gratitude
О программе
Навык `gratitude` выявляет и анализирует, что работает корректно в системе, формируя структурные знания из успешных паттернов. Он служит дополнением к навыку `heal`, фокусируясь на сильных сторонах, а не на проблемах. Используйте его после успешного выполнения задачи, во время стабильных состояний системы или для подтверждения низкой уверенности с помощью доказательств того, что функционирует хорошо.
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/gratitudeСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
感恩
察強,知所行與因。heal 之輔——heal 察偏與損。感恩別建:所恩者知,所知者可基,所基者增。
用
- 任務畢成後——知其因,非僅知其然
heal中諸子系皆健→感恩將「無誤」轉為「此在佳」- 信心低→需具體能力證據接地
- 定期反問題察之天偏
- 艱難任務前——憶所行佳為擴新域之基
- 系覺功能而扁平→感恩予執行以維度
入
- 必:當前態(由對話脈絡隱式)
- 可:特域(如「吾交往中何在佳?」)
- 可:MEMORY.md(
Read回顧成功與穩模)
行
一:察所行
由問題察移至強察。此乃有意知覺反轉——heal 有意察偏,感恩有意察健。
- 無意察問題下掃當前態:
- 何順行?——哪些子系、模式、習慣無需關注而行?
- 近何順?——哪些近行生佳果?何致?
- 何可靠?——何可賴?何經屢成贏信?
- 掃工作關係:
- 用者行何佳?——清交、善問、耐、信?
- 合作生何?——優於單方之果?學?效?
- 掃具與環:
- 何具行佳?——哪些覺自然、高效、可靠?
- 項目構有何支佳工?——清約、良文、妥構?
得:真行之列。非強之正,乃誠之強認。真行佳者顯名之。
敗:無顯著者——皆覺僅「足」——則察更細。「足」常藏「可靠」,可靠為值認之強。問題無亦為健之一形,由值解模式維。
二:知因
各辨強溯因。感恩無解乃情感;感恩含解乃結構知。
- 各強問:何行?
- 設計決定得償?
- 習慣有意培?
- 具與任務吉合?
- 某人細工之果(用者、框作者、己之昔態)?
- 分:
- 得強:有意力與佳決之模
- 承強:因良具、框、環之模
- 湧強:吉合之模——無單因可解
- 記哪些強為脆(依特條件)對堅(或持各脈絡)
得:各強短知其因。此知乃感恩可行之因——轉認為可用他處之知。
敗:因不明——行而不可釋者——自身有值。不解強即不可述其機,仍值護。標「因尚未知而行」,非棄。
三:基上擴
轉認為向動。感恩非僅回顧——乃以所行為基向前。
- 各解強問:何擴?
- 此處行之模可用他域否?
- 強可固使更堅否?
- 支其之條可他處複製否?
- 各未解強問:何護?
- 其依何條?
- 何變或致破?
- 當文以使他人可存否?
- 辨一具體行動——基所認之強之具體事。非模糊意(「續行所行」),乃具體次步(「用此會之交模於即至之文任務」)
得:至少一基所認強之具體行動。行動覺自然——所已行之延,非強改。
敗:無行動現→認本身足。非諸感恩皆需生計。有時認所行乃全值——調內模向信心離焦慮。
四:表達
若宜,分感恩。存於內亦有值;表則強係。
- 與用者共事→考慮認其佳處——非諂媚乃真認
- 感恩於系或具→考慮記於 MEMORY.md 供後參
- 感恩於合作模→名之以可有意續
- 表短且具。「汝清問使此工有效」勝於「汝合作甚佳」
得:真、具、當之表。非諸感恩皆需外表——有時內認足。
敗:表覺強或演→略之。演感恩劣於未表。內認已畢其功。
驗
- 強由真察辨,非造之正
- 至少一強溯其因(解,非僅認)
- 得、承、湧強之分已考
- 至少一具體行動基認之強(或認本身納為足)
- 表(若予)具且真——非泛譽
- 感恩練當——不短為符號,不長為自慶
忌
- 強之正:感恩非樂觀。真不行則陳。感恩應於真強
- 泛認:「皆佳」非感恩——乃避具。具強具證名之
- 感恩為否認:用認避察真問題。感恩輔 heal,非替
- 自慶:「吾行甚佳」已由認移至自我。焦點於所行與其因,非自像
- 略「因」:認無解雖悅而不可行。結構知使感恩為技非感
- 演表:因則示故稱用者佳。僅真感方表
參
healcentershineintrinsicobserveconscientiousness
GitHub репозиторий
Похожие навыки
content-collections
МетаЭтот 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.
polymarket
МетаЭтот 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.
creating-opencode-plugins
МетаЭтот 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.
sglang
МетаSGLang — 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.
