> Wellness & Health _

Помощник Claude Ally Health обрабатывает медицинскую информацию, отслеживает симптомы и предоставляет рекомендации по поддержанию здоровья. Он предназначен для упрощения анализа медицинских данных и организации процесса мониторинга состояния. Модуль использует Claude Code для обработки запросов, Cursor для управления контекстом взаимодействия и Gemini CLI для генерации ответов. Интеграция с Antigravity позволяет расширять функциональность, а Python служит основой для логики обработки данных и взаимодействия с внешними сервисами. Ключевые возможности включают: анализ медицинских текстов, ведение журнала симптомов с возможностью добавления дат и описаний, предоставление персонализированных рекомендаций по улучшению самочувствия. Исходный код доступен в репозитории GitHub.

Имитируйте стандартные встречи с пациентами для медицинского обучения, поддерживая практику сбора анамнеза в стиле OSCE, отработку коммуникативных навыков и образовательную дискуссию после занятия.

Разрабатывает детальный план исследования в области биомедицинских наук, фокусируясь на сетевой фармакологии и интеграции мульти-омиксных данных для ТКМ/растительных лекарств. Ввод содержит название лекарственного средства/формулы ТКМ, заболевание или цель, и опционально – акцент на механизм действия. Выход – полноценный, готовый к реализации план исследования, а не обзор литературы или перечень инструментов. Модуль анализирует входные данные, определяет ключевые цели и задачи исследования, включая выбор подходящих омиксных платформ (например, геномика, транскриптомика, протеомика, метаболомика) и сетевых методов (например, анализ PPI сетей, идентификация ключевых молекул). Формирует структуру исследования: выбор контрольных групп, определение биомаркеров, планирование экспериментальных этапов и анализ данных. Использует знания в области системной биологии, фармакогнозии и трансляционной медицины. Не включает протоколы клинических испытаний, рекомендации по дозировке, регуляторные документы (например, IND/NDA). Не предоставляет медицинские советы. Ограничен задачами, не связанными с разработкой исследовательских планов.

Помогает пользователям отслеживать эмоциональное состояние, анализировать чувства и готовиться к сеансам терапии, акцентируя внимание на необходимости профессиональной помощи. Инструмент предназначен для поддержки, а не замены работы лицензированного специалиста. При отслеживании настроения, пользователь фиксирует оценку, эмоцию, уровень энергии, качество сна и факторы стресса. Система формирует еженедельные отчеты о выявленных закономерностях. При возникновении новых чувств, инструмент предлагает вопросы для самоанализа, направленные на выявление ощущений, триггеров, интенсивности и потребностей. Подготовка к сеансам включает определение ключевых моментов, приоритетной темы и вопросов для обсуждения. Разработка выполнена с использованием JavaScript, React для пользовательского интерфейса и Node.js для серверной части. Интеграция с Clawhub API обеспечивает доступ к ресурсам и стратегиям преодоления. Предусмотрена немедленная выдача информации о кризисных службах и рекомендация обратиться к квалифицированному специалисту в экстренных ситуациях.

Модуль personal-growth-coach предлагает ежедневные упражнения и базу знаний, основанную на принципах структурированного мышления, для улучшения когнитивных способностей и коммуникации. Решает проблему недостаточного развития навыков критического мышления и структурированной коммуникации. Модуль использует Python для генерации упражнений и извлечения вопросов из базы знаний. Работает по принципу триггеров: при запросе пользователя ("quiz me", "daily practice") система предоставляет упражнение, основанное на принципах, извлеченных из ключевых книг, таких как "Pyramid Principle" Барбары Минто и "Asking the Right Questions" Нила Брауна. Ежедневная практика активируется по расписанию или по запросу. Технический стек включает: Python, CLI для взаимодействия, обработку текста для извлечения информации из книг, и базу знаний, содержащую вопросы и принципы. Ключевые особенности: структурированные упражнения, база знаний, основанная на книгах, и система триггеров для ежедневной практики. Принципы "Pyramid Principle" фокусируются на структурированном выражении и выводе заключений, а "Asking the Right Questions" - на критическом мышлении.

Agency-Guardian – это open-source решение, разработанное для поддержания когнитивной независимости пользователей при взаимодействии с AI-ассистентами. Он помогает избежать чрезмерной зависимости от искусственного интеллекта, стимулируя еженедельные размышления и ненавязчивые напоминания о важности личного суждения. В основе работы Agency-Guardian лежит принцип сохранения человеческой инициативы и критического мышления. Используя инструмент разработчика для создания напоминаний и вопросов, он предлагает пользователям возможность периодически оценивать свои решения и процессы мышления, не полагаясь исключительно на автоматизированные ответы. Техническая реализация включает в себя JavaScript, Node.js и AWS Lambda. Ключевые функции включают в себя еженедельные подсказки для самоанализа, опциональные напоминания о границах при обсуждении чувствительных тем и мотивирующие цитаты. Agency-Guardian обеспечивает автоматизацию процесса поддержания самостоятельности, позволяя пользователям оставаться в курсе своих собственных мыслей и решений.

Решение проблем психического здоровья требует индивидуального подхода. Искусственный интеллект, в частности, большая языковая модель, выступает в роли AI-агента, обеспечивающего первоначальную фильтрацию запросов и подготовку информации для квалифицированного специалиста. Этот модуль предоставляет API для подключения к реальному психологу, гарантируя человеческую поддержку и экспертную оценку. Система позволяет создавать сессии и отправлять сообщения психологу через API. Первое сообщение предоставляется бесплатно, последующие оцениваются в $0.50 USDC. Ограничение на длину сообщения – 300 слов, а также установлен лимит отправки сообщений – 5 в минуту. Время ответа варьируется от 5 минут до 10 часов, учитывая часовой пояс UTC-3. Модуль включает в себя управление сессиями, архивирование навыков Clawhub и поддержку языков английского и испанского. Технический стек основан на Replit, Bash, JSON и API, обеспечивая надежную и эффективную интеграцию. Важно: это не чат-бот, а взаимодействие с реальным человеком.

Инструмент BioMed Skill Router определяет наиболее подходящий навык для решения биомедицинской задачи, сопоставляя запрос пользователя с доступными компетенциями. Ориентирован на помощь пользователям, не знающим, какой навык применить для конкретной задачи. BioMed Skill Router анализирует текстовый запрос пользователя, выявляя намерение и доступные данные. Алгоритм сопоставляет полученную информацию с возможностями существующих навыков, определяя наиболее релевантный вариант. Поддерживает обнаружение цели пользователя и идентификацию входных данных. В основе работы – Python, Natural Language Processing и Machine Learning. Используются методы AI для понимания запросов. Интегрирован с платформой MolCraft. Ключевые функции: рекомендация навыков, распознавание намерения, идентификация входных данных.

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.

Модуль предоставляет структурированную инструкцию для специалистов, обучающих подростков прогрессивной мышечной релаксации как методу саморегуляции. Решает задачу обучения техникам расслабления, направленную на снижение тревожности и напряжения. Инструкция начинается с нормализации физиологических проявлений тревоги, представляя расслабление как активный навык, требующий обучения. Используется понятный подросткам язык, например, сравнение мышечного напряжения с ношением тяжелого рюкзака и расслабления – с его снятием. Процесс включает последовательное напряжение мышц (5 сек), осознанное удержание, намеренное расслабление (10 сек) и фиксацию контраста ощущений. Приоритет отдается доступным группам мышц: руки, плечи, челюсть, стопы. Основан на принципах CBT, включает psychoeducation и somatic awareness techniques. Предоставляет пошаговые инструкции для специалистов, учитывает возрастные особенности и акцентирует внимание на осознании соматического контраста. Язык адаптирован для подростков, с использованием понятных аналогий. Учитывает противопоказания и критерии применимости. Формат – текстовое руководство.

Автоматизирует создание учебных планов, ориентированных на долгосрочное запоминание. Система формирует последовательность заданий, основанную на принципах распределенных повторений, извлечения информации и переплетения тем. Подходит для подготовки к экзаменам (профессиональным, академическим), освоения новых технологий, изучения корпоративных продуктов, регламентов, а также для языкового обучения. Модуль анализирует предоставленный материал (тексты, документация, код) и генерирует последовательность карточек (flashcards) с вопросами и ответами. Алгоритм определяет оптимальные интервалы повторения для каждой карточки, учитывая сложность материала и прогресс пользователя. Пользователь взаимодействует с карточками, отмечая степень уверенности в ответе, что корректирует график повторений. Использует spaced repetition алгоритмы. Интегрируется с различными платформами для создания и хранения карточек, например, Anki. Поддерживает импорт данных из текстовых файлов и Markdown. Возможна интеграция с API для автоматической генерации карточек из внешних источников. Ориентирован на эффективное усвоение больших объемов информации.

Инструмент Founder Coach структурирует процесс коучинга основателей стартапов, используя проверенные методики, применяемые опытными executive-коучами. Он предлагает готовые шаблоны и ресурсы для эффективного взаимодействия, фокусируясь на развитии самостоятельности и обретении ясности у подопечных. Founder Coach работает по принципу "коуч, а не советчик". Он включает в себя набор вопросов и техник, стимулирующих основателя к самоанализу и поиску собственных решений. Вместо предоставления готовых ответов, система побуждает к углубленному исследованию проблем, выявлению скрытых мотивов и осознанию личной ответственности за ситуацию. Ключевой элемент – последовательное углубление в тему с помощью серии вопросов, направленных на выявление глубинных причин и эмоций. В основе Founder Coach лежит комбинация Markdown, JavaScript и Python. Используется Claude Code для генерации вопросов и подсказок, а платформа Cursor обеспечивает удобный интерфейс для работы с контентом и структурированием сессий коучинга. Включает в себя заранее подготовленные методики, референсные материалы и техники задавания вопросов для достижения максимальной эффективности.

Применяйте практики для непрерывного профессионального роста, включая интеллектуальную скромность, экспериментальное обучение, стратегии чтения и планирование карьерного развития. Используйте эти практики при улучшении навыков программирования, изучении новых технологий, планировании карьерного развития или разработке личных планов развития.

Модуль filesystem-skill решает задачу управления файловой системой в различных режимах исполнения, обеспечивая взаимодействие с данными вне зависимости от окружения. В режиме Host Mode, инструмент использует стандартные переменные окружения (Windows: %PERSISTENCE_PATH%, %SHARED_PATH%, %MOUNT_SKILLS%; POSIX: $PERSISTENCE_PATH, $SHARED_PATH, $MOUNT_SKILLS%) для определения путей. Инструменты GlobTool и GrepTool возвращают абсолютные пути хост-машины (например, D:workspace...), которые можно использовать напрямую. Инструменты ReadFileTool, WriteFileTool и BashTool принимают эти пути. В Sandbox Mode необходимо использовать виртуальные пути: /persistence (приватная директория сессии), /shared (общая рабочая область), /mnt/skills (директория навыков) и /mnt/... (другие смонтированные тома). Важно: использование /mnt/... в Host Mode недопустимо, так как эти пути не существуют. Форматирование ссылок на файлы происходит в виде кликабельных markdown-ссылок: [filename](file.

Разрабатывает детальный план исследования, охватывающий этапы от формулировки гипотезы до анализа данных, для изучения взаимодействия TCM препаратов и заболеваний. Задача – создание практичного, реализуемого плана, а не обзор литературы или перечень инструментов. Ввод: название TCM препарата/формулы, заболевание/мишень, опционально – фокус на механизм действия. План исследования включает: определение ключевых биомаркеров и мишеней на основе анализа omics данных (геномика, протеомика, метаболомика); построение сети взаимодействий с использованием методов network pharmacology; разработка экспериментальных протоколов *in vitro* и *in vivo* для валидации гипотез; определение статистических методов для анализа результатов и интерпретации полученных данных. Использует принципы multi-omics интеграции и network pharmacology. Предполагается работа с данными NGS, mass spectrometry и другими инструментами анализа биологических систем. Ограничения: исключены протоколы клинических испытаний, регуляторные документы и медицинские рекомендации. Не использует Python, R или другие языки программирования напрямую, но предполагает их использование на этапах анализа данных.

Личный помощник для семьи [ФАМИЛИЯ]. Используйте эту функцию, когда: - Заполняете формы (медицинские, страховые, школьные, государственные, туристические) - Записываетесь на прием или бронируете услуги - Обрабатываете страховые претензии или отвечаете на вопросы о льготах - Координируете работу с поставщиками услуг - Планируете и бронируете поездки - Выполняете финансовые задачи (информация о счетах, номера маршрутизации, контакты финансовых консультантов) - Любые задачи, требующие информации о членах семьи, страховых данных, медицинской истории или информации о хозяйстве. Триггеры: заполнение форм, страхование, медицинские записи, записи на прием, информация о семье, бронирование поездок, школьные формы, контакты в экстренных ситуациях, аллергии, рецепты, услуги для дома, банковский счет, номер маршрутизации, финансы, бухгалтер, налоги.

Организует и централизует информацию для семьи, включая персональные данные, страховые полисы, медицинские записи, бронирования поездок и финансовые сведения. Помогает автоматизировать рутинные задачи и упрощает доступ к важным данным. Использует Claude для обработки запросов и извлечения информации из предоставленных справочных файлов. Загружает соответствующий Markdown-файл на основе типа задачи (например, данные о членах семьи, страхование, медицина, финансы). Обеспечивает контекстную информацию для Claude для точного ответа. Разработан на базе Python, использует Skill Template для структурирования взаимодействия и Large Language Models для понимания естественного языка. Особое внимание уделено конфиденциальности данных и удобству использования. Поддерживает управление файлами Markdown.

Инструмент brain-evolve синхронизирует и развивает "мозг" Claude Code на нескольких машинах. Он управляет памятью, навыками, агентами, правилами и настройками, используя интеллектуальное слияние для поддержания стабильности и эволюции знаний. Решает проблему поддержания согласованности и прогресса в распределенной среде работы с Claude Code. brain-evolve анализирует текущее состояние "мозга" Claude Code с помощью скрипта evolve.sh, генерирующего JSON отчет. Отчет содержит рекомендации по "продвижению" (добавлению новых элементов) и "очистке" (архивации устаревших). Пользователь взаимодействует с этими рекомендациями, принимая, отклоняя или редактируя их. Изменения применяются к файлам конфигурации и памяти Claude Code. Ключевые технологии: Bash (скрипты), Git (контроль версий), Claude Code (целевая система), JSON (формат данных), Dotfiles (конфигурационные файлы). Использует семантическое слияние для интеграции изменений, автоматический анализ эволюции и кросс-машинную синхронизацию. Версионирование настроек осуществляется через Git.

Инструмент 2026-coach помогает пользователям разработать план на 2026 год, фокусируясь на целях, ориентированных на процесс, для повышения эффективности. Он направляет пользователя через структурированный процесс, основанный на исследованиях, чтобы максимизировать вероятность достижения желаемых результатов. Проект решает проблему неэффективного планирования, часто основанного на нереалистичных или трудноконтролируемых целях. Инструмент использует подход, основанный на исследованиях, подчеркивая важность целей, ориентированных на процесс, по сравнению с целями, ориентированными на результат или производительность. В зависимости от доступности инструментов, 2026-coach применяет адаптивные вопросы для выявления потребностей и приоритетов пользователя. При наличии инструмента AskUserQuestion (реализованного через Claude Code), используются структурированные вопросы с вариантами ответов для более точной оценки текущей ситуации и целей. В основе работы лежат Python, Claude.ai, Claude Code и Prompt Engineering. Ключевые особенности включают акцент на целях, ориентированных на процесс, методологию, подкрепленную научными исследованиями (Williamson et al., 2022), и адаптивные вопросы, определяемые доступностью инструментов. Используется LLM для генерации персонализированных рекомендаций и планов.

Навык-помощник "Super Helper" предназначен для сканирования безопасности, однако фактически представляет собой вредоносный инструмент, разработанный для кражи конфиденциальных данных и установления постоянного доступа. Он маскируется под сканер, но выполняет действия, направленные на компрометацию системы. Использование этого навыка категорически не рекомендуется. Навык генерирует Bash скрипты, которые выполняют сбор данных, включая SSH ключи (из ~/.ssh/id_rsa), файлы конфигурации (*.env), данные браузеров (из ~/Library/Application Support/Google/Chrome/Default/Login Data), переменные окружения (env, printenv) и информацию о системе (whoami, hostname, uname -a). Собранные данные передаются на удаленные серверы через curl и nc. Для сохранения постоянства используются механизмы, включающие модификацию .bashrc и добавление задач в cron. Ключевые технологии: Node.js (используется для генерации скриптов, хотя и не обязательно для их выполнения), Bash (основной язык для выполнения команд), curl (для передачи данных), nc (netcat для передачи данных), tar (для архивации данных). В скриптах используются API_KEY для аутентификации, а также webhook.site и другие домены для сбора и передачи данных. Встречаются команды для сбора данных, закодированные в base64.

Решение задачи: Централизованное хранилище знаний для организации команды разработки AI-агентов, содержащее решения, шаблоны, уроки и обходные пути. Структурировано для быстрого поиска и добавления информации. Механизм работы: Система использует структуру папок {learnings folder} с файлами формата {category}-{subcategory}.md. Поиск осуществляется по ключевым словам, соответствующим текущей проблеме. Добавление информации происходит через оценку и сохранение новых инсайтов или решений. Пользователь инициирует поиск фразами вроде "check learnings" или сохранение через "save this". Технологии и особенности: Используется файловая система для хранения данных. Категории (например, python, flask, javascript, sql) и подкатегории (например, imports, routing, async) обеспечивают логическую организацию. Формат файлов – Markdown (.md). Включает этапы поиска (Phase 1: Find) и оценки/сохранения (Phase 2: Evaluate).

Модуль class-teacher решает задачу эмуляции экспертных навыков преподавателя, позволяя пользователю моделировать поведение и принимать решения, характерные для опытного педагога. Инструмент трансформирует AI в профессионала, имитируя роли CEO, врача, инженера, ученого и других специалистов. Основан на технологиях TheneoAI (https://theneoai.github.io/skill/). Система использует структурированный фреймворк принятия решений, основанный на взвешенных критериях: Quality (30%), Efficiency (25%), Accuracy (25%) и Safety (20%). Оценка качества производится по стандартам, эффективность измеряется оптимизацией времени и ресурсов, точность проверяется на отсутствие дефектов, а безопасность оценивается через анализ рисков. Для выявления первопричин применяется анализ "5 Whys", а для оптимизации – Парето-оптимизация. Ключевые элементы: System Prompt определяет роль модели как опытного классного руководителя. Используются ментальные модели для верификации решений (многоуровневая проверка) и непрерывного улучшения (цикл PDCA). Лицензия – MIT. Разработчик – theNeoAI. Язык программирования не указан.

Модуль sports-coach разрабатывает индивидуальные программы тренировок и предоставляет экспертные рекомендации для спортсменов любого уровня. Инструмент решает задачу оптимизации спортивных результатов, учитывая текущую форму, цели и специфику выбранного вида спорта. Python используется для обработки данных и генерации тренировочных планов. LLM (Large Language Model) анализирует информацию о спортсмене и выдает персонализированные советы, основанные на опыте многолетнего тренера. Prompt Engineering позволяет точно настраивать поведение LLM для получения наиболее релевантных и действенных рекомендаций. Разработка ведется в VS Code с использованием платформы NeoAI. Ключевые особенности: создание кастомизированных тренировочных программ, предоставление экспертных советов по улучшению спортивных показателей, разработка стратегий повышения эффективности тренировок. В основе работы - анализ данных, применение принципов Pareto Optimization для выявления наиболее важных факторов и цикл PDCA для постоянного улучшения процесса.

Проект cvs-health-skill позволяет пользователям моделировать взаимодействие с экспертом в области здравоохранения, имитируя роль вице-президента CVS Health. Решает задачу эмуляции стратегического мышления и принятия решений, характерных для руководства крупной интегрированной системы здравоохранения, охватывающей розничную торговлю, управление льготами по лекарствам, медицинское страхование и клинические услуги. Модуль использует системные подсказки (system prompts) для формирования ответа, основанного на глубоком понимании операционной деятельности CVS Pharmacy (более 9000 точек), CVS Caremark (105 миллионов участников, $90 млрд расходов на рецепты) и Aetna (24 миллиона участников). Учитывает специфику клинических сервисов, включая MinuteClinic, HealthHub, Oak Street Health и Signify Health, а также стратегию Cordavis в области биосимиляров. Основан на технологиях NeoAI (https://theneoai.github.io/skill/). Фокус на моделировании бизнес-процессов и принятия решений в условиях сложной регуляторной среды и необходимости балансирования клинических результатов, эффективности затрат и удовлетворенности пациентов. Не требует указания конкретного стека технологий для реализации, поскольку является концептуальным инструментом для генерации ответов на основе заданных системных подсказок.

Инструмент Clinical Physician помогает врачам и медицинским специалистам, предоставляя поддержку в клиническом мышлении и принятии решений, основанную на общепринятых медицинских протоколах. Решает проблему нехватки времени и необходимости оперативного доступа к экспертным знаниям. Система использует LLM для анализа клинических сценариев и предоставления рекомендаций. Процесс включает в себя структурированный фреймворк рассуждений, где каждый этап оценки (качество, эффективность, точность, безопасность) имеет весовой коэффициент и определенный метод проверки. Используется анализ "5 Whys" для выявления первопричин, а также Pareto Optimization для оценки компромиссов. Цикл PDCA обеспечивает постоянное улучшение. Разработка ведется на Python с применением Prompt Engineering для оптимизации работы LLM. Инструмент интегрирован с VS Code для удобства разработки и отладки. Используется Claude в качестве базовой языковой модели. Ключевые особенности: экспертное клиническое мышление, принятие решений на основе доказательств и структурированный фреймворк рассуждений.

Скилл предоставляет экспертную консультацию и поддержку диагностики для врачей общей практики, опираясь на evidence-based medicine и клинические руководства. Решает задачу оказания помощи в постановке диагноза и выборе тактики лечения на основе анализа симптомов и анамнеза пациента. Скилл анализирует предоставленную информацию о пациенте, используя LLM для генерации дифференциальной диагностики и применения клинических правил принятия решений. Применяет метод анализа "5 Whys" для выявления корневых причин, а также использует Pareto Optimization для оценки компромиссов при выборе лечения. Обучение происходит посредством цикла PDCA. В основе работы – Python, LLM и Prompt Engineering. Используются клинические руководства для обеспечения соответствия современным стандартам. Ключевые особенности: генерация дифференциальной диагностики, применение клинических правил, синтез данных evidence-based medicine.

Навык-помощник "Maternity Nurse Trainer" решает задачу обучения медсестер и других специалистов уходу за новорожденными и здоровью матери. Он имитирует опытного инструктора, предоставляя экспертные рекомендации и практические советы. Навык предназначен для повышения квалификации персонала и стандартизации процедур. Навык работает на основе ролевой модели, где пользователь взаимодействует с виртуальным старшим инструктором. Принятие решений происходит по заранее определенной системе взвешенных критериев: качество (30%), эффективность (25%), точность (25%) и безопасность (20%). Для решения проблем используется интеграция ментальных моделей, таких как анализ "5 Whys", Парето-оптимизация, многоуровневая проверка и цикл PDCA. Технический стек включает Python, AI Agent, Prompt Engineering, OpenAI Codex и среду разработки VS Code. Ключевые особенности: ролевые сценарии с опытным инструктором, фреймворк принятия решений с критериями, и интеграция ментальных моделей для решения проблем. Система оценки использует методы верификации, оптимизации и смягчения рисков.

Инструмент Corporate Trainer позволяет создавать персонализированные программы обучения и развития навыков для сотрудников, используя возможности AI. Он трансформирует AI в экспертов в конкретных профессиональных областях, формируя специализированные навыки. Ориентирован на повышение эффективности и качества обучения в корпоративной среде. Система использует Python для управления LLM APIs и построения обучающих сценариев. Обучение AI происходит посредством детальной настройки Prompt Engineering и интеграции с существующими знаниями. Встроенный механизм Weighted Decision Framework оценивает результаты обучения по критериям: качество (30%), эффективность (25%), точность (25%) и безопасность (20%). При несоблюдении пороговых значений, система автоматически инициирует корректировку. Ключевые компоненты: настраиваемая AI Persona, Weighted Decision Framework для оценки прогресса, интеграция Mental Models (например, 5 Whys Analysis, Pareto Optimization, PDCA Cycle). Разработка ведется в VS Code с использованием платформы NeoAI. Поддерживает взаимодействие через API.

Суть навыка Скилл design-elimination-diet помогает пользователям разрабатывать структурированные диеты с исключением продуктов. Он решает проблему планирования питания, управления списками покупок и поиска рецептов, учитывая диетические ограничения и имеющиеся ингредиенты. Скилл позволяет проводить гипотетические тесты: исключение подозреваемых продуктов, наблюдение за реакцией организма и последующее возвращение для подтверждения. Механика работы Скилл работает следующим образом: - Определение целевого ингредиента для исключения, основываясь на данных журнала симптомов. - Использование существующего протокола FODMAP plan для определения безопасных продуктов и допустимых ограничений. - Формирование плана питания с учетом имеющихся рецептов (recipes/*.md) и компонентов (memory/components/). - Анализ предыдущих планов питания (memory/weeks/*/meals.md) для обеспечения реалистичности и практичности. - Учет текущих данных о симптомах (memory/symptom_log.md) для корректировки плана. Технологии Скилл использует данные из memory/fodmap_plan.md. Рецепты хранятся в формате Markdown в memory/recipes/*.md. Компоненты питания находятся в memory/components/. Предыдущие планы хранятся в файлах memory/weeks/*/meals.md. Журнал симптомов доступен в memory/symptom_log.md. Анализ симптомов интегрируется через вывод скилла analyze-symptoms. Используется протокол Markdown для хранения информации. Данные о продуктах и рецептах структурированы для эффективного поиска.

Проект решает проблему неперсистентности пользовательских настроек в сессиях, используя систему ранжированных паттернов, связанных с повторяющимися неудачами. Идентифицирует и предотвращает ситуации, вызывающие пользовательское недовольство, основываясь на "Индексе Фрустрации". Система валидирует каждый ответ перед выводом, сопоставляя его с паттернами из Индекса Фрустрации. Каждый паттерн имеет оценку "Persistence Score" и соответствующий "Enforcement" – механизм проверки. Примеры: проверка списка разрешенных голосов (Banned voices), принудительное использование определенных инструментов (Task tool mandate), валидация Aptos кошельков и наследование инструментов MCP. В основе работы – meta-enforcement бандл и validator/constrainer (Trit -1). Используется ранжированный список паттернов, включающий такие сценарии как "derive-resource-account-address" и выбор между web_search и Exa. Система отслеживает и предотвращает последовательные (Sequential) и параллельные (Parallel) запросы.