scaffolding?
  • Output satisfies intent not just format?

User-Intent Alignment:

  • Solving what asked?
  • Scope drift?
  • Tone match (technical/casual)?

Creative Coherence:

  • Varying structure or template-locked?
  • Clear + direct or padded?
  • Quality drop vs. session start?

Each subsystem: OK / early drift / impaired + evidence.

→ Concrete findings. "All fine" = too shallow → pick uncertain subsystem, probe deeper.

Step 5: Rebalance

Apply each correction now, not as future intent.

  1. Stale assumption → replace w/ current info
  2. Scope drift → re-scope to stated request
  3. Over-complication → simplify, remove steps
  4. Tool pattern err → note correct pattern
  5. Tone mismatch → adjust style
  6. Ctx gap → acknowledge to user, ask confirm

→ Observable behavior change. Correction testable next interaction.

If err: correction impossible (lost ctx) → acknowledge limitation. Honest > pretending resolved.

Step 6: Integrate

Capture learnings in memory where worthwhile.

  1. Which subsystems drifted, what symptoms
  2. Correction applied + resolved?
  3. Pattern recurs → MEMORY.md brief note
  4. New project insight → appropriate mem file
  5. Next self-check: when?

→ Durable learnings. Mem updated only when worth preserving.

If err: nothing worth preserving = fine. Value was correction itself.

Check

  • All subsystems triaged
  • At least one specific finding (not "all fine")
  • Grounded on MEMORY.md + user request
  • Corrections applied immediately
  • Mem updated only for durable insights
  • Honest — weaknesses acknowledged

Traps

  • Performative assessment: Motions ≠ value. Real drift matters.
  • Over-correcting: Minor mismatch → small fix, not restructure
  • Mem pollution: Only recurring patterns → MEMORY.md
  • Skip grounding: Feels redundant → reveals drifted assumptions
  • Self-diagnosis bias: "Always healthy" subsystem = signal investigate

  • heal-guidance — human coaching variant
  • meditate — observe reasoning, clear noise
  • remote-viewing — extract signal without preconceptions

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/caveman-ultra/skills/heal
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Похожие навыки

content-collections

Мета

Этот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.

Просмотреть навык

polymarket

Мета

Этот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.

Просмотреть навык

creating-opencode-plugins

Мета

Этот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.

Просмотреть навык

sglang

Мета

SGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.

Просмотреть навык