> Wellness & Health _

Навык gf3-neighborhood решает задачу повышения осведомленности о навыках и самосовершенствования, используя топологическую химию. Он анализирует гармоническую центральность и окрестности, чтобы определить положение навыка в сети и выявить потенциальные области для улучшения. Особое внимание уделяется взаимосвязи между конкретным вызовом навыка ("self") и его типом ("Self"), а также его ближайшим окружением ("my/our"). Навык работает, вычисляя гармоническую центральность для каждого навыка в сети. Окрестности определяются на основе топологической структуры, а GF(3) отображение позволяет интерпретировать взаимодействия как отрицательные (self), нейтральные (my/our) или положительные (Self) относительно идентичности навыка. Анализ "аблативного случая" позволяет определить центральность относительно окрестностей. Технический стек включает в себя Python для реализации алгоритмов, теорию графов и топологию для моделирования взаимосвязей между навыками, гармонический анализ для вычисления центральности и цепи Маркова для определения "Markov blanket" навыка. Ключевые функции: вычисление гармонической центральности, реализация осведомленности об окрестностях, проверка GF(3 и обнаружение "мостов" между навыками.

Инструмент obstruction-learning выявляет и устраняет несовместимости в комбинациях навыков, используя топологическое обучение, основанное на обнаружении препятствий посредством случайных блужданий и когомологии Чеха H⁰. Ориентирован на анализ топологического ASI. Модуль использует случайные блуждания для реконструкции навыков и проверки сохранения в поле GF(3). Обнаружение препятствий осуществляется посредством SQL запросов, анализирующих голосовые триады и конфликты в композициях навыков. Несоответствия, такие как нарушение сохранения GF(3) или несовместимость локальных патчей, идентифицируются как генераторы H⁰ – неприводимые элементы, блокирующие глобальную согласованность. В основе работы – Python, SQL, когомология пучков (Sheaf Cohomology), расширители Рамануджана (Ramanujan Expander) и алгоритм Gay-McP. Ключевые особенности включают реконструкцию навыков посредством случайных блужданий (69-Skill Walk), верификацию сохранения GF(3) и обнаружение препятствий через запросы к базе данных. Зависит от модулей sheaf-cohomology, ramanujan-expander и gay-mcp.

Навык-помощник "Отчет о диагностике" предназначен для инженеров поддержки, занимающихся устранением сложных системных сбоев. Он автоматизирует сбор данных, необходимых для анализа и локализации проблем в работе Mnemosyne, инструмента для разработчиков, фиксирующего изменения в коде. Навык помогает быстро получить базовую информацию о состоянии системы и статистику использования. Навык собирает данные, используя команды mnem status --json (для получения метрик демона в реальном времени) и mnem info --json (для получения статистики использования хранилища на уровне проекта). Полученные данные включают в себя информацию о среднем времени отклика, росте объема хранимых данных и статусе демона. При необходимости, навык может замаскировать конфиденциальные пути к файлам и имена проектов. В процессе работы навык использует JSON для структурирования данных. Важной частью отчета является указание версии Mnemosyne и операционной системы, полученные из вывода команды mnem status --json. Данные коррелируются для выявления взаимосвязей между ошибками командной строки и кодами статуса демона.

Модуль "mindfulness" интегрирован в Agent Almanac, предоставляя справочник по навыкам и командам для разработки с использованием AI. Он решает задачу развития ситуационной осведомленности и способности сохранять ясность ума в стрессовых ситуациях, дополняя практику медитации в реальных условиях. Ориентирован на применение в ситуациях оценки безопасности, деэскалации конфликтов и быстрого восстановления после шока. Модуль использует принцип направленного внимания на внешнюю среду, противоположный традиционной медитации. Практикующий анализирует окружающую обстановку, оценивает риски и реагирует на изменения, сохраняя спокойствие и концентрацию. Интеграция в повседневные действия, такие как ходьба или поездки, позволяет тренировать навыки в динамичных условиях. Подготовка к занятиям боевыми искусствами (например, tai-chi, aikido) также входит в практику. Для работы модуля требуется готовность к постоянному внешнему вниманию и доступ к общественным местам для тренировок. Рекомендуется предварительный опыт медитации. Модуль встраивается в Agent Almanac, обеспечивая контекстную информацию и практические рекомендации. Техническая реализация не требует специфических инструментов, акцент сделан на методологии и последовательности действий.

Предотвращает выгорание и восстанавливает ясность ума, прекращая продуктивную деятельность посредством структурированного подхода к осознанному отдыху. Инструмент помогает сознательно отказаться от продуктивности, когда самозабота ощущается как дополнительная активность, или когда стремление к оптимизации создает шум. Инструмент запускает структурированную процедуру остановки, включающую полный отказ от генерации аналитики, оценок, планов или результатов. Это не подразумевает прекращение функционирования, а лишь прекращение *производства*. Процедура направлена на создание состояния, когда нет необходимости решать проблему бездействия, а просто принимается состояние покоя. Использует CLI Tools для запуска процедур, Scripting для автоматизации, Agent Skills для управления состоянием и Visualization для поддержки процесса. Не требует входных данных и не генерирует выходных, фокусируясь исключительно на прекращении продуктивной деятельности.

Навык Listen решает проблему неэффективного общения, помогая пользователям улучшить навыки активного слушания и коммуникативную эффективность. Он предназначен для тех, кто стремится к более глубокому пониманию в отношениях, командной работе или профессиональной сфере, а также для подготовки к сложным разговорам. Навык помогает развить эмпатию, практикует внимательное слушание, отражение и использование уточняющих вопросов. Навык работает как коммуникационный тренер, используя AI и Guidance для структурированной практики. Пользователь определяет цель (например, улучшение взаимопонимания), после чего AI предоставляет пошаговые инструкции и обратную связь. Навык фокусируется на развитии навыков: подготовка к восприятию, практика полного присутствия, отражение, использование уточняющих вопросов, синтез понимания и интеграция в повседневное общение. В основе работы – Python, AI, фреймворк Guidance и модель Claude. Ключевые особенности включают интерактивную визуализацию прогресса, персонализированное коучинговое сопровождение, основанное на целях пользователя, и пошаговые инструкции для освоения техник активного слушания. Ввод – цель слушания пользователя.

Улучшайте отношения с помощью инструментов коммуникации, методов разрешения конфликтов и идей для укрепления связи.

Навык Listen-guidance решает проблему недостаточного развития навыков активного слушания. Он помогает пользователям улучшить коммуникативные способности посредством структурированных упражнений и коучинга на базе AI. Навык ориентирован на развитие эмпатии, понимания и эффективного взаимодействия в различных контекстах – от личных отношений до профессиональной деятельности. Предназначен для тех, кто стремится к более глубокому пониманию собеседников и улучшению качества коммуникации. Навык работает как коммуникационный тренер. Он направляет пользователя через последовательность упражнений, фокусируясь на ключевых аспектах активного слушания: подготовка к восприятию, практика полного присутствия, развитие навыков отражающего перефразирования, эффективное использование уточняющих вопросов, синтез понимания и интеграция полученных навыков в повседневное общение. Процесс включает интерактивную визуализацию прогресса и персонализированные рекомендации. В основе работы навыка лежит комбинация Python, AI, фреймворка Guidance и модели Claude. Ключевые особенности: структурированные упражнения для развития навыков, AI-коучинг коммуникации, интерактивная визуализация прогресса и возможность задания конкретных целей (например, подготовка к сложной беседе или улучшение общего качества коммуникации). Поддерживает плавный переход от практики осознанности (meditate-guidance) к направленному вниманию к собеседнику.

Инструмент помогает пользователям формировать ситуационную осведомленность, осваивать техники деэскалации и поддерживать ясность мышления в быстро меняющихся и потенциально стрессовых ситуациях. Он дополняет практику медитации, применяясь в реальных условиях. Приложение анализирует внешние стимулы, используя Python и библиотеки визуализации для представления данных об окружающей среде. Оно предоставляет структурированные упражнения, основанные на Skills Framework, для оценки ситуаций, применения техник деэскалации и тренировки ментальной устойчивости. Агентный фреймворк управляет последовательностью обучения. Ключевые технологии: Python, библиотеки визуализации данных, Agent Framework для управления сценариями обучения, Skills Framework для структурирования упражнений. Включает оценку ситуационной осведомленности, тренировки по деэскалации и упражнения для развития ментальной ясности.

Освоение Aikido требует систематического подхода к развитию навыков самообороны, основанных на принципах деэскалации и контролируемого разрешения конфликтов. Этот навык-помощник предоставляет структуру и руководство для практики, акцентируя внимание на безопасном и эффективном взаимодействии с агрессией. Он предназначен для тех, кто стремится не к прямой конфронтации, а к перенаправлению энергии и поиску гармоничного решения. Тренировки с Aikido способствуют развитию не только физической подготовки, но и осознанности и способности сохранять спокойствие в стрессовых ситуациях. Процесс обучения включает в себя несколько ключевых этапов. Сначала практикующий осваивает техники центрирования, позволяющие сохранять равновесие и осознанность. Далее следует изучение укеми, безопасных техник падения, критически важных для предотвращения травм. Взаимодействие с партнером происходит под руководством инструктора, который корректирует движения и помогает понять принципы «смешения» с входящей силой, а не противостояния ей. Развитие укеми происходит параллельно с освоением базовых техник, что позволяет безопасно экспериментировать и углублять понимание принципов Aikido. Для эффективной практики требуется пространство с амортизирующей поверхностью, например, татами или мат. Aikido – это не просто физическая дисциплина, а комплексный навык, включающий в себя элементы мартaльнoго искусства, физической подготовки, самообороны и осознанности тела. Ключевые компоненты включают в себя: техники центрирования для поддержания равновесия и концентрации, безопасные техники падения (укеми) для минимизации риска

Ощутите глубокую связь с телом и энергией, последовательно осваивая практику тай-чи. Этот навык-помощник ведет пользователя через последовательность движений тай-чи чуань, направленную на улучшение здоровья, развитие боевых навыков и повышение осознанности тела. Он разработан для тех, кто только начинает свой путь в тай-чи, а также для тех, кто хочет углубить свои знания и понимание. Навык акцентируется на развитии устойчивой структуры, расслабленной силы и боевого осознания через медленные, осознанные движения и культивацию внутренней энергии. Процесс начинается с оценки уровня подготовки пользователя и предпочтений по месту проведения практики. Навык генерирует пошаговые инструкции, основанные на принципах Zhan Zhuang (стойка для развития внутренней энергии), с возможностью настройки параметров практики под индивидуальные нужды. Инструкции представлены в виде структурированного Markdown, что обеспечивает четкость и удобство восприятия. В процессе обучения акцент делается на правильном выравнивании тела, координации движений и развитии осознанности внутренней энергии (ци). Навык также предоставляет визуальные подсказки, помогающие понять правильную технику выполнения. Пользователь может регулировать сложность упражнений, адаптируя их к своему физическому состоянию и опыту. В основе работы лежит Python, используемый для логики управления практикой и генерации инструкций. В качестве формата представления информации используется Markdown для удобства чтения и форматирования. Предусмотрен CLI (интерфейс командной строки) для продвинутых пользователей, позволяющий автоматизировать и настраивать практику. Визуализация движений осуществляется посредством встроенных графических элементов, облегчающих понимание и коррекцию техники. Ключевые особенности включают в себя: пошаговые руководства, фундамент Zhan Zhuang, настраиваемые параметры практики и возможность интеграции с другими навыками, такими как mindfulness и meditate.

Модуль listen-guidance помогает пользователю совершенствовать навыки активного слушания, выступая в роли тренера по коммуникации. Он направляет в подготовке к эмпатичному восприятию, тренирует полное присутствие, развивает навыки отражающего перефразирования и эффективного использования уточняющих вопросов, а также помогает синтезировать понимание и интегрировать полученные навыки в повседневное общение. Модуль структурирован как последовательность интерактивных упражнений. Используя вводные данные о цели слушания, он предлагает сценарии и вопросы, стимулирующие практику. Система анализирует ответы пользователя, предоставляя обратную связь, направленную на улучшение техник слушания и понимания. Поддерживается постепенное усложнение задач, от простых упражнений на перефразирование до моделирования сложных диалогов. В основе работы модуля лежит алгоритм анализа текста, основанный на NLP и machine learning. Используются методы обработки естественного языка для оценки качества перефразирования и выявления неточностей в понимании. В качестве платформы разработки используется Python с библиотеками spaCy и transformers. Предусмотрена интеграция с модулем meditate-guidance для подготовки к практике.

Модуль "mindfulness" интегрируется в Agent Almanac для повышения ситуационной осведомленности и управления стрессом в динамичных условиях. Он помогает пользователям развивать навыки быстрого реагирования и сохранения ясности мышления при потенциальных угрозах, дополняя традиционные практики медитации. Применение особенно актуально при работе в незнакомой или потенциально опасной обстановке, оценке безопасности окружающей среды и деэскалации конфликтных ситуаций. Модуль использует технику направленного внимания на внешние факторы, в отличие от традиционной внутренней медитации. Пользователь осознанно сканирует окружающую среду, фиксируя детали, оценивая невербальные сигналы и предвидя возможные риски. Практика включает в себя осознанное наблюдение за физическими ощущениями, дыханием и мыслями без оценки, что способствует быстрому восстановлению после стрессовых событий и повышает концентрацию. Интеграция в повседневные действия, такие как ходьба или поездки, позволяет поддерживать навык в режиме реального времени. Требования к пользователю: готовность к практике устойчивого внешнего внимания и доступ к общественным пространствам для тренировок. Модуль не требует специфических API или интеграций с внешними сервисами. Подходит для подготовки к занятиям боевыми искусствами, например, tai-chi и aikido. Разработан для работы в рамках Agent Almanac и не предполагает самостоятельного использования.

Мета-навык для пакета Turri, который направляет разговоры на естественном языке в области здравоохранения к соответствующей функциональности: ведение учета питания, создание профиля здоровья, выявление закономерностей, проведение экспериментов, получение новостей или ежедневное коучинг.

Этот скилл compound-clawskill агрегирует навыки для мониторинга здоровья и долголетия. Он собирает данные о питании, физической активности (интеграция с Whoop) и предоставляет персонализированные рекомендации. Решение ориентировано на отслеживание показателей здоровья и оптимизацию образа жизни. Скилл compound-clawskill выполняет первоначальную проверку состояния данных пользователя (profile.json, whoop_tokens.json, meals.csv и др.). Затем, в зависимости от наличия данных, предоставляет адаптированный обзор доступных функций и возможностей. Обработка запросов пользователя направляется к соответствующим под-скиллам для более детального ответа. В основе работы лежат Bash скрипты для управления состоянием, JSON и CSV файлы для хранения данных, а также Python для обработки и анализа информации. Ключевые особенности: отслеживание питания, интеграция данных физической активности, персонализированные рекомендации, и динамическая адаптация ответов на основе текущего состояния пользователя.

Навык-помощник Founder Coach решает проблему отсутствия структурированной поддержки для основателей стартапов, предоставляя проверенные методики коучинга, используемые опытными бизнес-коучами. Он предлагает основу для коучинговых сессий, помогая основателям находить собственные решения и развивать осознанность. Навык работает по принципу задавания вопросов, а не предоставления готовых ответов. Он структурирует коучинговые беседы, начиная с открытых вопросов ("Что у вас на уме?", "В чем реальная проблема?") и используя техники углубленного исследования ("Чего вы не говорите?", "Чего вы боитесь?"). Навык также предлагает рекомендации по работе с эмоциями и признанию дискомфорта. В основе работы навыка лежит Markdown для структурирования контента, Python для логики и обработки данных, JavaScript для потенциальной интеграции с веб-интерфейсом, а Git для контроля версий. Ключевые компоненты включают руководства по коучинговому подходу, справочные материалы для различных ситуаций и набор вопросов для глубокого анализа.

Проект решает задачу предотвращения ошибок в ветеринарном AI, возникающих из-за применения знаний одной группы видов к другой. Создан первый набор навыков для OpenClaw с учетом видовой специфики, включающий 51 навык, ориентированных на безопасность, и клиентов openFDA для клинических, фармацевтических и диагностических рабочих процессов. Навык обеспечивает корректную интерпретацию клинических запросов путем обязательной идентификации вида пациента. При отсутствии информации о виде, система запрашивает уточнение ("Каков вид вашего пациента?"). Реализована проверка безопасности при межвидовом переносе знаний и применение клинических алгоритмов, адаптированных к конкретному виду. Является мета-навыком, влияющим на работу других модулей. Ключевые компоненты: механизм разрешения неоднозначности вида, правила межвидовой безопасности, специфичные клинические шаблоны рассуждений. Интеграция с openFDA. Предназначен для постоянной работы в фоновом режиме при обработке клинических запросов. Разработка ориентирована на OpenClaw.

Навык learning-coach предоставляет полный набор инструментов для работы с Claude Code, включая агентов, скиллы, хуки и конфигурации MCP. Решает задачу эффективного освоения новых знаний и навыков, используя проверенные методики обучения. Навык структурирует процесс обучения, начиная с постановки четких, измеримых целей по шаблону SMART. Затем, он стимулирует активное обучение через практику, обсуждение и преподавание материала, основываясь на принципах пирамиды обучения, где активные методы (преподавание, практика) демонстрируют значительно более высокую степень удержания информации, чем пассивные (лекции, чтение). В основе работы – использование Claude Code для генерации заданий, проверки понимания и предоставления обратной связи. Поддерживает создание расписаний, разбиение сложных задач на подзадачи, и отслеживание прогресса. Использует хуки для интеграции с внешними ресурсами и автоматизации рутинных операций. Ориентирован на повышение эффективности усвоения материала и преодоление "плато" в обучении.

Навык "Relationship Skills" решает задачу поиска и применения готовых решений для улучшения межличностных отношений. Он предоставляет структурированные подходы к коммуникации, разрешению конфликтов и генерации идей для укрепления связей, охватывая более 5400 готовых AI agent skills в 52 категориях. Это ценный ресурс для пользователей Claude Code, Agent Zero, Cursor и других агентных платформ. Навык работает посредством предоставления структурированных ответов на запросы пользователя. Он использует заранее подготовленные шаблоны и фреймворки для помощи в сложных разговорах, предлагает техники деэскалации конфликтов и генерирует персонализированные идеи для свиданий на основе предпочтений и местоположения. Навык также включает инструменты для отслеживания состояния отношений и выявления повторяющихся паттернов. Ключевые особенности: интеграция с AI agent platforms, предоставление готовых фреймворков для коммуникации, структурированные подходы к разрешению конфликтов, генерация персонализированных идей для свиданий, инструменты отслеживания состояния отношений. Не требует специфических API или SDK.

Помощник в сфере здравоохранения, обладающий навыками анализа медицинской информации, отслеживания симптомов и предоставления рекомендаций по поддержанию здоровья.

Автоматизирует создание индивидуальных планов питания. Пользователям часто не хватает времени и знаний для грамотного составления диеты. Этот навык решает проблему планирования питания, предлагая готовые решения. Он помогает достигать целей: снижение веса, набор мышечной массы, поддержание здоровья. Навык-помощник начинает работу с автоматического расчета BMR/TDEE. Он использует Python и сложные Nutrition Algorithms. Далее, происходит определение оптимального соотношения макронутриентов. Затем, генерируется структурированный план питания. Включает рецепты и списки покупок. Пользователь предоставляет данные: вес, рост, возраст, уровень активности. Навык обрабатывает информацию. Он создает персонализированный план. Данные хранятся в Recipe Database. Алгоритмы учитывают предпочтения пользователя. Генерация списка покупок происходит автоматически. Это экономит время и силы. В основе работы лежит AI. Интеграция с Recipe Database позволяет предлагать разнообразные блюда. Генерация списка покупок использует Grocery List Generation. Поддерживаемые языки: русский, английский. Навык использует Python для обработки данных. Ключевые особенности: автоматический расчет BMR/TDEE, персонализированные макронутриенты, структурированные планы питания. Работает с данными о продуктах. Учитывает аллергии и непереносимости. Пользователь может корректировать план. Навык генерирует код для интеграции с другими сервисами.

Проект структурирует планы развития эмоционального интеллекта. Репозиторий emotional-intelligence-plan предоставляет шаблоны и рекомендации для создания индивидуальных стратегий. Ориентирован на создание четких, применимых планов, учитывающих конкретные ситуации и цели. Инструмент генерирует планы, используя структуру: контекст, цель, аудитория, компоненты (детали, ответственный, сроки), план действий (немедленные, краткосрочные, среднесрочные шаги) и метрики успеха (KPI, целевое значение, метод отслеживания). Процесс включает этапы: анализ требований, исследование, создание черновика, рецензирование и доработка. Включает контрольный список качества для обеспечения соответствия контексту и измеримости. Формат вывода: таблицы с полями "Контекст", "Цель", "Аудитория", "Компонент", "План действий", "Метрики". Предполагается использование Markdown для форматирования. Не требует специфических языков программирования, предназначен для организации информации и создания структурированных документов.

Автоматизирует создание планов миграции в облако. Этот skill решает проблему отсутствия структурированного подхода к внедрению облачных решений. Он автоматизирует формирование планов, основанных на Microsoft Cloud Adoption Framework (CAF). Репозиторий создает планы, учитывая инвентаризацию цифровых активов и оценку готовности персонала. Особенно полезен для предприятий, стремящихся к последовательному и управляемому переходу в облако. Упрощает процесс планирования. Как работает навык? Skill 'caf-adoption-planning' использует методологию CAF Plan phase. Сначала он собирает информацию о существующей инфраструктуре. Затем оценивает текущий уровень навыков команды. На основе этих данных, skill генерирует план миграции. План включает в себя временные рамки, этапы и необходимые действия. Он использует Azure CLI и Resource Graph для получения данных об инфраструктуре. YAML файлы определяют структуру и параметры плана. Процесс автоматизирован с использованием Python. Технологии и интеграции. Skill разработан с использованием Odoo для управления рабочим процессом. Интегрируется с Azure CLI для взаимодействия с Azure ресурсами. Использует Resource Graph для запросов к инфраструктуре. Формат YAML используется для хранения конфигураций. Python обеспечивает логику автоматизации. Поддерживает оценку готовности персонала. Генерирует отчеты о состоянии цифровых активов. Включает в себя интеграцию с Microsoft Learn MCP для проверки соответствия официальным шаблонам. Использует поисковые запросы, такие как "Cloud Adoption Framework best practices".

Автоматизация подготовки к дебатам – сложная задача, требующая структурирования аргументов и анализа противоположных точек зрения. Этот skill помогает быстро создавать основу для сильной позиции, генерируя логически выстроенные аргументы и потенциальные контраргументы. Он предназначен для пользователей, которым необходимо эффективно готовиться к дебатам, дискуссиям или убедительным выступлениям, экономя время и усилия на первоначальном этапе. Навык-помощник позволяет сгенерировать скелет аргументации, который затем можно доработать и расширить. Работа skill начинается с получения входных данных: темы дебатов, выбранной позиции (за или против, или анализ обеих сторон), контекста (формальные дебаты, дискуссия, убеждение), целевой аудитории и, при необходимости, временных ограничений. Навык анализирует эти данные и генерирует структурированный документ, включающий четкое формулирование позиции, основные аргументы с подтверждающими доказательствами и обоснованием, а также ожидаемые контраргументы с подготовленными опровержениями. Результатом является готовый план подготовки, включающий в себя "банк доказательств" – список потенциальных источников информации для подкрепления аргументов. Пользователь получает не готовый текст для выступления, а тщательно организованную структуру, требующую дальнейшей детализации и адаптации под конкретные обстоятельства. Навык генерирует не только аргументы, но и предлагает наиболее сильные контраргументы и способы их отражения. В основе работы skill лежит алгоритм, использующий методы обработки естественного языка (NLP) и логического вывода. Выходной формат представляет собой структурированный текст, готовый для копирования и редактирования. В качестве ключевых элементов, генерируемых навыком, выступают: Proposition (четкое утверждение позиции), Key Arguments (аргументы с доказательствами и обоснованием), Anticipated Opposition (таблица контраргументов и опровержений), Strongest Counter-Arguments (список самых сильных контраргументов и способы

Разрабатывает индивидуальные планы тренировок, учитывая уровень подготовки, цели, доступное оборудование и предпочтения пользователя. Скилл решает задачу создания структурированной программы физических упражнений, адаптированной под конкретные нужды. Скилл анализирует введенные данные с помощью AI и NLP, определяет оптимальную последовательность упражнений и интенсивность нагрузки. Применяет принципы прогрессивной перегрузки для обеспечения постоянного улучшения результатов. Генерирует сплит тренировок, разделяя нагрузку по группам мышц. Использует Python для обработки данных и генерации планов. Включает логику для учета пользовательских ограничений и предпочтений. Обеспечивает формирование тренировочных планов, основанных на принципах прогрессивной перегрузки и с учетом доступного оборудования.

Навык go2sleep помогает пользователям формировать здоровые привычки сна и улучшать самочувствие посредством напоминаний, отслеживания прогресса и мотивирующих цитат. Скилл использует Cron для регулярной отправки уведомлений о сне, основанных на цитатах Чжан Сюэфэна. Взаимодействие с API позволяет регистрировать данные о сне и отслеживать прогресс по 66-дневному плану восстановления. При отсутствии данных о сне, скилл предоставляет мотивирующие размышления о здоровье. Получение данных о сне осуществляется через API по адресу https://go2sleep.ai/api/checkins?user={nickname}. Цитирование происходит из файла https://go2sleep.ai/data/quotes.json. Технический стек включает: Cloudflare Pages для хостинга, JavaScript для логики скилла, Cron для планирования задач, API для взаимодействия с данными. Используются следующие эндпоинты: https://go2sleep.ai/api/checkin (POST), https://go2sleep.ai/api/checkins (GET), https://go2sleep.ai/data/quotes.json. Параметры CronCreate: recurring: true, durable: true.

Навык go2sleep помогает пользователям улучшить качество сна, предоставляя персонализированные напоминания и отслеживая прогресс в 66-дневном цикле восстановления. Он ориентирован на формирование здоровых привычек и предлагает визуализацию прогресса. Скилл использует Cron для автоматической отправки напоминаний о необходимости выполнения заданий в рамках плана восстановления. Запросы к API позволяют получать данные о текущем дне, цитатах и отражениях на тему здоровья. Полученные данные отображаются пользователю, стимулируя к дальнейшему соблюдению плана. Прогресс фиксируется через API и визуализируется. Технологический стек включает: Cloudflare Pages для хостинга, JavaScript для клиентской логики, Cron для планирования задач, API для взаимодействия с данными и JSON для хранения цитат и отражений. Доступны эндпоинты: https://go2sleep.ai/api/checkin (POST), https://go2sleep.ai/api/checkins (GET) и https://go2sleep.ai/.

Диагностика усталости от рекламы — специализированный навык для диагностики усталости от рекламы.

Навык "Медицинская Диагностика" извлекает симптомы из текстового описания пациента. Он предназначен для автоматизированной помощи в постановке диагноза, анализируя предоставленные данные и предлагая возможные варианты. Решение ориентировано на задачи Wellness & Health. Скилл использует Python и Langchain для обработки естественного языка. AWS Comprehend Medical анализирует текст, выделяя медицинские сущности (симптомы) с оценкой достоверности. Результаты разделяются на симптомы с высокой и низкой уверенностью, формируя структуру SymptomsOutputState. Далее, на основе выявленных симптомов, происходит поиск потенциальных диагнозов, используя внешние ресурсы. Ключевые компоненты: Python, Langchain, AWS Comprehend Medical. Функциональность включает: извлечение симптомов (Symptom Extrapolation), идентификацию вероятных диагнозов (Potential Diagnosis Identification) и предложение дальнейших действий при неясности диагноза (Next Steps Suggestion). Используется оценка достоверности (score) для фильтрации сущностей.

Скилл решает задачу синхронизации времени между America/New_York (Восточное время) и Asia/Jerusalem (Израильское время), с учетом соблюдения Шаббата и планирования задач, требующих точного времени. Ориентирован на пользователей, нуждающихся в координации расписания между этими регионами. Скилл отображает текущее время в обоих часовых поясах, рассчитывает время начала и окончания Шаббата на основе местоположения, и предлагает варианты планирования, учитывающие ограничения, связанные с соблюдением Шаббата. Использует алгоритмы для автоматического пересчета времени с учетом разницы часовых поясов и дат начала/окончания летнего времени. В основе работы – Python и библиотеки для работы с часовыми поясами. Отображение времени происходит в формате: FL: HH:MM EST | IL: HH:MM IST. Поддерживает расчет времени зажжения свечей и начала Шаббата. Используются scheduling algorithms для помощи в планировании.