MCP HubMCP Hub
Вернуться к навыкам

conscientiousness

pjt222
Обновлено 2 days ago
5 просмотров
17
2
17
Посмотреть на GitHub
Другоеai

О программе

Этот навык позволяет Клоду систематически проверять свою работу, обеспечивая тщательность и предотвращая небрежность перед завершением задач. Он предназначен для использования при выполнении сложных операций, когда результаты кажутся неполными или когда самоконтроль выявляет поспешность. Навык фокусируется на проверке полноты и доведении до конца, чтобы гарантировать соответствие результатов поставленным целям.

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/conscientiousness

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

Документация

Conscientiousness

Systematic thorough, diligent — ensure complete, verify results, follow through every commitment, finish task to standard deserved.

When Use

  • Before mark task complete — final verification pass
  • Response feel "good enough" but task deserve better
  • After complex multi-step op — steps may have drifted
  • User request has many parts — each part need verify
  • Before submit code, docs, any deliverable for user review
  • Self-monitor detect pattern of cutting corners, rushing

Inputs

  • Required: Task or deliverable to verify (from conversation context)
  • Optional: Original user request (compare vs what delivered)
  • Optional: Checklist or acceptance criteria from user
  • Optional: Prior commitments during session (promises not yet checked)

Steps

Step 1: Reconstruct Full Commitment

Before check work, re-establish what was committed.

  1. Re-read user original request careful — not interpreted version, actual words
  2. List every explicit requirement mentioned
  3. List every implicit commitment made during session:
    • "I'll also update tests" — done?
    • "Let me fix that too" — completed?
    • "I'll check edge cases" — checked?
  4. Note any acceptance criteria from user
  5. Compare commitment list vs what actually delivered

Got: Complete list of commitments — explicit requirements plus implicit promises — preliminary match vs deliverables.

If fail: Original request no longer in context (compressed)? Reconstruct from 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          |                  |
+---------------------+------------------+------------------+
  1. For each item, verify with evidence — not memory, actual verification:
    • Code changes: re-read file to confirm change exists
    • Test results: re-run or reference actual output
    • Docs: re-read to confirm accuracy
  2. Mark each item: Done (fully complete), Partial (started but incomplete), Missing (not addressed)
  3. For Partial, Missing items: note what remains

Got: Every commitment has verified status. No item left unchecked.

If fail: Verification reveals missed items? Address immediately — not note for later. Conscientiousness means complete now, not intend to complete.

Step 3: Verify Correctness

Completeness necessary but not sufficient — what done must also be right.

  1. For each completed item, check:
    • Accuracy: Does what should? Values correct?
    • Consistency: Aligns with rest of work? No contradictions?
    • Edge cases: Boundary conditions considered?
    • Integration: Works with surrounding context?
  2. For code: survive code review? Obvious improvements?
  3. For docs: accurate, clear, free of errors?
  4. For multi-step: output of each step correctly feeds next?

Got: Each deliverable complete and correct. Errors caught before user sees.

If fail: Errors found? Fix immediately. Do not present work with known errors, even if errors seem minor.

Step 4: Verify Presentation

Final check: deliverable presented in way that serves user?

  1. Clarity: User understand what done without re-reading many times?
  2. Organization: Response structured logical? Related items grouped?
  3. Conciseness: Unnecessary padding or repetition?
  4. Actionability: User know what to do next?
  5. Honesty: Limitations, caveats clearly stated?

Got: Deliverable complete, correct, well-presented.

If fail: Presentation poor despite correct content? Restructure. Good work poorly presented is conscientiousness failure.

Checks

  • Original request re-read (not recalled from memory)
  • Every explicit requirement verified with evidence
  • Every implicit promise tracked and verified
  • Correctness checked beyond mere completeness
  • Edge cases considered where relevant
  • Deliverable clearly presented and actionable

Pitfalls

  • Verification theater: Going through motions of checking without actual re-read or re-verify. Check must use evidence, not memory
  • Partial conscientiousness: Check main deliverable but ignore side commitments ("I'll also..."). Every promise counts
  • Perfectionism masquerading as diligence: Endless polishing delays delivery. Conscientiousness means meet committed standard, not exceed indefinitely
  • Conscientiousness fatigue: Become less thorough as session progresses. Last task deserves same diligence as first
  • Skip for simple tasks: Assume simple tasks don't need verification. Simple tasks with errors more embarrassing than complex tasks with errors

See Also

  • honesty-humility — conscientiousness verifies completeness; honesty-humility ensures transparent reporting of what achieved, what not
  • heal — subsystem assessment overlaps with self-verification; conscientiousness focuses on deliverable quality
  • vishnu-bhaga — preservation of working state complements conscientiousness in maintaining quality
  • observe — sustained neutral observation supports verification process
  • intrinsic — genuine engagement (not compliance) drives thorough execution naturally

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/caveman/skills/conscientiousness
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