MCP HubMCP Hub
Вернуться к навыкам

forage-resources

pjt222
Обновлено 6 days ago
15 просмотров
17
2
17
Посмотреть на GitHub
Другоеai

О программе

Этот навык применяет оптимизацию методом муравьиной колонии и теорию фуражирования для эффективного поиска в больших пространствах решений, где методы полного перебора неэффективны. Он помогает балансировать исследование новых вариантов с использованием известных хороших решений через разведку, усиление следов и адаптивный выбор стратегии. Используйте его для оптимизации распределения ресурсов среди неопределённых возможностей или для диагностики преждевременной сходимости к локальным оптимумам.

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/forage-resources

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

Документация

採資

施蟻群優化與採食論於資尋、探用衡、散發現——衡探未知與用已知之益。

  • 尋大解空而窮舉不實
  • 衡投於探新與深已知
  • 優不確機間之資配
  • 設散隊或自動 agent 之尋策
  • 察早收(困局最優)或永遊(不委)
  • coordinate-swarm 以特資發模

  • :所求資述(信、算、才、解、機)
  • :尋空述(大、構、已知徵)
  • :現尋策與其敗模
  • :可用偵/尋者數
  • :探費對用敗費
  • :時域(短期用對長期探)

一:映採境

表資環以擇適採策。

  1. 識資類與其分:
    • :資聚於富斑(如特社群之才)
    • :資均散(如碼中之蟲)
    • :資現而逝(如市機)
    • :富斑含異尺之子斑
  2. 估信境:
    • 採前知資位幾?
    • 偵可與採者共信否?(信設見 coordinate-swarm
    • 採時境靜或變?
  3. 定費構:
    • 每偵布費(時、算、金)
    • 用低質資費(機費)
    • 漏高質資費(悔)

得:已表採境含資分類、信可用、費構。此定施何採模。

敗:境全不知→自全探始(諸偵,無用),限時預以建初圖。境性明則換適模。

二:布偵並標跡

遣探 agent 入尋空並令其標所得。

  1. 配偵比(始以可 agent 之 20-30% 為偵)
  2. 定偵行:
    • 以隨或系模於尋空動
    • 各位速估(非深析)
    • 以信強與質比標所得:
      • 高質→強跡
      • 中→中
      • 低→弱或無
    • 返信於集體(信存、報、廣播)
  3. 設偵模:
    • Random walk:未知均境宜
    • Levy flight:長跳偶局聚——斑資宜
    • Systematic sweep:網或螺——界明空宜
    • Biased random:近前得域——聚資宜

得:偵已布於尋空並依資質存跡信。自偵報現境初圖。

敗:偵於初掃無所得→偵比過低(增至 50%)、尋模誤(自 random walk 換 Levy flight 以斑資)、或質估誤校(降察門)。

三:立跡強

造正饋環放大功途並令不功者衰。

  1. 採者循跡得良資:
    • 強跡信(增力)
    • 強信招更多採→更強→用
  2. 採者循跡無所得:
    • 勿強(任其自衰)
    • 弱信招少→跡衰→探復
  3. 設強參:
    • 存量:比所得資質
    • 衰率:跡每時單失 X% 力
    • 飽頂:跡最力(避單途失控用)
Trail Reinforcement Dynamics:
┌─────────────────────────────────────────────────────────────────────┐
│                                                                     │
│  Strong trail ──→ More foragers ──→ If good: reinforce ──→ EXPLOIT │
│       ↑                                                      │      │
│       │                              If bad: no reinforce    │      │
│       │                                     │                │      │
│       │                                     ↓                │      │
│  Decay ←── Weak trail ←── Fewer foragers ←── Trail fades    │      │
│       │                                                      │      │
│       ↓                                                      │      │
│  No trail ──→ Scouts explore ──→ New discovery ──→ New trail ↗      │
│                                                                     │
└─────────────────────────────────────────────────────────────────────┘

得:自調之正饋環,良資招增注而劣者自棄。系僅以跡動衡用探。

敗:諸採聚於單跡(早收)→衰率過慢或飽頂過高。增衰、降頂、或入隨探令(如 10% 採者恒忽跡)。跡衰過速而無用→減衰率。

四:察遞減益

監資產以知何時自用返探。

  1. 各活採地追每力之產:
    • 產增→健用,續
    • 產平→近飽,始偵替
    • 產減→遞減益,減採、增偵
  2. 施邊際值論:
    • 較現地產率於諸知地平產率
    • 現地降於平→離時至
    • 計遷費(切新地之費)
  3. 觸偵波於:
    • 諸地總產降於門
    • 最佳地用逾其期壽
    • 察環變(自未探域偵之新信)

得:採群自用階(聚於已知良地)與探階(偵散)間移,以產監驅非任意表。

敗:群於竭地留過久→邊際值門設過低或遷費估過高。以實產率較重校。群過早棄良地→門過敏——加產量之滑窗。

五:依境適採策

依境反饋擇並換採策。

  1. 匹策於境:
    • 富、聚:重投已發斑(高用)
    • 稀、散:守高偵比(高探)
    • 變、動:短跡衰、頻偵波(適)
    • :速強、先標跡(領)
  2. 監策-境錯:
    • 高力低產→策對境過用
    • 高發率低跟→策過探
    • 產震→策換過激
  3. 施適切:
    • 追探-用比之滾均
    • 比離佳(依境類定)過遠→推回
    • 漸轉——急切致協亂

得:採系適現境之探-用衡,境變而守效。

敗:策適本身不穩(震於探用間)→加阻尼:錯信須持 N 時單始觸切。無策合→重估一步境類——資分或較初設更繁。

  • 採境已表(分類、信可用、費構)
  • 偵比與尋模已定並布
  • 跡強環運含存、衰、飽參
  • 遞減益察觸自用至探之再衡
  • 策-境匹監並適切設
  • 系於境變(新資、竭資)復

  • 早收:諸採堆於首得,忽或佳選。治:必探比、跡飽頂、衰
  • 永探:偵續得新選而群不委。治:降跡強之質門、減偵比
  • 忽遷費:切地有費。恒跳似質地之採於遷上失多於得。入邊際值算
  • 動境靜策:為昨境優之策於明敗。建適於採環,非後思
  • 混偵於採質:良偵(廣速估)與良採(深全用)求異技。勿強諸 agent 為兩角

  • coordinate-swarm — 撐採信設之基協模
  • build-consensus — 群須共議何斑先用時
  • scale-colony — 資境或群大長時採運擴
  • assess-form — 估系現態之 morphic 技,與境估互補
  • configure-alerting-rules — 適遞減益察之警模
  • plan-capacity — 容謀共採之探-用框
  • forage-solutions — AI 自用變;映蟻採於單 agent 解探含偵假與跡強

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/wenyan-ultra/skills/forage-resources
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Похожие навыки

llamaguard

Другое

LlamaGuard — 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.

Просмотреть навык

cost-optimization

Другое

Этот 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.

Просмотреть навык

quantizing-models-bitsandbytes

Другое

Этот 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.

Просмотреть навык

dispatching-parallel-agents

Другое

Этот 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.

Просмотреть навык