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 intentionally clear failed approaches or accumulated noise before a major pivot. Use it to dissolve attachment to outdated reasoning and create space for new solutions.
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
濕婆毀
控毀陳模、舊設、積噪——清地以新生。
用
- 境積陳設、暗扭推理→用
- 前法敗、誘補而非棄→用
- 對久、前決或不適今標→用
- 死碼、棄謀、屍任致噪→用
- 大轉前——清先於創→用
- 執某法妨慮他選→用
入
- 必:當對態或案境(隱)
- 可:明標(如「此法不行」「清庫層諸設」)
- 可:保界——毀中當留者
行
一:識何當終
察當態、標陳、敗、不利目者。
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 | |
+---------------------+---------------------------+------------------------+
- 各類誠掃——拒察一類自為訊
- 各物問:「若今始、會建乎?」
- 否則→標毀
得:所當釋之清籍、各類具項。
敗:似無陳→察或過淺。取當境最舊決、自始證之——若強為、即毀候。
二:立保界
非皆當毀。識何必留。
- 核需:用真求何?此留
- 驗識:工驗之事(讀檔、測果)留
- 用好:明陳之好與限留
- 行件:可示行之碼或法留
劃界:內留、外可毀。
得:留與釋分明。
敗:界不明→問「若自始建任、需復何?」答即定保界。
三:以志毀
行毀——非棄、為志清。
- 各標物明釋之:
- 陳設:「設甲、今據顯乙。釋甲。」
- 敗法:「法甲試而不行因丙。釋執甲。」
- 噪:「變/謀/境丁不適。除慮。」
- 勿證、勿護所毀——重在釋、非析
- 若毀大積境、一句述所毀與何故
- 清工:如可、閉棄檔、重心模、認清白
得:境輕、清、陳除。所留覺準、今。
敗:毀似不全——某釋物仍動思——再明名之。「我覺仍以甲為真而推。甲已釋。無甲行。」
四:坐空
毀後、抗即建之欲。毀與創之間有值。
- 認清空:「以下已毀:[列]」
- 記所留:「所存:[列]」
- 抗早建——勿即代所毀
- 任清空示下步
- 空非無——乃潛。下步(
brahma-bhaga創或vishnu-bhaga護)由此空生
得:新舊間之明。下向由所留生、非迫。
敗:空覺不適、強欲即建→此急自為訊——或執所毀模。坐久。正下步將生。
驗
- 陳設明識而釋
- 敗法認而無防
- 積噪由工境清
- 毀前立保界
- 核需與用好留
- 入創前認清空
忌
- 毀過:無保界之毀殃行件。先劃界
- 毀寡:禮「釋」而仍動推。真毀需真放
- 略空:自毀至創、不坐清空、復生舊模於微變
- 演毀:行清而不真更內模。次應仍現舊設→演也
- 毀為避:以毀逃難、非清真陳。問清後仍存、非陳境——乃問本身
參
brahma-bhaga— 創隨毀;清後新模由空生vishnu-bhaga— 護補毀;過毀者得續heal— 子系察或顯需毀者乃可癒meditate— 毀前清境噪防反過毀dissolve-form— 構毀之態變等、留意盤
GitHub 仓库
Frequently asked questions
What is the shiva-bhaga skill?
shiva-bhaga is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform shiva-bhaga-related tasks without extra prompting.
How do I install shiva-bhaga?
Use the install commands on this page: add shiva-bhaga to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does shiva-bhaga belong to?
shiva-bhaga is in the Meta category, tagged ai.
Is shiva-bhaga free to use?
Yes. shiva-bhaga is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
相关推荐技能
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。
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。
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。
