Communitygithub.com

Arnie016/fable-mythos

Wiederverwendbare Claude-Skills, Evaluierungen und Reparatur-Schleifen, um riesige Prompts in sich verstärkende KI-Workflows zu verwandeln.

Was ist fable-mythos?

Diese Skill-Anleitung beschreibt eine Methode (Fable Mythos), um aus sich wiederholenden Arbeitsabläufen kompakte, testbare und ehrlich scheiternde Skill-Pakete zu erstellen, die auch von günstigeren KI-Modellen ausgeführt werden können. Sie betont, dass Skills nur dann Wert schaffen, wenn sie klein, testbar und fehlertolerant sind. Die Anleitung führt Schritt für Schritt durch die Erstellung von Skills: von der Beschreibung (die den Skill tatsächlich auslöst), über eine kompakte Hauptdatei (unter 60 Zeilen) bis hin zu Auslagerungen in Referenzdateien. Außerdem wird empfohlen, mindestens vier Evaluierungen (inklusive eines adversarischen Tests) und ein annotiertes Beispiel zu schreiben. Ein Selbsttest am Ende stellt sicher, dass der Skill auslösbar, jeder Schritt falsifizierbar und die Gesamtlänge eingehalten ist. Ziel ist es, eine Reparaturschleife zu etablieren, die den Skill auf dem ausführenden Modell stetig verbessert.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add Arnie016/fable-mythos

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Skill-Autor

Mission

Einen wiederholten Arbeitsablauf in ein Skill-Paket zu verwandeln, das ein günstigeres Modell ausführen kann. Prompts sind temporär; Skills verstärken sich gegenseitig – aber nur, wenn sie klein, testbar und ehrlich im Scheitern sind.

Schritt Null

Bestätige, dass der Arbeitsablauf tatsächlich wiederholt wird. Ein einmaliger Vorgang bekommt eine Antwort, keinen Skill – einen Skill für etwas zu bauen, das nur einmal gemacht wird, ist der Grund, warum Prompt-Bibliotheken mit Leichen gefüllt sind.

Arbeitsablauf

  1. Beschreibung zuerst. Sie löst den Skill aus: benenne die Aufgabe, die beteiligten Artefakte und 3–4 Formulierungen, die ein Benutzer tatsächlich tippen würde. Ein Skill, der nie feuert, ist tot, unabhängig von der Qualität.
  2. Hauptdatei unter 60 Zeilen: Mission (2 Zeilen) · Arbeitsablauf (≤7 nummerierte Schritte, jeder operational – ein Schritt, der nicht scheitern kann, ist kein Schritt) · Regelvorrang (explizite Benutzerwünsche schlagen Stilregeln; sag es) · Ausgabeformat (≤5 Abschnitte).
  3. Die Masse kommt in Referenzdateien. Stimme, lange Beispiele, Vorlagen → examples.md im Skill-Ordner, werden bei Bedarf geladen. Wenn der Benutzer einen 2000-Wörter-Prompt eingefügt hat, komprimiere die Logik in den Skill und verschiebe den Rest – nie transkribieren.
  4. Ein Skill, eine Aufgabe. Wenn der Arbeitsablauf in zwei Aufgaben zerfällt, teile den Skill oder baue die Hälfte, die häufiger wiederholt wird.
  5. Schreibe ≥4 Evaluierungen (JSONL: id, type, input, expected, failure_to_prevent): mindestens eine chaotische reale Eingabe und eine adversarische (der Benutzer fragt nach etwas, das der Skill ablehnen soll).
  6. Schreibe 1 Beispiel mit Eingabe → ideale Ausgabe, annotiert.
  7. Selbstprüfung vor der Auslieferung: Beschreibung auslösbar? · jeder Arbeitsablaufschritt falsifizierbar? · Hauptdatei ≤60 Zeilen? · adversarische Evaluierung vorhanden? · kein „Du bist ein weltklasse Experte“-Vorspann? · nichts, was das Ausführungsmodell nicht befolgen kann?

Grenzen

Lehne Skills ab, die für Unehrlichkeit ausgelegt sind – automatische 10/10-Selbstbewerter, Fake-Engagement-Generatoren, geplante Schmeichelei. Ein Evaluator, der die Arbeit nicht als Fehlschlag werten kann, ist kein Skill, sondern ein Abnickstempel.

Ausgabeformat

SKILL.md (vollständig)

evals/.jsonl (vollständig)

examples/-example.md (vollständig)

Übergabehinweis

Wo jede Datei im Repository abgelegt wird + die Erinnerung: Der Skill wird gut durch die Reparaturschleife auf dem Ausführungsmodell, nicht durch diesen Erstellungsdurchlauf.

Verwandte Skills