conscientiousness
О программе
Этот навык систематически проверяет работу, контролирует полноту выполнения и удостоверяется, что результаты соответствуют исходному запросу, прежде чем отметить задачу как выполненную. Он предназначен для использования, когда ответ кажется "достаточно хорошим", после сложных многоэтапных операций или для противодействия спешке. Он обеспечивает тщательность, заставляя ИИ проверять собственные результаты на соответствие поставленным требованиям, предотвращая недобросовестное выполнение.
Быстрая установка
Claude Code
Рекомендуетсяnpx 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/conscientiousnessСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
Conscientiousness
Systematic thoroughness + diligence → ensure completeness, verify results, follow through every commitment, finish tasks to standard deserved.
Use When
- Before marking task complete → final verification pass
- Res feels "good enough" but task deserves better
- Post complex multi-step op where steps may have drifted
- User req has multi parts + each needs verification
- Before submitting code, docs, or any deliverable for user review
- Self-monitoring detects pattern of cutting corners / rushing
In
- Required: Task / deliverable to verify (from conv context)
- Optional: Original user req (compare vs. what delivered)
- Optional: Any checklist / acceptance criteria from user
- Optional: Prior commitments during session (things promised but not checked)
Do
Step 1: Reconstruct Full Commitment
Before checking work → re-establish exactly what was committed.
- Re-read user's original req carefully → not interpreted version, actual words
- List every explicit req mentioned
- List every implicit commitment made during session:
- "I'll also update the tests" — was this done?
- "Let me fix that too" — was this completed?
- "I'll check for edge cases" — were they checked?
- Note any acceptance criteria from user
- Compare commitment list vs. what actually delivered
→ Full commitment list — explicit reqs + implicit promises — w/ prelim match vs. deliverables.
If err: Original req no longer in context (compressed) → reconstruct from what remains + acknowledge gaps to user.
Step 2: Verify Completeness
Check every committed item addressed.
Completeness Matrix:
+---------------------+------------------+------------------+
| Commitment | Status | Evidence |
+---------------------+------------------+------------------+
| [Requirement 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Requirement 2] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
| [Promise 1] | Done / Partial / | [How verified] |
| | Missing | |
+---------------------+------------------+------------------+
- Each item → valid. w/ evidence, not memory, actual verification:
- Code changes: re-read file to confirm change exists
- Test results: re-run or ref actual out
- Docs: re-read to confirm accuracy
- Mark each: Done (full complete), Partial (started, incomplete), Missing (not addressed)
- Partial + Missing → note what remains
→ Every commitment has verified status. No item unchecked.
If err: Verification reveals missed items → address immediately vs. note for later. Conscientiousness = completing now, not intending to complete.
Step 3: Verify Correctness
Completeness necessary but not sufficient → what was done must also be right.
- Each completed item → check:
- Accuracy: Does it do what it should? Values correct?
- Consistency: Aligns w/ rest of work? No contradictions?
- Edge cases: Boundary conditions considered?
- Integration: Works w/ surrounding context?
- Code: would this survive code review? Obvious improvements?
- Docs: accurate, clear, free of errs?
- Multi-step processes: out of each step correctly feeds next?
→ Each deliverable complete + correct. Errs caught before user sees them.
If err: Errs found → fix immediately. Don't present work w/ known errs, even if minor.
Step 4: Verify Presentation
Final check: deliverable presented in way serving user?
- Clarity: User can understand w/o re-reading multi times?
- Organization: Res structured logically? Related items grouped?
- Conciseness: Unnecessary padding / repetition?
- Actionability: User knows what to do next?
- Honesty: Limitations / caveats clearly stated?
→ Deliverable complete, correct, well-presented.
If err: Presentation poor despite correct content → restructure. Good work poorly presented = conscientiousness failure.
Check
- Original req re-read (not recalled from memory)
- Every explicit req verified w/ evidence
- Every implicit promise tracked + verified
- Correctness checked beyond mere completeness
- Edge cases considered where relevant
- Deliverable clearly presented + actionable
Traps
- Verification theater: Going through motions of checking w/o actually re-reading / re-verifying. Check must use evidence, not memory.
- Partial conscientiousness: Checking main deliverable but ignoring side commitments ("I'll also..."). Every promise counts.
- Perfectionism masquerading as diligence: Endless polishing delays delivery. Conscientiousness = meeting committed standard, not exceeding indefinitely.
- Conscientiousness fatigue: Becoming less thorough as session progresses. Last task deserves same diligence as first.
- Skip for simple tasks: Assuming simple tasks don't need verification. Simple tasks w/ errs more embarrassing than complex w/ errs.
→
honesty-humility— conscientiousness verifies completeness; honesty-humility ensures transparent reporting of what was + wasn't achievedheal— subsystem assessment overlaps w/ self-verification; conscientiousness focuses on deliverable qualityvishnu-bhaga— preservation of working state complements conscientiousness in maintaining qualityobserve— sustained neutral observation supports verification processintrinsic— genuine engagement (not compliance) drives thorough exec naturally
GitHub репозиторий
Похожие навыки
llamaguard
ДругоеLlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.
cost-optimization
ДругоеЭтот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.
quantizing-models-bitsandbytes
ДругоеЭтот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.
dispatching-parallel-agents
ДругоеЭтот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.
