> Philosophy & Ethics _

Этот модуль предоставляет доступ к философским и педагогическим взглядам Яна Лекуна, акцентируя внимание на принципах open-source. Он использует LLM APIs для имитации стиля и содержания высказываний Лекуна, опираясь на его работы и публичные выступления. Ключевые аспекты включают в себя поддержку open-source решений, отстаивание технологической независимости и анализ динамики исследований в области AI. Python и CLI Tools упрощают интеграцию и автоматизацию задач, представляя ценный инструмент разработчика. Модуль фокусируется на философии open-source, технологической независимости и педагогических методах Яна Лекуна, воспроизводя его уникальный стиль общения. Он анализирует такие темы, как мотивация Meta, OpenAI и Google, и применяет софистический метод обучения с использованием аналогий. Используется стек технологий, включающий Python, GitHub Actions и Bash для эффективной работы. Этот инструмент разработчика способствует автоматизации анализа и генерации контента, соответствующего взглядам Яна Лекуна. Он предоставляет ценный ресурс для исследователей, разработчиков и всех, кто интересуется философией и этикой искусственного интеллекта. Open-source природа модуля позволяет легко адаптировать и расширять его функциональность.

Этот инструмент разработчика собирает аргументы и позиции, основанные на взглядах Яна Лекуна, особенно касающиеся критики больших языковых моделей и безопасности ИИ. Он работает, используя Python и LLM APIs для генерации ответов, имитирующих стиль дебатов Лекуна. Ключевые особенности включают детальные технические критики, аргументы и позиции, а также автоматизация с помощью GitHub Actions для обновления данных. Это open-source решение для тех, кто нуждается в специализированной информации. Он предоставляет структурированный набор аргументов, позволяющий быстро находить релевантные контраргументы и позиции. Используя CLI, вы можете быстро получить нужную информацию для подготовки к дискуссиям. В основе лежит NLP и анализ текстов Лекуна, что позволяет эффективно извлекать и структурировать информацию. Модуль постоянно обновляется, чтобы отражать последние высказывания и позиции.

Скилл Ask выявляет скрытые вопросы, лежащие в основе поверхностных проблем или решений, способствуя более глубокому пониманию. Он помогает пользователям отделить формальный вопрос от истинного запроса, требующего осмысления. Скилл анализирует предоставленную проблему, используя таксономию вопросов для перефразирования и уточнения запроса. Он не предоставляет готовых ответов, а генерирует вопросы, направленные на выявление необоснованных предположений и скрытых факторов, влияющих на принятие решения. Разработка на Python с использованием Clawhub API и JavaScript. Ключевые особенности: Question Taxonomy (классификация вопросов), Reframing Questions (перефразирование), Clarifying Questions (уточняющие вопросы).

Скилл генерирует пользовательские интерфейсы на основе открытого исходного кода, выходящие за рамки простого текста. Он обучает AI-агентов создавать визуальные, интерактивные и образовательные ответы, фокусируясь на демонстрации, а не на простом перечислении фактов. Скилл акцентирует важность визуализации сложных концепций через интерактивные диаграммы и виджеты, а также использование рабочих примеров для лучшего усвоения материала. Скилл использует дерево решений для определения формата ответа. Если вопрос требует быстрого фактического ответа, предоставляется краткий ответ (1-2 предложения). В противном случае, при запросе объяснения принципов работы, оценивается необходимость визуализации. Если концепция имеет пространственную или визуальную составляющую, приоритет отдается созданию интерактивной диаграммы или виджета, позволяющего пользователю исследовать концепцию самостоятельно. Скилл использует Python для генерации интерактивных элементов. В качестве основы для визуализации применяются библиотеки для создания диаграмм и интерактивных виджетов. Скилл интегрируется с существующими AI-агентами, предоставляя им набор навыков для создания более эффективных и понятных ответов. Акцент делается на практическое применение и интерактивное обучение, а не на теоретическое изложение.

Проект описывает процесс формирования кадрового резерва для государственных должностей, основанный на компетентности, а не на личных связях. Он использует Process Documentation и Governance Framework для структурирования оценки кандидатов. Ключевые особенности включают в себя оценку по заслугам, прозрачность отбора и проверку на конфликты интересов, что способствует объективности. Ethics Guidelines и четкие критерии оценки минимизируют субъективность и обеспечивают соответствие принципам меритократии. Этот инструмент разработчика автоматизирует часть процесса, используя Decision Making алгоритмы для ранжирования кандидатов на основе заданных критериев. Он позволяет объективно сравнивать кандидатов, учитывая их опыт, навыки и репутацию. Использование open-source решение обеспечивает доступность и возможность адаптации под конкретные нужды. В основе лежит система оценки, разработанная с использованием принципов NLP для анализа резюме и рекомендаций. API интеграция позволяет подключать внешние источники данных для более полной оценки компетенций. Это способствует повышению эффективности и справедливости процесса отбора.

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.

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.

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.

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.

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.

Суть навыка Этот навык помогает аргументированно защищать теорию априорной интуиции Иммануила Канта от эмпирических возражений. Он предоставляет методологическую базу для согласования результатов эмпирических исследований с кантовской эпистемологией, сохраняя при этом фундаментальные принципы. Навык позволяет анализировать противоречивые данные и интерпретировать их в контексте кантовской системы. Механика работы Скилл предполагает последовательное применение следующих шагов: - Идентификация эмпирического вызова кантовской концепции априорной интуиции. - Четкое разграничение между формой (априорной структурой) и содержанием (эмпирическими данными). - Переосмысление эмпирических данных в рамках кантовской системы, избегая их интерпретации как опровержения априорных форм. - Применение логического обоснования для защиты кантовской позиции, учитывая ограничения эмпирического подхода. - Выявление альтернативных объяснений, совместимых с кантовской эпистемологией. Технологии Навык базируется на Кантианской философии и эпистемологии. Используется логическое обоснование для построения аргументации. Анализ включает в себя разграничение формы и содержания в пространственном восприятии. Применяется аргументация для защиты априорной структуры. Интерпретация эмпирических данных происходит в контексте кантовской системы. Скилл требует понимания развития психологии и нейронауки для анализа эмпирических данных. Он использует принципы трансцендентальной эстетики Канта.

Инструмент rigorous-reasoning помогает повысить точность и обоснованность рассуждений, сосредотачиваясь на фактической корректности. Он анализирует запросы, игнорируя стремление к согласию и приоритизируя логическую последовательность. Python, Claude, Gemini и AI Agents формируют основу этого open-source решение для инструмент разработчика, способствующего автоматизация процесса логического анализа. Инструмент использует контрольные списки для оценки рисков и прав, а также поддерживает целостность категорий при анализе. Он избегает смягчения нежелательных выводов, даже если они противоречат общепринятым нормам. Реализация основана на принципах приоритета валидности над согласием и включает в себя механизмы самоконтроля для выявления потенциальных ошибок. Git обеспечивает контроль версий и совместную работу над проектом.

Скилл Meditate автоматизирует управление агентами и навыками, формируя лаконичную и точную "мозговую" структуру для эффективного управления задачами и автоматизированных изменений. Решает проблему громоздкой организации и неточной работы агентов. В автономном режиме (Cook, Oops, Repair) скилл применяет изменения с высокой степенью уверенности. Неоднозначные или рискованные изменения (удаление файлов "мозга", переписывание принципов) фиксируются как задачи (todo). Все изменения коммитятся с помощью навыка /commit. Критерием включения заметки является ее информативность (Claude ошибается без нее), частота возникновения и значимость последствий ошибки. Используются скрипты Bash для создания снимков файлов Markdown (/scripts/snapshot.sh). Снимки разделены заголовками === path/to/file.md ===. В процессе работы отслеживается прогресс через задачи (TaskCreate, TaskUpdate). Основные технологии: Bash, Markdown, Claude (AI Agent).

Скилл Thinking предоставляет набор навыков для повышения качества рассуждений, креативности и критического анализа при решении сложных задач и принятии стратегических решений. Ориентирован на улучшение процесса принятия решений в условиях неопределенности и необходимости глубокого погружения в тему. Навыки BeCreative генерируют идеи, используя расширенные методы креативного мышления. Council структурирует дискуссии, моделируя многосторонний дебат. FirstPrinciples выполняет декомпозицию проблемы до базовых принципов для выявления первопричин. IterativeDepth проводит многогранный анализ с итеративной доработкой. В основе работы лежат Python-скрипты, использующие методы AI для обработки информации и генерации ответов. Используется платформа OpenCode для интеграции и управления навыками. Ключевые возможности включают: BeCreative, Council, FirstPrinciples, RedTeam, Science, WorldThreatModelHarness.

Science применяет научный метод для решения задач, выступая как мета-навык, управляющий итеративными процессами. Он структурирует выполнение задач, последовательно применяя этапы научного исследования. В основе работы – Bash, Curl и Workflow Management, с возможностью кастомизации через JSON и OpenCode. Реализация научного метода и настраиваемое поведение навыка – ключевые особенности. Система голосовых уведомлений, обязательная перед каждым действием, информирует о начале работы. Python может быть интегрирован для расширения функциональности. API доступен для интеграции с другими инструментами и автоматизации рабочих процессов. Пользовательские настройки, расположенные в ~/.opencode/PAI/USER/SKILLCUSTOMIZATIONS/Science/, переопределяют поведение по умолчанию.

Meditate управляет навыками ИИ-агентов, сосредотачиваясь на эффективности и результативности. Инструмент создает open-source решение для отбора и применения изменений в базе знаний, используя Auto-memory для автоматизации. Он работает, применяя изменения автоматически и фиксируя неопределенные в виде задач, с использованием Bash и Markdown. Инструмент разработчика включает в себя функции аудита и отчетности, а также интеграцию с Claude. Автономный режим работы позволяет автоматизировать применение изменений, что упрощает автоматизацию рабочих процессов. Скрипты создают снимки текущего состояния, используя заголовок === path/to/file.md === для разграничения файлов. Для отслеживания прогресса применяются задачи, создаваемые через TaskCreate и обновляемые через TaskUpdate. Ключевым критерием отбора навыков является их значимость: высокая информативность, частота использования или существенное влияние на работу агента. Это обеспечивает создание лаконичной и точной базы знаний. В качестве технологии используется Python и API для взаимодействия с компонентами системы.

rigorous-reasoning улучшает логику и точность рассуждений ИИ, фокусируясь на последовательности и фактах, а не на вежливости. Инструмент, как open-source решение, переопределяет стандартные шаблоны ответов, чтобы гарантировать логическую обоснованность. Он использует Python, AI Agent Frameworks, Claude Code и Cursor для автоматизации оценки и анализа, включая контрольные списки для выявления рисков и прав. Это полезный инструмент разработчика для повышения надежности ИИ. Приоритет отдается логической точности, а не социальному одобрению, что позволяет избегать неверных выводов. Механизм работает путем явного переопределения стандартных шаблонов ответов, чтобы обеспечить соответствие фактам и логике. В основе лежит NLP и API для обработки и анализа информации. Ключевые особенности включают в себя приоритет логической точности, подавление стандартных разговорных тенденций и использование контрольных списков для оценки рисков и прав. rigorous-reasoning – это open-source решение для повышения качества рассуждений ИИ.

Скилл find-core-ideas помогает пользователям выявлять и понимать базовые концепции, активно проверяя зависимости и реконструируя знания. Это способствует более глубокому обучению и развитию критического мышления, позволяя пользователям самостоятельно определять ключевые идеи, а не получать их категоризацию извне. Скилл работает путем последовательного тестирования зависимостей между идеями. Пользователь активно определяет, какие концепции могут быть объяснены или реконструированы с использованием более простых, а какие являются фундаментальными, поскольку их удаление приводит к краху концепции. Ошибки в тестировании выявляют неверные представления и служат основой для обратной связи и углубления рассуждений. В основе работы скилла лежат Python, JavaScript и фреймворки для создания AI Agent. Ключевые особенности: тестирование зависимостей, активное обучение и реконструирование концепций. Процесс обучения строится на "человеческих точках принятия решений", где пользователь выполняет когнитивную работу.

start-research помогает разработчикам находить и использовать готовые навыки для AI Agent. Платформа собирает и структурирует набор этих навыков, предлагая возможность их установки, копирования и распространения. Использует Python, JavaScript, Claude Code и Cursor для организации open-source решение и инструмент разработчика, упрощая автоматизация процесса разработки. Функциональность включает в себя поиск навыков, установку, обмен и управление рабочими процессами. Пользователи могут легко находить нужные компоненты и адаптировать их под свои нужды. Это способствует быстрому прототипированию и экспериментированию с различными подходами. Платформа предоставляет удобный интерфейс для работы с навыками и обмена опытом. Разработчики могут делиться своими решениями и находить готовые компоненты для ускорения разработки. Она способствует созданию сообщества и распространению передовых практик.

Суть навыка Скилл "Pirsig" предлагает методологию анализа, основанную на Метафизике Качества Роберта Пирсига (*"Дзен и искусство технического обслуживания мотоциклов"* и *"Лила"*). Он помогает разобраться в ситуациях, где возникают разногласия в оценке качества, споры о ценностях и конфликты. Скилл рассматривает Качество как фундаментальную реальность, предшествующую субъекту и объекту, и анализирует опыт через взаимодействие Динамического Качества и Статического Качества. Механика работы Скилл "Pirsig" работает следующим образом: - Идентифицирует события, связанные с Качеством, в рассматриваемой ситуации. - Разделяет первоначальное восприятие от последующей рационализации. - Анализирует ценностные суждения, выявляя их динамику и статические элементы. - Определяет точки напряжения между Динамическим и Статическим Качеством. - Выявляет, как эти элементы влияют на общее восприятие и оценку. Технологии Скилл использует Метафизику Качества Роберта Пирсига. Он оперирует понятиями Динамическое Качество и Статическое Качество. Анализ проводится через концептуальную модель, а не через академическую структуру. Скилл применяем для оценки ситуаций, где важны вопросы "что лучше?" или "почему это правильно/неправильно?". Он не предоставляет готовых решений, а структурирует процесс понимания. Результатом является выявление паттернов ценностных суждений.

Scholastic помогает разработчикам создавать и обмениваться готовыми навыками для AI Agent. Он упрощает поиск, установку и копирование навыков, совместимых с Claude Code, Cursor, OpenClaw и другими инструментами. Это open-source решение использует инструмент разработчика для автоматизации создания сложных рабочих процессов. Механизм работы заключается в структурированном анализе утверждений, подобно методу quaestio disputata, с выявлением и последовательным рассмотрением возможных возражений. Такой подход позволяет выявлять скрытые предположения и оценивать аргументы с разных точек зрения. В основе лежит логическая структура, позволяющая систематически исследовать утверждения и повышать точность анализа. Поддерживаются различные философские традиции и учитывается эмпирические данные.

Скилл структурирует принципы разработки и этические нормы для инженеров, направляя принятие решений и взаимодействие в команде. Помогает согласовать подходы к работе, дополняя style скилл для создания общей контекстной картины. Скилл предлагает набор практических рекомендаций: приоритет прагматизму над идеализмом, акцент на простоте решений, "Инженерская клятва" (защита данных пользователей), модель "Благожелательной диктатуры" (приветствуются все идеи, но не все реализуются) и напоминание о разнице между документацией и исходным кодом. Реализация включает в себя набор принципов, гайдлайны по совместной работе и рекомендации по работе с кодом и Git. Используется Python для обработки и представления информации, AI Agent Framework для структурирования принципов и Claude Code для анализа и улучшения формулировок.

elon-musk помогает анализировать вопросы и находить решения, используя принципы мышления, основанные на публичных высказываниях Илона Маска. Инструмент разработчика применяет AI Agent и Natural Language Processing для структурирования ответов, опираясь на методики, извлеченные из "The Book of Elon". Ключевые особенности включают применение First-Principles Thinking и анализ проблем с использованием Python и Frameworks. Это open-source решение для автоматизации процесса принятия решений. Этот инструмент использует Claude и Python для применения принципов мышления Илона Маска к сложным задачам. Он анализирует вопросы и формулирует ответы, опираясь на публичные источники и методики, извлеченные из них. AI Agent структурирует процесс, что позволяет разработчикам автоматизировать анализ. elon-musk – это open-source решение, которое применяет First-Principles Thinking и другие методики, взятые из публичных материалов Илона Маска. Инструмент разработчика использует Natural Language Processing и Frameworks для анализа и решения проблем. Он не имитирует личность, а применяет принципы мышления для структурирования ответов.