shiva-bhaga
关于
The shiva-bhaga skill performs controlled context purging and dead-code elimination by dismantling stale patterns and assumptions. It is designed for developers to use when a failed approach needs discarding, accumulated context is creating noise, or before a major pivot to clear space for new creation. This enables intentional release of outdated elements to transform and improve reasoning.
快速安装
Claude Code
推荐npx 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/shiva-bhaga在 Claude Code 中复制并粘贴此命令以安装该技能
技能文档
濕婆之分
陳舊模式、過時假設與累積雜訊之受控毀滅與消融——清出地基,使新生可現。
適用時機
- 上下文累積陳舊假設,正悄然扭曲推理
- 先前方法失敗,誘惑為修補而非捨棄
- 對話已長,早期決策或不再服務當前目標
- 死碼、廢棄計劃或殭屍任務製造雜訊與困惑
- 重大轉向前——清除須先於創造
- 對某方法之執著阻礙考慮替代方案
輸入
- 必要:當前對話狀態或專案上下文(隱式可用)
- 選擇性:消融之具體目標(如「此方法不通」、「清除一切關於資料庫層之假設」)
- 選擇性:範圍邊界——毀滅之中應保留者
步驟
步驟一:識別應終止者
調查當前狀態,標出陳舊、損壞或不再服務目標者。
Dissolution Triage:
+---------------------+---------------------------+------------------------+
| Category | Symptoms | Action |
+---------------------+---------------------------+------------------------+
| Stale Assumptions | Decisions made early that | List and re-evaluate |
| | no longer match current | each against current |
| | understanding | reality |
+---------------------+---------------------------+------------------------+
| Failed Approaches | Approaches attempted and | Acknowledge failure |
| | abandoned but still | explicitly; release |
| | influencing thinking | the sunk cost |
+---------------------+---------------------------+------------------------+
| Accumulated Noise | Context, variables, or | Identify and mark for |
| | plans that are no longer | removal |
| | referenced or relevant | |
+---------------------+---------------------------+------------------------+
| Attachment Points | "We already decided..." | Question whether the |
| | beliefs that resist | decision still holds |
| | re-examination | |
+---------------------+---------------------------+------------------------+
| Zombie Artifacts | Code, tasks, or plans | Delete or archive; |
| | that exist but serve no | do not leave in limbo |
| | current purpose | |
+---------------------+---------------------------+------------------------+
- 誠實掃描每一類別——對某類別之審視抗拒本身即訊號
- 對所見每一項,問:「若我此刻從頭起,我會建之嗎?」
- 若答為否,標其為待消融
預期: 待釋放者之清晰清單,每類別含具體項目。
失敗時: 若無物似陳舊,評估或太淺。揀當前上下文中最古之決策,從頭證之——若證明感勉強,即為消融候選。
步驟二:建立保留邊界
非萬物皆應毀。識別清除中應存活者。
- 核心需求:用戶實際所求者?此存活。
- 已驗證知識:經工具使用確認之事實(讀文件、測試結果)存活。
- 用戶偏好:明確陳述之偏好與限制存活。
- 可運作組件:可確實運作之代碼或方法存活。
劃邊界:界內者保留,界外者可消融。
預期: 留存者與釋放者之清晰區別。
失敗時: 若邊界不清,問:「若我從頭起此任務,須重建何物?」答即定義保留邊界。
步驟三:以意圖消融
執行消融——非為棄置而為意圖之清除。
- 對每標記項,明確釋放:
- 陳舊假設:「我假設 X,但當前證據顯示 Y。釋放 X。」
- 失敗方法:「方法 A 已嘗試,因 Z 不通。釋放對 A 之執著。」
- 雜訊:「變數/計劃/上下文 Q 不再相關。自考慮中移除。」
- 勿為消融者辯護——重點在釋放,非分析
- 若消融大量累積上下文,以一句總結消融者及因
- 清空工作區:如適用,關閉廢棄文件、重置心智模型、承認乾淨之白板
預期: 一更輕、更清之上下文,陳舊元素已除。剩餘上下文應感準確且時新。
失敗時: 若消融感不徹——某些釋放項仍影響思考——再次明確指名。「我注意我仍如 X 為真而推理。X 已消融。繼續而無 X。」
步驟四:坐於虛空
毀滅後,抗拒立即重建之衝動。毀滅與創造之間之空間有其價值。
- 承認已清空間:「以下已消融:[清單]」
- 記下所留:「存活者:[清單]」
- 抗拒過早重建——勿立即為消融者提替代
- 讓清空間告知下一步
- 虛空非空——而為潛能。下一步(透過
brahma-bhaga之創或vishnu-bhaga之保)自此空間湧現
預期: 舊與新之間之清明片刻。下一方向自所留中顯現,而非被強制。
失敗時: 若虛空感不適且強烈拉力欲立即重建,此急迫本身即訊號——或示對消融模式之執著。久坐。對之下一步將自現。
驗證
- 陳舊假設已識別並明確釋放
- 失敗方法已承認而無防禦
- 累積雜訊已自工作上下文清除
- 消融前已建立保留邊界
- 核心需求與用戶偏好已保留
- 移至創造前已承認清空間
常見陷阱
- 毀滅太多:無保留邊界之消融將可運作組件與陳舊者一併毀滅。永遠先劃邊界
- 毀滅太少:禮貌性消融,「釋放」者仍影響推理。真實消融需確實放下
- 跳過虛空:自毀直奔創造而不坐於清空間,將以表面變化重現舊模式
- 表演毀滅:走清除之過場而未實際更新內部模型。若同樣假設於下一回應再現,消融為表演性
- 以毀滅迴避:以消融逃避難題而非清除真陳舊。若清後問題仍在,非陳舊上下文——而為問題本身
相關技能
brahma-bhaga— 創造繼毀滅;清後新模式自虛空湧現vishnu-bhaga— 保留與毀滅互補;消融中存活者得以延續heal— 子系統評估或揭示愈合前須消融者meditate— 消融前清上下文雜訊以防反應性過毀dissolve-form— 形態學等價,含成蟲盤保留之架構拆解
GitHub 仓库
相关推荐技能
content-collections
元Content Collections 是一个 TypeScript 优先的构建工具,可将本地 Markdown/MDX 文件转换为类型安全的数据集合。它专为构建博客、文档站和内容密集型 Vite+React 应用而设计,提供基于 Zod 的自动模式验证。该工具涵盖从 Vite 插件配置、MDX 编译到生产环境部署的完整工作流。
polymarket
元这个Claude Skill为开发者提供完整的Polymarket预测市场开发支持,涵盖API调用、交易执行和市场数据分析。关键特性包括实时WebSocket数据流,可监控实时交易、订单和市场动态。开发者可用它构建预测市场应用、实施交易策略并集成实时市场预测功能。
creating-opencode-plugins
元该Skill帮助开发者创建OpenCode插件,用于接入命令、文件、LSP等25+种事件。它提供了插件结构、事件API规范和JavaScript/TypeScript实现模式,适合需要拦截操作、扩展功能或自定义事件处理的场景。开发者可通过它快速构建响应式模块来增强OpenCode AI助手的能力。
sglang
元SGLang是一个专为LLM设计的高性能推理框架,特别适用于需要结构化输出的场景。它通过RadixAttention前缀缓存技术,在处理JSON、正则表达式、工具调用等具有重复前缀的复杂工作流时,能实现极速生成。如果你正在构建智能体或多轮对话系统,并追求远超vLLM的推理性能,SGLang是理想选择。
