defend-colony
关于
This skill provides a framework for implementing layered, collective defense in distributed systems, inspired by biological immune responses. It enables threat detection, scalable alert propagation, and proportional countermeasures to avoid over- or under-reaction. Use it when designing defense-in-depth strategies where no single component can address all threats.
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/defend-colony在 Claude Code 中复制并粘贴此命令以安装该技能
技能文档
守巢
以警信、角動、比例應施分系、團、組之層群禦——取自社蟲巢禦與生免系。
用
- 為無單守可涵諸威之分系設深禦
- 築按威嚴擴之事應
- 保單件不能獨禦之系
- 現禦過應(每警全動)或不應(威未察至害成)
- 築員須自組應事之組韌
- 補
coordinate-swarm含具威應調模
入
- 必:所守巢(系、組、團)之述
- 必:知威類(攻、敗、爭、境險)
- 可:現禦機與敗模
- 可:可守型與其能
- 可:每威層可應延
- 可:事後復需
行
一:映威景與禦界
識何須守、自何、界於何。
- 定巢關資:
- 不惜代價須守何?(核數、產系、要人)
- 何可忍暫損?(分期境、非關服)
- 極威時何可棄?(快、副、非要能)
- 按型與嚴分威:
- Probes:低級察或試(口掃、復敗登)
- Incursions:活界違(未權訪、注試)
- Infestations:界內持威(受損節、內威)
- Existential:巢生威(數損、災敗、DDoS)
- 映禦界:
- 外界:首察機(牆、速限、監)
- 內界:關資界(訪控、加密、隔)
- 核:末禦(備、殺關、斷)
得: 資(優先)、威(按嚴分)、禦界(層)之明圖。此圖導諸後禦設。
敗: 威景感蓋→始於頂 3 關資與頂 3 威型。全覆不及覆要。界不明→默「信無、驗諸」(零信姿)而隨觀實流定界。
二:設警信網
築察威傳警之通系。
- 各禦層置哨:
- 外哨:輕、高感察(或生偽陽)
- 內哨:重、高特察(少偽陽、慢)
- 核哨:關資監(零忍漏威)
- 定漸強警信:
- Yellow:察異、增監、無動
- Orange:確威模、地守動、斥察
- Red:活破或嚴威、全禦動、非要暫
- Black:生威、諸資至禦、需則棄可棄資
- 施警傳:
- 地:哨直警鄰守
- 域:哨簇聚信、達閾則升
- 巢廣:域升觸廣警
- 各傳步加確——單哨不觸巢廣警
- 築警疲防:
- 自抑復同警(時窗去重)
- 需獨哨升確
- 追警威比——偽陽過 50%→哨再校
Alarm Propagation:
┌──────────────────────────────────────────────────────────┐
│ Sentinel detects anomaly ──→ Yellow alert (local) │
│ │ │
│ ↓ (confirmed by 2nd sentinel) │
│ Orange alert ──→ Local defenders mobilize │
│ │ │
│ ↓ (pattern matches known threat + 3rd sentinel) │
│ Red alert ──→ Full defense mobilization │
│ │ │
│ ↓ (critical asset under active attack) │
│ Black alert ──→ All resources to defense, circuit break │
└──────────────────────────────────────────────────────────┘
得: 威嚴定應強之漸警系。多獨哨確防單點偽警。警疲以去重與校管。
敗: 警系生過多偽陽→升哨閾或升前需更確。威漏→於被破層加哨或降察閾。警傳過慢→減確需、接高偽陽率為換。
三:動角基守
賦禦角與動協與威級比例。
- 定守角:
- Sentinels:察專(恆活、低資耗)
- Guards:首應(動前閒、速應)
- Soldiers:重守(動耗、高能)
- Healers:損修與復專(見
repair-damage) - Messengers:跨巢域調禦
- 映角至警級:
- Yellow:哨增監頻、守備
- Orange:守至威位動、兵備
- Red:兵動、非要工轉禦
- Black:諸角至禦、巢活暫
- 施比例應:
- 勿為探遣兵(費且露能)
- 勿僅賴哨對侵(應不足)
- 合應於威層——現層敗則升、威退則降
- 角轉協:
- 工可為守(急暫升)
- 守可為兵(持威需重應)
- 威過後反轉復常
得: 按威嚴擴之禦力。常操用最小禦資。威下巢可速動比例禦無過應亦無不應。
敗: 動過慢→預置守於知威徑近。動過耗→減常守力、更賴工至守轉。動中角惑→簡為 3 角(察、應、復)非 5。
四:行免憶與適
自每威遇學以進後禦。
- 事後建威簽:
- 攻模(如何察)
- 攻徑(自何入)
- 效應(何止)
- 敗應(何無用)
- 存簽於巢免憶:
- 哨之速查模庫
- 含知效應之守本
- 標偽陽模以減後警疲
- 施適免:
- 新簽傳至諸哨(巢廣學)
- 察威之哨先得更(地學)
- 周評汰舊簽(不再適威)
- 壓試免憶:
- 周再擬過威驗禦仍行
- 紅隊試引新威試適
- 量知與未知威之察時
得: 每遇後更強之禦系。知威察更速應更效。新威以漸警系理、其解加於免憶。
敗: 免憶過大緩察→按頻與嚴優先簽、檔稀/輕威。禦過專知威而失新→守「泛巡」能不賴模配——純異察為基。
五:調事後復
自禦轉常操含損修與韌增。
- 威除驗:
- 確威消(非僅抑)
- 察主事中或入之次威
- 驗無受損代活
- 損評:
- 錄何損、退、失
- 按關優先修(核資先)
- 估復時與需資
- 復行:
- 遣癒至損區(見
repair-damage) - 按優先序復服
- 復中保升哨活(脆期)
- 遣癒至損區(見
- 降協:
- 漸降警級(Red → Orange → Yellow → 常)
- 轉工返主角
- 止兵與守返巡
- 憶鮮時 24 小時內事後評
得: 自禦至復至常操之順轉。復中升監接次威。事後評入學於免憶。
敗: 復過慢→為最可能損景預築復本。復中次威現→降過急、久保高警。事後評略(時壓下常)→排為不可議曆事。
驗
- 關資識與優先
- 威按型與嚴分
- 禦界含多層、各層含哨
- 警信含漸級與多哨確
- 守角定、動映至警級
- 比例應防過與不應
- 免憶取與施每事之教
- 事後復協安復常操
忌
- Maginot 線禦:過投單層禦而他層無守。禦須層——單層可破
- 警疲:過多警含過少實威耗守注。校哨嚴;漏偽陽勝漏實威
- 對稱應:每威以同強應費資露能。合應於威——需時方升
- 無免憶:復對同威不學費而脆。每事須更巢禦知
- 恆戰姿:持高警操耗守衰常巢能。威過則慎降
參
coordinate-swarm— 支警信與動之基調模build-consensus— 時壓下集禦決之速共識scale-colony— 禦系須與巢長擴repair-damage— 禦事後生復之 morphic 技configure-alerting-rules— 施警信模之實警設conduct-post-mortem— 入免憶之結構事後析
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。
