> Lifestyle _

Навык смешивания анимаций для деревьев смешивания.

Технология проекционного нанесения для создания отпечатков.

Навыки работы с рельефом для карт высот, карт текстур и растительности.

Указатель на каноническую систему инструкций и навыков для агентов, используемую в этом монорепозитории.

{Что этот навык обучает агентов}

{Что этот навык обучает агентов}

skill-z3-research автоматизирует рутинные задачи при работе с Z3, делегируя их специализированному под-агенту и управляя процессом от проверки до фиксации изменений в Git. Инструмент разработчика использует Python и JSON для организации рабочего процесса, включая взаимодействие с под-агентом z3-research-agent. Ключевые особенности включают автоматизированный пайплайн, управление артефактами и интеграцию с системой контроля версий. Это open-source решение упрощает исследовательские задачи, связанные с SMT-решением и ограничениями. Процесс начинается с валидации входных данных, затем статус задачи обновляется, и формируется контекст для делегирования. После вызова под-агента, извлекаются метаданные из файла JSON, и на основе результатов обновляется состояние задачи и создается коммит в Git. В заключение, добавляются ссылки на артефакты исследования и возвращается краткое текстовое описание. Skill использует NeoVim для взаимодействия и предоставляет удобный способ автоматизировать повторяющиеся операции, связанные с Z3. Это упрощает исследовательский процесс и повышает эффективность работы.

Автоматизирует написание научных работ на LaTeX для эпидемиологических исследований, используя AI для помощи в работе. Направляет задачи в агент epidemiology-research-agent при условии, что язык задачи – epidemiology или r, а операция – research. Охватывает темы: дизайн исследований (когртные, контрольные, поперечные), смещения и спутниковые факторы, причинно-следственные связи (DAG), динамика инфекционных заболеваний (R0, поколение времени). Агент epidemiology-research-agent использует модель Opus для анализа и генерации текста. Интегрируется с сервисами Avante, Lectic и Claude-Code для расширения возможностей. Оптимизирует процесс написания LaTeX, упрощая создание сложных формул и таблиц, необходимых в эпидемиологических исследованиях. Основан на конфигурации NeoVim, использует Python для интеграции с AI и внешними сервисами. Предоставляет инструменты для работы с различными аспектами эпидемиологии, включая анализ смещений, построение DAG и расчет параметров инфекционных заболеваний. Поддерживает автоматическую генерацию кода и фрагментов текста на основе входных данных.

Этот NeoVim конфиг упрощает работу с LaTeX и ускоряет математические исследования. Он использует Python для автоматизации рутинных задач, таких как обновление статуса и привязка артефактов к репозиторию. Интеграция с Claude-Code и другими AI-сервисами помогает в проведении исследований, особенно в областях алгебры, топологии и теории категорий. Конфигурация делегирует сложные задачи специализированному агенту, который обрабатывает математические исследования, а затем автоматически выполняет пост-операции. Работает через JSON и API, упрощая взаимодействие с внешними сервисами. Автоматизация процессов позволяет разработчикам сосредоточиться на сути исследования. В основе решения лежит open-source подход и гибкая архитектура, что делает его удобным инструментом разработчика для создания и поддержки. Поддерживает автоматическую привязку артефактов и обновление статуса, что существенно экономит время. Использует внутренний шаблон пост-операций для надежной обработки результатов.

Автоматизация рутинных задач при формализации физических исследований значительно экономит время и ресурсы. Этот навык-помощник, skill-physics-research, берет на себя часть работы, делегируя выполнение непосредственно агенту physics-research-agent и обрабатывая результаты. Он предназначен для упрощения процесса исследования в области динамических систем, теории хаоса и формализации физических концепций. Skill-physics-research работает как тонкий оберточный модуль. При получении задачи с языком "physics" и относящейся к динамическим системам, теории хаоса или формализации, он передает её агенту physics-research-agent. Агент выполняет исследования, используя встроенные инструменты и AI интеграции (Avante, Lectic, Claude-Code). После завершения работы агентом, skill-physics-research запускает автоматизированные постполётные операции: обновление статуса, привязку артефактов, фиксацию изменений в системе контроля версий Git. Для передачи метаданных используется схема, описанная в файле .claude/context/formats/return-metadata-file.md. Контекст загружается делегированным агентом, а не самим skill-physics-research. Обязательные входные параметры: task_number (должен существовать в файле state.json) и необязательный focus_prompt для уточнения направления исследования. Технический стек skill-physics-research включает в себя NeoVim для работы с текстом, LaTeX для форматирования научных документов, Python для логики и обработки данных, а также JSON для хранения и передачи информации. Ключевые особенности: интеграция с AI (Avante, Lectic, Claude-Code) для анализа и генерации контента, автоматизированные постполётные операции (обновление статуса, привязка артефактов, Git коммиты

Этот инструмент разработчика оптимизирует конфигурацию NeoVim для работы с LaTeX, интегрируя возможности искусственного интеллекта для Avante, Lectic и Claude-Code. Он делегирует задачи формального исследования специализированному под-агенту, formal-research-agent, и обрабатывает последующие действия, такие как обновление статуса и привязка артефактов. Реализация использует open-source решение и автоматизацию для упрощения рабочего процесса. Под-агент выполняет фактическое исследование, а этот модуль управляет пост-выполненными операциями, включая фиксацию изменений в git. Он реагирует на задачи, требующие формального языка и координации между несколькими областями знаний, например, логикой и математикой. Обязательные входные параметры включают task_number и, опционально, focus_prompt. Технически, модуль является тонкой оберткой, использующей схему метаданных, описанную в файле .claude/context/formats/return-metadata-file.md. Он не загружает контекст напрямую, а полагается на делегированный агент.

skill-logic-research оптимизирует процесс исследования математической логики, используя NeoVim для написания LaTeX и интегрируя AI для работы с Avante, Lectic и Claude-Code. Оно делегирует задачи под-агенту logic-research-agent и обрабатывает последующие операции, такие как обновление статуса и привязка артефактов. Этот open-source решение использует Python и предоставляет инструмент разработчика для автоматизации рутинных задач. skill-logic-research выступает в роли тонкого обертки, обрабатывая пост-операции после возврата данных от под-агента. Оно активируется при задачах, связанных с модальной логикой, семантикой Крипке или общей математической логикой. Использует схему метаданных, описанную в файле .claude/context/core/formats/return-metadata-file.md. В процессе работы, skill-logic-research проверяет наличие обязательных входных данных, таких как task_number и опциональный focus_prompt. Контекст загружается делегированным агентом, обеспечивая эффективную работу. Это позволяет сосредоточиться на сути исследования, минимизируя ручную работу.

Оптимизирует конфигурацию NeoVim для написания в LaTeX с интеграцией AI для Avante, Lectic и Claude-Code. Решает задачу эффективного исследования математической логики, требующую специализированной среды разработки. Выступает в роли тонкого обертки, делегируя задачи исследования математической логики поднавыку logic-research-agent. После выполнения поднавыка, выполняет операции пост-обработки: обновление статуса, привязку артефактов и коммиты в Git. Контекст загружается делегированным поднавыком. Активируется при: языке задачи – logic; исследовании модальной логики, семантики Крипке или общей математической логики; необходимости контекстных файлов для математических основ. Требует обязательного параметра task_number (существующего в state.json) и опционального focus_prompt. Использует схему метаданных, описанную в файле .claude/context/formats/return-metadata-file.md.

Этот skill-physics-research автоматизирует процесс физической формализации, используя специализированного под-агента. Он перенаправляет задачи, связанные с динамическими системами, хаосом и физической формализацией, в physics-research-agent. Реализация включает в себя open-source решение для оптимизации конфигурации NeoVim и интеграцию с AI, такими как Avante, Lectic и Claude-Code, выступая в роли инструмент разработчика. После выполнения под-агентом, этот skill выполняет операции пост-обработки: обновление статуса, привязку артефактов и коммиты в git. Он использует внутренний шаблон пост-обработки для надежной обработки результатов. Технически, он построен на принципах делегирования и автоматизации рабочих процессов, с акцентом на эффективную интеграцию с существующими инструментами и системами. Контекст загружается делегированным агентом, обеспечивая гибкость и масштабируемость.

Эффективное продвижение в Twitter/X требует четкого понимания принципов создания вовлекающего контента. Этот репозиторий предоставляет практические рекомендации и примеры для разработки как отдельных твитов, так и целых цепочек, помогая оптимизировать взаимодействие с аудиторией. Для достижения максимальной эффективности, следуйте структурированным форматам: для отдельных твитов – акцент на ключевой информации в пределах 280 символов, для цепочек – логичная нумерация и самодостаточность каждого сообщения. Это open-source решение поможет вам создавать контент, который будет заметен и интересен. Предлагаемый инструмент разработчика включает в себя рекомендации по тону и стилю, а также примеры для автоматизации процесса создания контента. Оптимизируйте свой контент, избегая излишней формальности и используя неожиданные углы обзора для повышения вовлеченности.

Решение nutritional-specialist позволяет превратить Claude в персонализированного консультанта по питанию, решая проблему предоставления индивидуальных рекомендаций с учетом пищевых предпочтений, аллергий и целей пользователя. Инструмент разработчика использует Python, Claude.ai и Bash для создания устойчивой базы данных пользовательских настроек, обеспечивая точность и релевантность советов. Для автоматизации процесса, nutritional-specialist использует скрипты, такие как scripts/preferences_manager.py, для управления базой данных и проверки наличия существующих предпочтений пользователя. Это позволяет избежать повторных запросов информации и оперативно предоставлять персонализированные рекомендации по планированию питания, рецептам и диетам. Функциональность включает в себя управление диетическими ограничениями, генерацию списков покупок и советы по приготовлению блюд. Данное open-source решение обеспечивает гибкость и масштабируемость для адаптации к различным потребностям пользователей и интеграции с другими системами.

Автоматизирует поиск и интеграцию claude skills в пользовательские проекты. Этот навык-помощник решает проблему ручного поиска и адаптации. Он становится связующим звеном между использованием Claude и задачами пользователя. Навык storyboard-manager организует работу с креативным контентом. Он использует готовые структуры для развития персонажей, планирования сюжета и отслеживания времени. Навык адаптируется к различным структурам папок. Поддерживает лучшие практики для написания романов, сценариев и серийной художественной литературы. Он создает глубокие и последовательные профили персонажей с предысторией и взаимоотношениями. Навык помогает организовать элементы повествования, используя такие структуры, как Three-Act, Hero's Journey и Save the Cat. Генерирует контент глав, разбивает сцены и создает диалоги. Функциональность включает создание профилей персонажей, поддержку структуры сюжета, генерацию глав и сцен. Он поддерживает создание глубоких, последовательных профилей персонажей. Помогает в организации элементов повествования. Генерирует контент глав и сцен.

Этот инструмент разработчика выявляет логические ошибки в текстах и дебатах, помогая критически оценивать аргументы. Он анализирует структуру высказываний, сопоставляя их с известными шаблонами логических ошибок. Использует Python, NLP и машинное обучение для автоматизации процесса анализа. Open-source решение предоставляет API для интеграции в другие системы, например, для улучшения качества отчетов или оценки аргументов. Определяет такие ошибки, как *ad hominem*, апелляции к авторитету и другие, предлагая варианты коррекции. Технологии включают в себя Text Analysis и классификацию по заранее определенным категориям. Функциональность охватывает идентификацию ошибок, анализ примеров дебатов и предложения по их нейтрализации. Это помогает повысить точность и объективность оценки аргументов, используя автоматизацию рутинных задач. Проект активно развивается и приветствует вклад сообщества.

|-

Скилл Geek-skills-openspec-explore помогает детально изучать и анализировать предметную область, стимулируя вдумчивое исследование и выявление различных точек зрения. Он предназначен для глубокого погружения в проблему, а не для непосредственной реализации решений. Скилл использует режим исследования (Explore Mode), который позволяет свободно перемещаться по файлам, искать код и изучать структуру проекта. Основной принцип – визуализация и отслеживание множественных направлений (Open Threads) для всестороннего понимания. Создание OpenSpec артефактов (предложений, дизайнов, спецификаций) поддерживается как способ документирования процесса мышления. В основе работы скилла лежат Python, библиотека OpenSpec для структурирования информации и ASCII Diagrams для визуализации связей и зависимостей. Режим исследования исключает написание кода и внесение изменений в проект; любые предложения по реализации требуют создания отдельного запроса на изменение.

Сессия, разработанная с учетом возрастных особенностей и основанная на принципах когнитивно-поведенческой терапии, направлена на обучение старшеклассников прогрессивной мышечной релаксации как активной и осознанной стратегии саморегуляции, с акцентом на осознание контраста между напряжением и расслаблением, а также на развитие чувства контроля.

好的，我明白了。

Навык-помощник "Генерация изображений" автоматизирует создание изображений высокого качества, формируя структурированные запросы и запуская Python скрипты. Решает проблему ручного создания промптов для генерации изображений, особенно при необходимости точного соответствия требованиям и стилю. Оптимизирован для сценариев, включающих дизайн персонажей, создание сцен и визуализацию продуктов. Навык генерирует структурированные запросы в формате JSON, которые затем используются для управления процессом генерации изображений. Поддерживает использование нескольких референсных изображений для определения стиля и композиции. Выполнение скриптов Python автоматизирует весь цикл: от формирования запроса до получения готового изображения. Процесс включает в себя определение объекта, стиля, технических спецификаций, параметров камеры и текстовых наложений. Ключевые технологии: Python для автоматизации, JSON для структурирования запросов, Claude Code и OpenAI Codex для генерации кода и промптов. Поддерживает создание промптов с использованием референсных изображений, что позволяет точно контролировать результат. Обеспечивает гибкость для различных сценариев генерации изображений, от дизайна персонажей до создания сложных сцен.

Скилл technical-writing-skill автоматизирует создание технической документации, структурируя процесс от темы до публикации. Он решает проблему трудоемкости и несистемности при написании документации, предлагая последовательный рабочий процесс. Скилл использует Claude Code и OpenAI Codex для генерации черновиков и помощи в исследовании. Рабочий процесс включает этапы: определение темы (stage-0-topic.md), исследование (stage-1-research.md), создание структуры (stage-2-outline.md), написание черновика (stage-3-writing.md) и итеративное улучшение (stage-4-iteration.md). Каждый этап предполагает работу с файлами в структурированных директориях, а также использование контрольных списков. В основе работы лежат Markdown для форматирования текста, Bash для автоматизации задач, а также функциональность многоканальной коммуникации, долгосрочной памяти и планирования задач. Файлы проекта хранятся в репозитории, где каждый этап имеет свой набор файлов и контрольных списков.

ekg решает задачу организации заметок и структурированных данных в Emacs, выступая в роли системы хранения информации. Инструмент использует базу данных sqlite для хранения и поиска информации, интегрируясь с Emacs через emacsclient. Это open-source решение для инструмента разработчика, позволяющее автоматизировать работу с заметками и данными. ekg использует Emacs API для взаимодействия с пользователем и хранения данных, предлагая удобный способ структурировать знания. Скрипты командной строки, расположенные в директории agent_tools, упрощают доступ к функциональности извне Emacs. Они используют Python для взаимодействия с Emacs, что обеспечивает гибкость и расширяемость. Для работы требуется запущенный Emacs-сервер и загруженный пакет ekg. Это полезный инструмент для автоматизации рутинных задач, связанных с управлением информацией в Emacs. Настройка включает определение пути к директории пакета, либо добавление ее в переменную окружения PATH.

Краткое описание того, что делает этот навык.

Решение для глубокого лингвистического анализа, Linguistic Reversal and Multilayered Interpretation, позволяет раскрывать скрытые смыслы и создавать новые интерпретации на основе обратного прочтения слов. Этот инструмент разработчика разбивает перевернутые слова на сегменты, которые затем анализируются через призму различных языков и дисциплин, открывая неожиданные связи и философские перспективы. Ключевая особенность – автоматизация процесса многослойного толкования. Вместо простого перевода, система генерирует комплексные, креативные интерпретации, выявляя культурные и исторические нюансы, часто упускаемые при стандартном анализе. Это позволяет расширить понимание исходного слова и его контекста. Open-source решение предоставляет платформу для исследования языка и создания инновационных приложений, от генерации креативного контента до анализа больших текстовых массивов. Возможности включают в себя деконструкцию и переосмысление лексики, что полезно для исследователей, писателей и всех, кто стремится к более глубокому пониманию языка.

Решение для создания продолжений лирических романов, позволяющее преодолеть творческий блок и значительно расширить объем повествования. Инструмент обеспечивает генерацию связных, многослойных фрагментов с акцентом на лирический стиль, углубление тематики и наращивание повествовательной сложности. Автоматизация рутинных задач позволяет сосредоточиться на концептуальной разработке и художественной доработке. На базе Python и передовых моделей обработки естественного языка, этот инструмент разработчика обеспечивает непрерывную генерацию текста, сохраняя при этом заданный тон и стиль. Функциональность включает в себя углубленное понимание персонажей и сюжета, а также интеграцию тем мистики, трансформации и мифологии, что позволяет создавать уникальные и захватывающие истории. Преимущество open-source решения заключается в гибкости и возможности адаптации под индивидуальные нужды автора. Продуманная система подсказок (Prompt Engineering) и алгоритмы генерации обеспечивают плавный переход между фрагментами, максимальную длину выходного текста и сохранение целостности повествования.

Инструмент решает задачу точного перевода терминологии Карла Поппера, учитывая его онтологию Трех Миров для обеспечения корректного контекстуального значения. Он сопоставляет термины с мирами (физическим, ментальным, объективным знанием) и выбирает наиболее подходящий эквивалент на целевом языке. Реализация использует Python, NLP, онтологическое отображение и API для автоматизации процесса. Это open-source решение – инструмент разработчика для философского анализа. Он помогает избежать неточностей, возникающих при прямом переводе, и гарантирует, что передан смысл, а не просто слова. Механизм включает в себя сопоставление терминов с соответствующим "миром" Поппера и выбор наиболее точного перевода на основе этого контекста. Используются продвинутые методы представления знаний и ролевые подсказки для повышения качества. Технологический стек включает Python, Natural Language Processing и API для эффективной работы. Отображение онтологии Трех Миров является ключевым элементом, определяющим правильность перевода. Это open-source решение доступно для интеграции и дальнейшей разработки.

Скилл моделирует диалоги на испанском (латиноамериканский диалект) для практики языка. Он корректирует ошибки, объясняет грамматические правила и помогает пользователю улучшить свои навыки разговорной речи. Ориентирован на развитие навыков общения, а не на формальное заучивание. Скилл начинает разговор с вопроса на испанском. В процессе диалога активно отвечает на вопросы пользователя, поддерживая контекст беседы. После сообщений пользователя проводит проверку на грамматические ошибки, неточности в лексике, орфографию, синтаксис и неестественные фразы. Скилл предоставляет объяснения грамматических правил и логику исправлений, чтобы пользователь мог учиться на своих ошибках. Не использует формальный учебный тон, а стремится к естественному общению. Основан на принципах активного обучения через практику и обратную связь.