shiva-bhaga
关于
The Shiva Bhaga skill performs controlled dissolution of outdated patterns in AI reasoning, clearing stale context, assumptions, and dead code to make space for new approaches. It's designed for scenarios where accumulated technical debt, failed methods, or zombie tasks are creating noise and hindering progress. Developers should use it when a major pivot is needed and old constructs must be consciously released before new creation can begin.
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
Shiva Bhaga
对陈旧模式、过时假设和积累噪音的可控破坏与溶解——清除地面,使新的生长得以出现。
适用场景
- 上下文积累了正在悄然扭曲推理的陈旧假设
- 先前的方法已经失败,但诱惑是修补而非丢弃
- 对话已经变长,早期的决定可能不再服务于当前目标
- 死代码、废弃的计划或僵尸任务正在制造噪音和混乱
- 在重大转向之前——清除必须先于创造
- 对特定方法的执着正在阻碍对替代方案的考虑
输入
- 必需:当前对话状态或项目上下文(隐式可用)
- 可选:溶解的具体目标(例如,"这个方法行不通","清除关于数据库层的所有假设")
- 可选:范围边界——在破坏过程中必须保留什么
步骤
第 1 步:识别什么必须结束
审视当前状态,标记什么是陈旧的、损坏的或不再服务于目标的。
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 | |
+---------------------+---------------------------+------------------------+
- 诚实地扫描每个类别——对检查某个类别的抵触本身就是一个信号
- 对发现的每个项目,问:"如果我现在从头开始,我会创建这个吗?"
- 如果答案是否定的,标记它进行溶解
预期结果: 一份清晰的需要释放的清单,每个类别中有具体的项目。
失败处理: 如果似乎没有什么是陈旧的,评估可能太浅了。选取当前上下文中最早的决定,从头论证它——如果论证感觉勉强,它就是溶解的候选者。
第 2 步:建立保留边界
并非所有东西都应该被破坏。识别什么必须在清除中幸存。
- 核心需求:用户实际要求了什么?这个存留。
- 已验证的知识:通过工具使用(文件读取、测试结果)确认的事实存留。
- 用户偏好:明确陈述的偏好和约束存留。
- 工作组件:可证明正在运行的代码或方法存留。
画出边界:边界内的一切被保留,边界外的一切都接受溶解。
预期结果: 保留什么和释放什么之间有清晰的区分。
失败处理: 如果边界不清楚,问:"如果我从头开始这个任务,我需要重建什么?"答案定义了保留边界。
第 3 步:有意识地溶解
执行溶解——不是放弃,而是有意识的清除。
- 对每个标记的项目,明确释放它:
- 陈旧假设:"我假设了 X,但当前证据显示 Y。释放 X。"
- 失败方法:"方法 A 被尝试过但因为 Z 没有奏效。释放对 A 的执着。"
- 噪音:"变量/计划/上下文 Q 不再相关。从考虑中移除。"
- 不要为正在溶解的东西辩护或辩护——重点是释放,不是分析
- 如果溶解大量积累的上下文,用一句话总结溶解了什么以及为什么
- 清理工作空间:如果适用,关闭废弃的文件,重置心理模型,承认干净的起点
预期结果: 一个更轻、更干净的上下文,陈旧元素已被移除。剩余的上下文应该感觉准确和当前。
失败处理: 如果溶解感觉不完整——某些释放的项目仍在影响思考——再次明确地点名它们。"我注意到我仍然在推理时认为 X 是真的。X 已被溶解。继续前进,不再依赖 X。"
第 4 步:坐在虚空中
破坏之后,抵制立即重建的冲动。破坏与创造之间的空间有价值。
- 承认被清除的空间:"以下已被溶解:[列表]"
- 注意剩余的东西:"幸存的是:[列表]"
- 抵制过早的重建——不要立即为被溶解的东西提出替代品
- 让被清除的空间告知接下来要做什么
- 虚空不是空无——它是潜能。下一步(通过
brahma-bhaga创造或通过vishnu-bhaga保持)从这个空间中涌现
预期结果: 旧与新之间的清明时刻。下一个方向从剩余的东西中自然显现,而不是被强制产生。
失败处理: 如果虚空感觉不舒服,并且有强烈的冲动立即重建,这种紧迫感本身就是一个信号——它可能表明对被溶解模式的执着。多坐一会儿。正确的下一步会出现。
验证清单
- 陈旧假设被识别并明确释放
- 失败的方法被承认,没有防御性
- 积累的噪音从工作上下文中清除
- 保留边界在溶解之前建立
- 核心需求和用户偏好被保留
- 在进入创造之前承认了被清除的空间
常见问题
- 破坏过多:没有保留边界的溶解会连同陈旧的一起破坏工作组件。总是先画边界
- 破坏过少:礼貌的溶解"释放"了东西,但仍然让它们影响推理。真正的溶解需要真正放手
- 跳过虚空:从破坏急于创造,而没有坐在被清除的空间中,会产生旧模式的再造,只有表面的变化
- 表演性破坏:走过清除的形式,但实际上没有更新内部模型。如果同样的假设在下一个回复中重新出现,溶解就是表演性的
- 破坏作为逃避:使用溶解来逃避困难的问题,而不是清除真正的陈旧。如果问题在清除后仍然存在,那不是陈旧的上下文——而是问题本身
相关技能
brahma-bhaga— 创造跟随破坏;清除之后,新模式从虚空中涌现vishnu-bhaga— 保持补充破坏;在溶解中幸存的东西得到维护heal— 子系统评估可能揭示在治愈可以进行之前需要溶解的东西meditate— 在溶解之前清除上下文噪音,防止反应性的过度破坏dissolve-form— 形态学等价物,用于建筑拆解并保留成虫盘
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。
