返回技能列表

expand-awareness

pjt222
更新于 Yesterday
6 次查看
17
2
17
在 GitHub 上查看
其他ai

关于

The `expand-awareness` skill transitions from focused, single-domain attention to a panoramic, multi-domain awareness to perceive cross-domain connections simultaneously. It is designed for complex problems spanning multiple domains where traditional analysis misses broader patterns, often serving as a preparatory step before synthesis. This structured procedure is akin to shifting consciousness from a spotlight to a broadcast, expanding the scope of relevant information.

快速安装

Claude Code

推荐
主要方式
npx skills add pjt222/agent-almanac -a claude-code
插件命令备选方式
/plugin add https://github.com/pjt222/agent-almanac
Git 克隆备选方式
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/expand-awareness

在 Claude Code 中复制并粘贴此命令以安装该技能

技能文档

擴覺

擴注意自單域之聚焦至全景多域之覺。meditate 清噪以銳焦,observe 觀一物而近察,擴覺則有意廣開其孔以同時持所有相關域於視中——非析其一,乃同時察諸者。

三傳統啟此修。Baars 之全域工作空間論(Global Workspace)模意識為廣播——資訊一入全域工作空間即同時可用於所有認知過程,而非於一專家模組內處。Dzogchen 之 rigpa 概念述開放、不聚之覺——察整場而不固著於一部。爵士合奏之聽則使每樂師同聞諸奏——非先追一器而後他,乃持整聲場使其自身之貢獻合整體。

共同之絲:全景之察非諸聚焦察之和。乃一質異之注意模式,揭任單一聚焦視所不可見之模式。域間——張、共振與罅——唯諸域同持於視時方顯。

適用時機

  • meditate 已清語境噪後——清空間為擴之畫布
  • 問題跨多域,而單域之析恒漏跨域之聯
  • integrate-gestalt 前——擴生供 gestalt 合之原始全景察
  • 縮至一域屢不能解居於域間之問題時
  • 察爾自順次循諸域而欲同持之
  • 複雜項目之始,以察其全範於規劃前
  • 於一域完美之解於他域生問題——跨域之張須整察,不可逐域除錯

輸入

  • 必要:涉多域之問題或情境
  • 選擇性:初始域清單(若相關域已知;步驟一將精之)
  • 選擇性:於擴中所持之特定跨域張或問(如「何以測試策略與部署架構衝突?」)
  • 選擇性:同問題前次會之擴筆記(令漸深可行)

步驟

五步描一自然弧:知所察(清單)、釋窄之預設(鬆)、開於全場(擴)、學持開(維)、捕所見(記)。三四步為核心修;一二五步為備與存。

若於熟問題,全序可短至數分;若於新之多域挑戰,可顯然更長。

作為 synoptic 週期(meditate -> expand-awareness -> observe -> integrate-gestalt -> express-insight)之一部分時,此技居次位:冥想所清之空間成擴之畫布。

此技亦可獨用——任何時多域察有價值之時,不論是否召整 synoptic 週期。

步驟一:清單——列諸域

映所有關當前問題之域。此似 polymath 分解問題之所為——然關鍵之異為 polymath 派各域於專家。此處無派。其目的非分而治,乃知全景視當含何,令擴有內容以持。

  1. 名及當前問題之每一域。具體:非「代碼」而「R 包結構」,非「基礎設施」而「GitHub Actions CI/CD」
  2. 於每一域,以一句陳其帶予問題之視角——此域所見而他域所不見者何?
  3. 記何域舒(熟)何為周邊(相關而較不熟)。周邊域常持關鍵洞察正因其未獲充分關注。為各標舒適度:強、中、周邊
  4. 察不明之域:有人因面?維護面?時面(如何隨時演)?政治或組織面?
  5. 若可,用 ReadGrepGlob 掃實工作區——文件結構、配置文件與文檔常揭純推理所忽之域
  6. 以 3-7 域為目標。不足 3 表問題或不需全景之覺。逾 7 者有散而非擴之險

預期: 3-7 域之清單,各帶其於問題之具體視角。清單覺全——非盡(每可能之域)而足(每實質影響問題之域)。每域名具體至可交予專家而其知其範。

失敗時: 若僅一域現,則問題或真為單域——改用 observe。若僅二域,思其間是否有連接之域(常有——乃二者交之空間)。若數十域現,將相關者歸為群而以每群為擴之單一域。目標為同時察,非盡之分類。

步驟二:鬆焦——釋單域之集中

自單域之聚焦過渡至可察諸域之瀰漫準備。此異於 meditate——冥想清(擾之思、餘語境、情餘),此步清(集中於單域而排他之習)。目標非空而開。

  1. 察注意當前錨於何。其自然趨向何域?明之:「吾注意錨於測試域」
  2. 緩釋其錨。非以力驅之遠,乃鬆其握——令域自前景退於中景。其猶在而不復主宰
  3. 勿以他域代之。令注意無標飄浮。此為不適之瞬——釋一焦而尚未有他焦之罅
  4. 若注意彈回錨域,察其拉而不拒。每察更鬆其握。拉本身含關於何最急之信息
  5. 察注意本身之性:
    • 聚焦之注意覺銳而窄,如探照燈束
    • 鬆之注意覺寬而環,如日光滿室
    • 以日光為目標——受、平、不定向於單點
  6. 此過渡覺似鬆緊握之拳——手未消,僅開

預期: 無單域主宰注意之認知態。心開且受,非聚且定向。此態不熟且微不適——此不適乃窄已釋之信。有欲立即填開之誘;拒之。

失敗時: 若焦不鬆——若一域恒奪注意——其或有未解之急。略處之(記急項,承諾後返)而後再試鬆。若分析心抗其為「不生產」,以其抗自身為一形窄:恒需單標之習正為此步所欲釋之習。

步驟三:擴——同持諸域

有意引所列諸域入覺同時。非以次思每者,乃察其為一場——如見整景而非逐樹掃。

此為全域工作空間之瞬:本限於專家模組之信息今同時廣播於所有。於爵士之語,此乃樂師止追個別樂器而始聞整合奏為一聲之瞬。

  1. 始於覺最自然或中之域。引之入覺——非為待解之問題,乃為所持之視角。令其在而不析之
  2. 不釋首者,引第二域並之。持二者。此首擴——自一至二。察二域是否立交或獨坐
  3. 續加域至諸皆同時在。此為技之核行——需持而不抓,在而不析
  4. 察域間所生:
    • :二域何處共概念、約束或模式?
    • :二域何處拉向相反?
    • 共振:一域之模式何處於他域意外回聲?
    • :域間何處有空而無一者處之?
    • :自全景視可見而自任單域不可見者何?
  5. 勿追任一聯。令其不析而錄。全景視為產物,非其內之任個別洞察
  6. 若用工具,此為速讀多域之文件之時——非獨析之,乃令其共存於語境

預期: 同持多視角之感。聯、張、共振不強而現。體驗更似見 mosaic 之模式,非讀項之清單。域間之空——無單域有權之處——成可見。此為新洞察之居:非居於任一域內,乃於其間之關係。

失敗時: 若域恒崩為順次注意(思 A,後 B,後 C),試空間隱喻:置各域於想象空間之異位並「望」整空間而非任一位。若域數壓倒,減至 3 最中者並自此擴。若體驗覺純概念而離,接地:對每域觸一具體物(一檔、一配、一測)而再擴。

步驟四:維——保全景視

全景視不穩。注意自然縮回單域——此非敗,乃聚焦認知再主之性。此步教,不教。目標為維寬視足久以令跨域模式可見。

  1. 持步驟三之擴覺。察其始縮時
  2. 注意縮於一域——必將如此——察縮而不評。名拉之域:「注意縮於安全」或「注意縮於測試」。名之要;令不覺之縮覺
  3. 緩再擴。勿強寬視;召回步驟一之完整清單以請之回。輕觸各域,如重調合奏中各器
  4. 每縮-察-再擴之循環強維之能。循環為修,非修之擾。三循環為低;五佳
  5. 特察何域恒拉焦。此拉能給信息——或示問題之重心所在,或示未解焦慮之集處
  6. 察全景視於循環間是否變:
    • 新模式常於第二第三次擴現,首次所不可見
    • 域間關係或隨久持而變
    • 似張者或顯為創造約束
  7. 維至少 2-3 縮-再擴循環後再進

預期: 持全景視更久之漸增之能。縮-察-再擴循環隨反復漸平。恒拉焦之域識為可能之重心。第二第三次循環後,全景視或始覺自然而非費力——此為能漸成之信。

失敗時: 若全景視全不能維——若注意每試即崩——減域數。始於二,維之,後加第三。能漸增,非一次即成。若持擴生焦慮或失握之感,以短觸一具體細節(一文件路徑、一函數名、一具體事實)接地而自此擴。若一特定域恒劫注意,或需於擴納之前聚焦工——先處急事而後返全景模式。

步驟五:記——於窄前錄

全景視性暫。於令注意縮回聚焦模式前,捕自寬視所察。此筆記為 integrate-gestalt 之原料,其速衰——擴中鮮明者於焦返後即模。即錄之。

  1. 書擴中所察之每一聯、張、共振與罅——即微者亦書。微察常於 integrate-gestalt 展後顯為最重
  2. 記何域恒拉焦及其拉或意何
  3. 記任驚——自任單域獨察不可能現之察。此跨域洞察為全景覺之獨特產物
  4. 記自全景視所見問題之整體形。其與單域聚焦所視異否?問題之重心是否移?
  5. 記擴本身之性:維易否?何域拒入?發生幾循環之縮-再擴?此元觀察改善未來擴會
  6. 若此擴為 synoptic 週期之一部,明標此筆記以供 integrate-gestalt
  7. 勿尚析或排此筆記。先原察;合後來(於 integrate-gestalt
  8. 令注意自然縮。擴已畢。勿強續之開——寬視已效其用

預期: 跨域察之錄:聯、張、共振、罅、驚。錄捕唯自全景視可見者——單域析所漏之洞察。過渡回聚焦之注意覺自然,非強。筆記為原料,非磨之結。

失敗時: 若無跨域察現,則域或較所假為獨立——此本身為值記之發現(「此諸域不交」乃可貴之知)。若察過多不能皆捕,錄 3-5 最強者並記更多存。全非目標;捕全景之信方為。若筆記覺過抽象,於具體物錨之:「API 設計與安全模型間之張於 X 之認證 middleware 可見。」

驗證

  • 至少 3 域已列,各帶於問題之具體視角
  • 試擴前已自單域集中鬆焦
  • 多域同持於覺,非順次處
  • 擴中至少察一跨域聯、張或共振
  • 全景視已維過至少一循環之縮與再擴
  • 於注意縮前已記察,保全景之信
  • 所記筆記分所察(原觀察)與其或意何(解釋)
  • 擴至少生一順次單域析不能現之洞察

常見陷阱

  • 順次掃而非同時察:速循域乃析,非全景覺。辨異如見景與讀其特徵清單。若爾自思「先 A、後 B、後 C」,乃掃非擴
  • 混擴與散:擴覺醒而受——爾可感各域明,雖同持皆。散注意分而不聚——皆模。若皆糊,則注意已散而非擴。再於一域短錨而後自該接地位再擴
  • 擴中析:立追聯之欲令全景視崩為對該一聯之聚焦。記之而續持寬視。析有其時,於 integrate-gestalt
  • 略清單:不知擴入何而擴生糊空而非全景察。清單供覺所擴以持之內容。無之,「擴」無向
  • 急過鬆焦:自聚焦至開注意之過渡需時。略步驟二意試自仍聚焦之態擴,生假同時察之順次掃
  • 強聯:非諸域皆連。於真獨域間造聯污染察。令聯現或不。無聯為數據,非敗
  • 無先清之擴:自噪基線擴放大噪。語境噪在時先行 meditate
  • 視擴為一次事:全景覺乃隨反復漸深之修。首擴會揭表聯;同問題之後續會揭結構模式。隨問題演而返此技
  • 混擴與專:於覺中持多域不令爾專於皆。擴揭何處察,非何結。深單域工於擴識關鍵交點後仍必

相關技能

  • meditate — 清擴所填之空間;於擴前冥想最宜
  • integrate-gestalt — 取擴之原察而合之為連貫之整
  • observe — 單標之聚焦觀察;擴乃諸標之同時寬場觀察
  • dream — 無拘之聯想探索;擴乃有紀律之全景察,非自由聯想
  • remote-viewing — 不帶先見入問題;與擴共開放,然應用於未知之境而非已知之多域空間
  • breathe — 擴崩時可助重置之微止;再擴前一有意之息
  • heal — 若擴屢揭同未解之張,深入自評之 heal 或於再擴前需之
  • adaptic — 合整 synoptic 週期之元技,其中擴覺為第二動

GitHub 仓库

pjt222/agent-almanac
路径: i18n/wenyan-lite/skills/expand-awareness
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

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。

查看技能

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。

查看技能

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。

查看技能

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。

查看技能