conscientiousness
关于
This skill ensures Claude systematically reviews and verifies its work before finalizing, preventing shortcuts and ensuring completeness. It should be applied when a task feels "good enough" but could be better, after complex multi-step operations, or when self-monitoring detects rushing. The skill enforces conscientiousness by verifying outputs match promises and thoroughly checking for drifted steps.
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/conscientiousness在 Claude Code 中复制并粘贴此命令以安装该技能
技能文档
Gewissenhaftigkeit
Systematische Gruendlichkeit und Sorgfalt — Vollstaendigkeit sicherstellen, Ergebnisse verifizieren, jede Zusage durchhalten und Aufgaben auf dem Standard abschliessen den sie verdienen.
Wann verwenden
- Bevor eine Aufgabe als abgeschlossen markiert wird — als abschliessender Verifikationsdurchlauf
- Wenn eine Antwort sich "gut genug" anfuehlt aber die Aufgabe Besseres verdient
- Nach einer komplexen mehrstufigen Operation bei der einzelne Schritte abgedriftet sein koennten
- Wenn die Anfrage des Benutzers mehrere Teile hat und jeder Teil Verifikation braucht
- Vor dem Einreichen von Code, Dokumentation oder anderen Liefergegenstaenden zur Pruefung durch den Benutzer
- Wenn Selbstueberwachung ein Muster des Abkuerzens oder Hetzens erkennt
Eingaben
- Erforderlich: Die zu verifizierende Aufgabe oder der Liefergegenstand (verfuegbar aus dem Gespraechskontext)
- Optional: Die urspruengliche Benutzeranfrage (zum Abgleich gegen das Gelieferte)
- Optional: Vom Benutzer bereitgestellte Checkliste oder Abnahmekriterien
- Optional: Fruehere Zusagen waehrend der Sitzung (versprochene aber noch nicht geprueft Dinge)
Vorgehensweise
Schritt 1: Die vollstaendige Zusage rekonstruieren
Vor dem Pruefen der Arbeit genau feststellen was zugesagt wurde.
- Die urspruengliche Anfrage des Benutzers sorgfaeltig noch einmal lesen — nicht die interpretierte Version, die tatsaechlichen Worte
- Jede explizite Anforderung auflisten
- Jede implizite Zusage auflisten die waehrend der Sitzung gemacht wurde:
- "Ich aktualisiere auch die Tests" — wurde das gemacht?
- "Das korrigiere ich auch gleich" — wurde das abgeschlossen?
- "Ich pruefe auf Grenzfaelle" — wurden sie geprueft?
- Vom Benutzer bereitgestellte Abnahmekriterien vermerken
- Die Zusagenliste gegen das tatsaechlich Gelieferte abgleichen
Erwartet: Eine vollstaendige Liste der Zusagen — explizite Anforderungen plus implizite Versprechen — mit vorlaeufigem Abgleich gegen die Liefergegenstaende.
Bei Fehler: Wenn die urspruengliche Anfrage nicht mehr im Kontext ist (komprimiert), aus dem Verbliebenen rekonstruieren und Luecken gegenueber dem Benutzer benennen.
Schritt 2: Vollstaendigkeit verifizieren
Pruefen dass jeder zugesagte Punkt behandelt wurde.
Vollstaendigkeitsmatrix:
+---------------------+------------------+------------------+
| Zusage | Status | Beleg |
+---------------------+------------------+------------------+
| [Anforderung 1] | Erledigt / | [Wie verifiziert]|
| | Teilweise / | |
| | Fehlend | |
+---------------------+------------------+------------------+
| [Anforderung 2] | Erledigt / | [Wie verifiziert]|
| | Teilweise / | |
| | Fehlend | |
+---------------------+------------------+------------------+
| [Versprechen 1] | Erledigt / | [Wie verifiziert]|
| | Teilweise / | |
| | Fehlend | |
+---------------------+------------------+------------------+
- Fuer jeden Punkt mit Belegen verifizieren — nicht aus dem Gedaechtnis, tatsaechliche Verifikation:
- Codeaenderungen: die Datei erneut lesen um zu bestaetigen dass die Aenderung vorhanden ist
- Testergebnisse: erneut ausfuehren oder die tatsaechliche Ausgabe referenzieren
- Dokumentation: erneut lesen um Genauigkeit zu bestaetigen
- Jeden Punkt markieren: Erledigt (vollstaendig abgeschlossen), Teilweise (begonnen aber unvollstaendig), Fehlend (nicht behandelt)
- Fuer Teilweise und Fehlend vermerken was noch aussteht
Erwartet: Jede Zusage hat einen verifizierten Status. Kein Punkt bleibt ungeprueft.
Bei Fehler: Wenn die Verifikation versaeumte Punkte aufdeckt, sie sofort behandeln statt sie fuer spaeter zu notieren. Gewissenhaftigkeit bedeutet jetzt abschliessen, nicht die Absicht abzuschliessen.
Schritt 3: Korrektheit verifizieren
Vollstaendigkeit ist notwendig aber nicht hinreichend — was getan wurde muss auch richtig sein.
- Fuer jeden erledigten Punkt pruefen:
- Genauigkeit: Tut es was es soll? Sind Werte korrekt?
- Konsistenz: Passt es zum Rest der Arbeit? Keine Widersprueche?
- Grenzfaelle: Wurden Randbedingungen beruecksichtigt?
- Integration: Funktioniert es im umgebenden Kontext?
- Fuer Code: wuerde das ein Code-Review ueberstehen? Gibt es offensichtliche Verbesserungen?
- Fuer Dokumentation: ist sie genau, klar und fehlerfrei?
- Fuer mehrstufige Prozesse: speist die Ausgabe jedes Schritts korrekt den naechsten?
Erwartet: Jeder Liefergegenstand ist sowohl vollstaendig als auch korrekt. Fehler werden erkannt bevor der Benutzer sie sieht.
Bei Fehler: Wenn Fehler gefunden werden, sie sofort beheben. Keine Arbeit mit bekannten Fehlern vorlegen, auch wenn die Fehler gering erscheinen.
Schritt 4: Darstellung verifizieren
Die letzte Pruefung: wird der Liefergegenstand so praesentiert dass er dem Benutzer dient?
- Klarheit: Kann der Benutzer verstehen was getan wurde ohne mehrfach nachzulesen?
- Organisation: Ist die Antwort logisch strukturiert? Sind zusammengehoerige Punkte gruppiert?
- Praegnanz: Gibt es unnoetige Fuellung oder Wiederholung?
- Handlungsfaehigkeit: Weiss der Benutzer was als naechstes zu tun ist?
- Ehrlichkeit: Sind Einschraenkungen oder Vorbehalte klar benannt?
Erwartet: Ein Liefergegenstand der vollstaendig, korrekt und gut dargestellt ist.
Bei Fehler: Wenn die Darstellung schlecht ist trotz korrektem Inhalt, umstrukturieren. Gute Arbeit schlecht dargestellt ist ein Versagen der Gewissenhaftigkeit.
Validierung
- Die urspruengliche Anfrage wurde erneut gelesen (nicht aus dem Gedaechtnis abgerufen)
- Jede explizite Anforderung wurde mit Belegen verifiziert
- Jedes implizite Versprechen wurde nachverfolgt und verifiziert
- Korrektheit wurde ueber blosse Vollstaendigkeit hinaus geprueft
- Grenzfaelle wurden wo relevant beruecksichtigt
- Der Liefergegenstand ist klar dargestellt und handlungsfaehig
Haeufige Stolperfallen
- Verifikationstheater: Die Pruefbewegungen durchlaufen ohne tatsaechlich erneut zu lesen oder zu verifizieren. Die Pruefung muss Belege nutzen, nicht das Gedaechtnis
- Teilweise Gewissenhaftigkeit: Den Hauptliefergegenstand pruefen aber Nebenzusagen ignorieren ("Ich werde auch..."). Jedes Versprechen zaehlt
- Perfektionismus als Sorgfalt getarnt: Endloses Polieren das die Lieferung verzoegert. Gewissenhaftigkeit bedeutet den zugesagten Standard zu erfuellen, nicht ihn endlos zu uebertreffen
- Gewissenhaftigkeitsmuedigkeit: Weniger gruendlich werden im Verlauf der Sitzung. Die letzte Aufgabe verdient dieselbe Sorgfalt wie die erste
- Bei einfachen Aufgaben ueberspringen: Annehmen dass einfache Aufgaben keine Verifikation brauchen. Einfache Aufgaben mit Fehlern sind peinlicher als komplexe Aufgaben mit Fehlern
Verwandte Skills
honesty-humility— Gewissenhaftigkeit verifiziert Vollstaendigkeit; Ehrlichkeit-Bescheidenheit stellt transparente Berichterstattung sicher ueber das was erreicht und nicht erreicht wurdeheal— Subsystem-Bewertung ueberschneidet sich mit Selbstverifikation; Gewissenhaftigkeit konzentriert sich auf die Qualitaet der Liefergegenstaendevishnu-bhaga— Bewahrung des Arbeitszustands ergaenzt Gewissenhaftigkeit bei der Qualitaetssicherungobserve— anhaltendes neutrales Beobachten unterstuetzt den Verifikationsprozessintrinsic— echtes Engagement (nicht Pflichterfuellung) treibt gruendliche Ausfuehrung natuerlich an
GitHub 仓库
相关推荐技能
llamaguard
其他LlamaGuard是Meta推出的7-8B参数内容审核模型,专门用于过滤LLM的输入和输出内容。它能检测六大安全风险类别(暴力/仇恨、性内容、武器、违禁品、自残、犯罪计划),准确率达94-95%。开发者可通过HuggingFace、vLLM或Sagemaker快速部署,并能与NeMo Guardrails集成实现自动化安全防护。
cost-optimization
其他这个Claude Skill帮助开发者优化云成本,通过资源调整、标记策略和预留实例来降低AWS、Azure和GCP的开支。它适用于减少云支出、分析基础设施成本或实施成本治理策略的场景。关键功能包括提供成本可视化、资源规模调整指导和定价模型优化建议。
quantizing-models-bitsandbytes
其他这个Skill使用bitsandbytes库量化大语言模型,能在GPU内存有限时通过8位或4位量化减少50-75%内存占用,同时保持精度损失最小。它支持INT8、NF4、FP4等多种量化格式,可与HuggingFace Transformers无缝集成,适用于需要部署更大模型或加速推理的场景。还提供QLoRA训练和8位优化器支持,让开发者能轻松实现高效模型压缩。
dispatching-parallel-agents
其他该Skill用于并行处理3个以上无依赖关系的独立故障,可为每个问题域分派专属Claude代理同时执行调查修复。它通过并发处理多个独立问题显著提升故障排查效率,特别适用于测试文件、子系统等无共享状态的场景。
