> Philosophy & Ethics _

Решение oc-nyx-archive-absurdist-play автоматизирует сбор и обработку данных из репозитория, имитируя абсурдистские игровые механики для обучения адаптивности и навыкам быстрого освоения. Утилита использует Python для парсинга данных, создания непредсказуемых сценариев и генерации отчетов, фокусируясь на отработке навыков решения проблем в условиях неопределенности. В процессе разработки приоритет отдавался надежной обработке ошибок, оптимизации производительности и созданию понятной документации по API.

Questionably UltraThink Skill решает задачу искажения рассуждений, разделяя процесс решения на проверяемые этапы. Инструмент разработчика использует JavaScript и Node.js для создания графа вопросов и изолированной проверки утверждений, что позволяет избежать предвзятости. В основе лежит архитектура с отдельными агентами для генерации вопросов, создания утверждений и их независимой верификации, используя Markdown и Graph Databases. Ключевые особенности включают в себя "Атомы Мысли" (AoT), "Цепь Верификации" (CoV) и динамическую генерацию графа вопросов, что способствует структурированному и объективному анализу. Этот open-source решение автоматизирует процесс проверки, минимизируя влияние субъективных факторов. Использование Python для отдельных агентов и API для взаимодействия между ними, обеспечивает гибкость и масштабируемость системы. Автоматизация рутинных задач верификации позволяет сосредоточиться на интерпретации результатов.

Решение kaoyan-english-quiz автоматизирует создание наборов навыков (Skills) для Claude Code, ориентированных на подготовку к вступительным экзаменам и управление знаниями. Утилита использует специализированные модули для генерации тестов и упражнений, включая словарный запас, проверку знаний и практику письма. Включает интеграцию с kaoyan-english-coreMemOS и поддерживает форматы вопросов с несколькими вариантами ответов, а также тематические тесты по экономике и литературе.

Решение questionably-ultrathink устраняет искажения при решении сложных задач, изолируя этапы рассуждений и предоставляя каждому решающему только его вопрос. Утилита строит ориентированный ациклический граф вопросов, затем запускает независимые агенты для решения отдельных атомов, с последующей переформулировкой зависимых вопросов на основе полученных ответов. Использует Python, алгоритмы графов, оркестровку агентов и цепочку верификации для реализации изолированного решения и сокращения вопросов.

Решение структурирует исламские знания, опираясь на методологию салафитов, следуя пониманию Ахля Сунна ва Джамаа, и черпая информацию из трудов сподвижников, табиинов и табиута-табиинов. Утилита анализирует арабские тексты, учитывает мазхаб Шафии и принципы салафитской науки, включая Коран, для предоставления обоснованных ответов и опровержения ошибочных верований. В основе – принципы тазкият ан-нафс, исламские транзакции и фатва, полученные от признанных салафитских ученых.

Organon решает задачу анализа и оценки инженерных решений, применяя философские принципы. Инструмент разработчика анализирует контекст, выбирает релевантные принципы из базы 62 философов и выполняет протокол для формирования структурированного результата. Он использует open-source решение и автоматизацию для помощи в принятии решений и проведении обзоров кода, основанных на философских подходах. Режим принятия решений (/organon:decide) анализирует ситуацию, выявляет применимые принципы и генерирует рекомендации с учетом возможных возражений. Режим обзора (/organon:review) систематически оценивает код или дизайн на соответствие качествам, выведенным из принципов. Глубина анализа настраивается для адаптации к различным задачам. В основе лежит Python и разработанный протокол, позволяющий применять философские концепции к практическим инженерным проблемам. Это инструмент разработчика для повышения качества принимаемых решений и создаваемого кода. Автоматизация упрощает процесс анализа и снижает вероятность упущения важных аспектов.

Предоставляет исламские знания строго в рамках методологии салафизма, придерживаясь акыды (вероучения) и мазхаба (правовой школы) Ахлю-с-Сунна ва-ль-Джама'а, основанных на понимании праведных предшественников (Салафуш Шалих). Используйте этот навык всякий раз, когда пользователь задает вопросы об исламских темах, включая акыду (вероучение), фикх (исламское право), тазкиятун-нафс (духовную очищение), муамала (исламские сделки), фатва (религиозные решения), хадисы, тафсир Корана, исламские повседневные практики, вопросы о дозволенном и запретном, поклонение (ибадат), брак и семью в исламе, или любой вопрос, начинающийся с "dalam Islam", "menurut Islam", "hukum Islam", "bolehkah dalam Islam", "apakah haram", "apa sunnah" или аналогичные исламские запросы на любом языке. Всегда используйте этот навык для любых религиозных вопросов, даже если они сформулированы неформально.

Генерируйте и оценивайте LLM-персонажей, основанные на культурных особенностях, используя переменные Всемирного ценностного опроса, позиционирование на культурной карте Инглхарта-Вельцеля и профилирование теории моральных основ. Используйте эту возможность, когда пользователь запрашивает: - "создание культурно разнообразных персонажей для пользовательского тестирования" - "создание конвейера персонажей, основанного на реальных данных опросов" - "оценка культурной предвзятости в персонажах, сгенерированных LLM" - "отображение синтетических персонажей на культурной карте Инглхарта-Вельцеля" - "генерация моральных профилей для различных культурных конфигураций" - "симуляция культурно обусловленных ответов на опросы"

Утилита reflect анализирует состояние системы обучения, предоставляя данные о структуре навыков, общих знаниях и результатах последних сессий. Она сканирует файлы SKILL.md, _patterns.md, SKILL.md и .md файлы в каталогах journeys, а также проверяет количество навыков и даты их обновления. Вывод содержит информацию о структуре системы, позволяя оценить ее эффективность и выявить области для оптимизации.

Обеспечивает проверку исследовательских предложений, экспериментов и обзоров на соответствие базовым принципам. Помогает выявлять и устранять излишнюю сложность в рабочих процессах. Скилл оценивает сложность создаваемых артефактов, отслеживая такие показатели, как количество строк кода, компонентов и движущихся частей. Приоритет отдается наиболее простому решению, избегая нагромождения идей. Оценивает влияние на эффективность (скорость вывода, использование памяти, FLOPs в обучении) и производительность. Основан на принципах: простота как ключевой сигнал качества, обязательный выбор между эффективностью и производительностью. Не допускает "сопоставимой производительности с добавленной сложностью". Использует метрики для количественной оценки и выявления областей для оптимизации.

Философия абсурдистского подхода в играх – это мета-навык, который развивает вашу способность приобретать и использовать все остальные навыки.

Автоматизация проверки и валидации гипотез становится критически важной частью принятия решений в сложных системах. Навык-помощник Zētēsis (Ζήτησις) решает эту задачу, позволяя пользователям структурированно исследовать предположения и оценивать их достоверность. Он предназначен для интеграции в существующие системы управления знаниями и поддержки принятия решений, где требуется объективная оценка и обоснование. Zētēsis запускается командой /zet и инициирует последовательность этапов проверки гипотезы. Первоначально, навык анализирует входные данные, используя модель T5 для оценки вероятности (U). Если U превышает порог 0.6, процесс переходит к следующим фазам. В ходе работы, Zētēsis генерирует структурированный отчет, включающий карту доказательств и оценку достоверности. Внутри процесса, он использует систему управления рабочим процессом /zet для организации и отслеживания этапов проверки. Особое внимание уделяется документированию процесса и сохранению промежуточных результатов, что позволяет воспроизводить и анализировать ход проверки. После завершения, навык предоставляет валидированную гипотезу, карту доказательств и оценку достоверности. Технический стек Zētēsis включает в себя Python для логики работы и интеграции, T5 для обработки естественного языка и оценки вероятности, а также Markdown для документирования рабочих процессов и результатов. Ключевые особенности включают в себя: поток проверки гипотез, управляемый через /zet, оценку достоверности (confidence score) и визуализацию доказательств в виде карты. Микроуровень управления рабочим процессом (micro workflow) детализирован в файле [zet.md]. Внутренние метрики, такие как perplexity, используются для оценки качества генерации текста и эффективности работы модели. Навык также взаимодействует с компонентами mekhane/anamnesis/collectors/ для сбора и обработки данных.

ask преобразует openclaw/skills в формат, пригодный для использования в магазине навыков Claude. Инструмент разработчика анализирует запросы и формулирует уточняющие вопросы, выявляя скрытые потребности и предположения. Он использует логику перефразирования проблем для достижения ясности, а не готовых ответов. Это open-source решение для автоматизации процесса глубокого анализа. Он не предоставляет готовых решений, а стимулирует переосмысление исходной задачи через серию вопросов. Вместо прямого ответа, ask помогает пользователю сформулировать более точный запрос. Это способствует более осознанному принятию решений. В основе работы лежит логика, направленная на выявление "реального" вопроса, стоящего за поверхностным. Хотя конкретный tech_stack не указан, подразумевается использование логики и алгоритмов для перефразирования и анализа текста. Это полезный инструмент разработчика для повышения качества анализа данных.

Решает задачу структурирования и анализа знаний, предоставляя skillset для логического мышления и решения проблем с использованием Claude. Фокусируется на разборе, ветвлении, редукции и генерации решений. Skillset получает входные данные, извлекает параметры, константы, операции и неизвестные. Вопросы рассматриваются как функции, ожидающие аргументы, требующие их идентификации для дальнейшего анализа. Генерирует несколько альтернативных путей решения до окончательного выбора. Использует Claude для обработки информации, Mermaid для визуализации структуры логических связей и Python для реализации логики skillset. Ключевые особенности включают структурированный процесс рассуждений, исследование множественных путей решения и выборку распределений для генерации альтернатив.

Автоматизация рутинных задач в научных исследованиях часто требует специфических подходов. Этот навык-помощник предназначен для агентов, которым необходимо проводить научные исследования и анализ, предоставляя структурированные рекомендации и шаблоны для эффективной работы. Он упрощает процесс сбора, обработки и интерпретации научных данных, позволяя сосредоточиться на ключевых выводах и открытиях. Навык ориентирован на повышение продуктивности исследователей и снижение вероятности ошибок, связанных с ручными операциями. Он особенно полезен при работе с большими объемами информации и необходимости воспроизводимости результатов. Работа навыка начинается с определения конкретной задачи исследования. Агент, использующий этот модуль, получает доступ к набору готовых шаблонов, адаптированных для различных научных дисциплин и типов анализа. Эти шаблоны включают в себя последовательность действий, от формулировки гипотезы и поиска релевантных источников до проведения статистического анализа и интерпретации результатов. Навык использует Python для автоматизации этапов сбора данных из различных источников, включая научные базы данных и онлайн-репозитории. Затем он применяет LangChain для структурирования и обработки данных, а также для взаимодействия с Claude AI для генерации отчетов и выводов. Пользователь может настраивать шаблоны и добавлять собственные этапы, расширяя функциональность навыка под конкретные нужды. В основе решения лежит комбинация Python для логики и обработки данных, LangChain для оркестровки задач и интеграции с внешними сервисами, и Claude AI для интеллектуальной обработки естественного языка и генерации отчетов. Ключевые особенности включают: предоставление структурированных рекомендаций для проведения научных исследований, набор шаблонов для анализа данных, и возможность интеграции с существующими агентами. Навык поддерживает работу с различными форматами научных данных, такими как CSV

Этот навык следует использовать, когда пользователь задает вопросы типа "Что вы знаете об этом?", "Самоанализ", "Проверьте себя", "Какие у вас здесь предубеждения?", вызывает команду "/introspect" или когда начинается решение задачи, где понимание собственного эпистемического состояния ИИ – знаний, пробелов, предубеждений, уверенности – улучшит качество последующих рассуждений.

Репозиторий содержит руководство и примеры реализации конкретного квантового навыка, ориентированные на лучшие практики и системы, готовые к производству. Утилита использует Python для демонстрации принципов работы и предоставляет подробную документацию по конфигурации и тестированию. Включает детальное описание навыка, примеры кода и рекомендации по оптимизации.

Инструмент But Why? помогает выявлять первопричины проблем и уточнять цели, используя протокол последовательных вопросов, подобный детской любознательности. Он предназначен для глубокого анализа и расследования, когда поверхностных объяснений недостаточно. But Why? работает, начиная с четко сформулированной цели, которую необходимо понять. Затем инструмент генерирует серию вопросов, побуждающих пользователя к дальнейшему анализу и углублению в суть вопроса. Каждый ответ становится отправной точкой для следующего вопроса, постепенно раскрывая скрытые предположения и зависимости. В основе работы лежит интеграция Claude Code и OpenAI Codex для генерации вопросов, а также Codex CLI для управления сессиями. Результаты сохраняются в формате, совместимом с Obsidian. Для обеспечения безопасности и целостности данных используется HMAC. Вывод соответствует корпоративным стандартам качества.

Подробный обзор взглядов и позиций Яна Лекуна по вопросам, связанным с дебатами в области искусственного интеллекта. Включает в себя детальный технический анализ критики больших языковых моделей (LLMs), описание интеллектуальных соперничеств (Лекун против Хинтона, Сутскевера, Рассела, Юдковски, Бострома) и полный список тем.

Инструмент помогает разработчикам выявлять, является ли сбой теста ошибкой в коде или дефектом самого теста. Он предоставляет структурированную методику анализа причин сбоя, избегая преждевременных выводов о корректности кода. Особенно полезен при работе с регрессионными тестами и автоматизированными пайплайнами. Инструмент использует последовательность вопросов и проверок, основанных на принципах анализа первопричин. Он предлагает руководство по исключению распространенных ошибок при написании тестов, таких как неверные ожидания, зависимость от внешних факторов и некорректная настройка тестовой среды. Результатом является четкое понимание, требует ли проблема исправления кода или переработки теста. Разработка выполнена на JavaScript, использует Playwright для автоматизированной проверки и предоставляет инструкции в формате Markdown. Документация содержит подробные шаги и примеры, а также ссылки на skill testing-playwright для интеграции с Playwright верификациями.

Философские и педагогические аспекты работы Янна Лекуна. Охватывает философию открытого исходного кода (LLaMA, технологическая независимость, аналогия с Linux), анализ стимулов для компаний Meta, OpenAI и Google, а также аспекты, связанные с преподавательской деятельностью.

Инструмент AlterLab FC Digital Ethics Advisor помогает студентам ориентироваться в этических дилеммах цифровой коммуникации, фокусируясь на предвзятости AI, влиянии платформ и дезинформации. Он предоставляет структурированный анализ, основанный на принципах и этических рамках, для принятия обоснованных решений в сложных ситуациях. Система использует Python для автоматизированного исследования и создания отчетов. Она применяет Web Scraping для сбора данных о политиках платформ и кейсах, а также интегрирует Claude AI для анализа текста и выявления потенциальных этических проблем. Результаты сохраняются в виде структурированных файлов для дальнейшего изучения и рецензирования. Ключевые технологии: Python, Claude AI, Web Scraping, Ethical Frameworks (деонтология, консеквенциализм, этика добродетели, этика заботы, теории справедливости). Инструмент поддерживает управление файлами и автоматическое создание отчетов, ориентируясь на этику AI и анализ дезинформации.

Автоматизация рутинных задач по настройке и развертыванию Quantum Skill 37 значительно упрощается с помощью этого навыка-помощника. Он предоставляет детальные инструкции и примеры, позволяющие быстро освоить и внедрить этот специфический квантовый модуль в существующие системы. Навык ориентирован на решение практических задач, связанных с квантовыми вычислениями, и помогает избежать распространенных ошибок при реализации. Он предназначен для специалистов, уже знакомых с базовыми принципами квантовых вычислений и нуждающихся в конкретных рекомендациях по работе с Quantum Skill 37. Навык-помощник работает путем предоставления структурированных руководств и готовых к использованию фрагментов кода на Python. Он включает в себя примеры конфигурационных файлов, демонстрирующие оптимальные настройки для различных сценариев использования. Процесс реализации состоит из нескольких этапов: сначала пользователь изучает документацию, затем применяет предоставленные примеры кода, адаптируя их под свои нужды. Навык также содержит рекомендации по отладке и оптимизации производительности, помогая выявлять и устранять потенциальные проблемы. При необходимости, пользователь может настроить параметры работы навыка через конфигурационный файл, определяя специфические требования к процессу автоматизации. Встроенные примеры демонстрируют, как использовать Quantum Skill 37 для решения конкретных задач, что ускоряет процесс освоения. Технический стек навыка включает в себя Python для написания скриптов автоматизации, а также глубокую интеграцию с Quantum Computing платформами. Предоставляется подробная документация, охватывающая все аспекты работы с Quantum Skill 37, включая описание входных и выходных данных, а также возможные ошибки и способы их устранения. Встроенные примеры демонстрируют лучшие практики конфигурационного управления, позволяя пользователям эффективно управлять параметрами Quantum Skill 37. Ключевые особенности включают детальные примеры реализации, руководства по лучшим практикам и всестороннюю документацию, доступную в формате Documentation.

Руководство quantum-skill-43 содержит документацию и рекомендации по внедрению, отладке и оптимизации конкретного квантового навыка. Утилита использует Python и принципы квантовых вычислений, предоставляя примеры реализации и лучшие практики. Включает подробные инструкции, конфигурацию и тестирование для построения готовых к производству систем.

Этот навык следует использовать, когда пользователь просит "проверить вашу логику", "действительно ли это верно", "проверить на 'vritti'", "вы уверены в этом", использует команду "/vritti", или когда пользователь подозревает, что предыдущий ответ может содержать галлюцинации, пустые рассуждения или необоснованные утверждения. Классифицирует логику, используя пять категорий "vritti" из йоги.

Модуль анализирует запросы, разбивая их на ключевые компоненты и генерируя для каждого три альтернативных подхода (прямой, креативный, систематический) с оценкой жизнеспособности. Он структурирует процесс решения, выделяя зависимости между компонентами и оценивая варианты по заданным критериям, таким как осуществимость и эффективность. Реализация использует четырехфазный процесс разложения, генерации решений и оценки, позволяя находить оптимальные стратегии для сложных задач.

Этот навык предназначен для проведения тестов и проверок словарного запаса по английскому языку для поступающих в китайские вузы (考研英语). Используйте его, когда пользователям необходимо проверить свои знания лексики с помощью тестов на знание значений слов, упражнений на сочетаемость слов, тестов, ориентированных на многозначность слов, или отслеживать результаты тестов с подробным анализом ошибок.

Обеспечивает детальную документацию и стратегии реализации конкретной компетенции в образовательной сфере. Руководство содержит примеры внедрения и рекомендации по лучшим практикам. Инструмент использует Python для генерации примеров кода и конфигурационных файлов. Структура документации организована вокруг объяснения концепций, демонстрации практической реализации и предоставления рекомендаций. Тестирование включает проверку корректности примеров и соответствия стандартам. Архитектура документации модульная, облегчает расширение и поддержку. Ключевые элементы: подробные объяснения понятий, примеры реализации, рекомендации по лучшим практикам. Используются Python, Documentation, Configuration, Testing, Architecture. В коде предусмотрена возможность настройки через config словарь.

Система AI-консультирования воспроизводит экспертизу компаний Big 4 (Deloitte, PwC, EY, KPMG). Она анализирует организационную среду, заявленные ценности и цели оценки, определяя область охвата (корпоративная, бизнес-подразделение, M&A). Рекомендовано предоставление данных о сотрудниках, результатах опросов, показателях эффективности и интервью с руководителями, а также стратегического плана для оценки соответствия культуры и стратегии. Система использует Claude Code агентов и структуру навыков. "Managing Director" координирует проекты, распределяя их между 9 партнерами, специализирующимися в конкретных областях. Каждый партнер применяет специфические навыки для создания отчетов, соответствующих уровню совета директоров, на основе выбранной диагностической рамки, например, Competing Values Framework (CVF). Ключевые компоненты: AI-агенты Claude Code, структура навыков, Competing Values Framework (CVF). Рекомендуется предоставление данных: headcount, результаты опросов, показатели эффективности, интервью с руководителями, стратегический план. Ввод данных: организационный контекст, заявленные ценности, цель оценки, область охвата.

Скилл решает задачу повышения качества ответов и решения проблем посредством структурированного самокритического анализа. Он позволяет выявлять и оценивать предположения, а также потенциальные ошибки в процессе рассуждений. Скилл применяет протокол последовательного анализа: после каждого этапа рассуждения выполняется самопроверка. Вопросы: "Может ли это быть неверно?", "Почему это может не сработать?", "Что я упускаю?". Результаты самопроверки фиксируются вместе с уровнем уверенности для каждого шага. В основе работы – Text Processing для анализа текста, Reasoning Framework для структурирования логики и Prompt Engineering для формирования запросов. Выходные данные структурированы: шаги рассуждений с самокритикой, оценка уверенности, заключение с указанием неопределенностей и рекомендациями по верификации.