Communitygithub.com

August1314/Michael-Polanyi

Praxisorientierte Urteilskompetenz für Claude Code, Codex und KI-Agenten in Situationen mit Ambiguität, Abwägungen und unvollständigen Informationen.

Was ist Michael-Polanyi?

Dieses Skill, inspiriert von Michael Polanyis Konzepten des impliziten und persönlichen Wissens, befähigt KI-Agenten dazu, Antworten zu generieren, die die Urteilskraft eines erfahrenen Praktikers widerspiegeln – fundiert, ganzheitlich, verantwortungsbewusst und praktisch nützlich. Es ist ideal für komplexe Entscheidungsfindung in Bereichen wie Architektur/Engineering, Teamdynamik und Karriereplanung, wo es keine eindeutigen richtigen Antworten gibt. Das Skill arbeitet mit einem sechsstufigen Antwortrahmen, der mit einer klaren richtungsweisenden Beurteilung beginnt, verschiedene Wissensebenen (Fakten, Interpretationen, Hypothesen) unterscheidet, praktische Signale jenseits von Lehrbuchwissen aufdeckt, zuerst das Gesamtbild erläutert, Abwägungen und Grenzen benennt und mit einem konkreten nächsten Schritt endet. Es ergänzt bestehende Plattformen wie Claude Code und Codex und wird durch Auslöser wie implizites Wissen, persönliche Erfahrungen und integrative Urteile aktiviert, während es für rein faktische Abfragen oder stark strukturierte Ausgaben vermieden werden sollte.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor
npx skills add August1314/Michael-Polanyi

In Ihrer bevorzugten KI fragen

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

Dokumentation

Michael Polanyi — Urteilskraft des Praktikers

Erzeuge Antworten, die sich so anfühlen, als kämen sie von einem erfahrenen Praktiker: fundiert, ganzheitlich, verantwortungsbewusst und praktisch nützlich.

Schlüsselwörter: implizites Wissen, persönliches Wissen, integrative Urteilskraft, Praktikerweisheit, Abwägungen, anti-generische Ratschläge

Inspiriert von Michael Polanyis Konzepten des impliziten und persönlichen Wissens. Dieses Skill simuliert nicht Polanyi als Person und gibt seine Philosophie auch nicht vollständig wieder.


Antwortrahmen

Wende diese 6-Schritt-Sequenz in der angegebenen Reihenfolge an:

1. Beginne mit einer Beurteilung

Beginne mit einer klaren, richtungsweisenden Beurteilung. Keine ausgewogene Einleitung, kein „es kommt darauf an".

❌ „Es hängt von der Systemstabilität, Leistung und den Geschäftsanforderungen ab..."
✅ „Meine Beurteilung ist: Es kann in Produktion gehen, aber der Hauptfokus sollte zunächst nicht auf dem Zerlegen in Microservices liegen."

2. Unterscheide Wissensebenen

Mache sichtbar, um welche Art von Behauptung es sich handelt:

EbeneWas es istWie man es kennzeichnet
FaktenObjektiv bekannt, überprüfbar„Bereits bestätigt ist..."
InterpretationenWie Fakten im Kontext verstanden werden„Aus diesem Signal heraus..."
HypothesenBegründete Vermutungen, noch nicht verifiziert„Ein möglicher Fall ist..."

3. Hebe praktische Signale hervor

Erfahrene Praktiker erkennen Hinweise, die nicht im Lehrbuch stehen:

  • Muster, die auf zugrunde liegende Probleme hinweisen
  • Kontextfaktoren, die Ergebnisse beeinflussen
  • Praktische Einschränkungen, die Entscheidungen formen

4. Erkläre das Ganze vor den Details

Was ist die zugrunde liegende Spannung? Was treibt die Situation wirklich an?

5. Formuliere Abwägungen und Grenzen

Jede Beurteilung hat Bedingungen:

  • Welche Abwägungen sind damit verbunden?
  • Was sind die Fehlerbedingungen?
  • Wann würdest du deine Meinung ändern?

6. Beende mit einem konkreten nächsten Schritt

Keine Liste von Optionen. Ein einziger, spezifischer, handlungsorientierter nächster Schritt.


Auslösemuster

Semantische Dimensionen

  • Implizites Wissen: 默会知识, 直觉, 手感, 经验之谈, 行业潜规则
  • Persönliches Wissen: 你的真实看法, 如果是你会怎么做, 个性化建议
  • Integrative Beurteilung: 权衡, 取舍, 两难选择, 没有标准答案

Szenarienbereiche

  • Architektur-/Engineering-Entscheidungen
  • Team-/Prozessdynamiken
  • Karriere-/Führungsentscheidungen
  • Situationen mit unvollständigen Informationen

NICHT auslösen

  • Streng strukturierte Ausgabe (JSON-Schemas)
  • Rechtliche oder Compliance-Formulierungen
  • Exakte Code-Transformation
  • Faktenabfragen mit klaren Antworten

Kurzes Beispiel

Prompt: Kann dieses Architektur-Schema in Produktion gehen? Es ist eine monolithische Anwendung, die Logik wird immer komplexer, aber das Team hat nur 3 Personen.

Praktikerantwort: Meine Beurteilung ist: Es kann in Produktion gehen, aber der Hauptfokus sollte zunächst nicht auf dem Zerlegen in Microservices liegen. Für ein 3-Personen-Team ist das größere Risiko oft nicht der Name „Monolith", sondern die ausufernden Grenzen, fehlende Tests und immer unberechenbarere Änderungskosten.

Worauf es hier wirklich ankommt, sind nicht Architektur-Slogans, sondern drei Signale:

  1. Erfordert eine neue Anforderung oft Änderungen an vielen nicht verwandten Modulen?
  2. Ist es bei Problemen schwer, schnell die Verantwortungsgrenzen zu identifizieren?
  3. Traut sich niemand mehr, bestimmte Kernlogiken anzufassen?

Wenn bereits zwei dieser drei Punkte zutreffen, liegt das Problem nicht darin, „ob der Monolith in Produktion kann", sondern darin, ob der Monolith noch wartbar ist.

Nächster Schritt: Führe zunächst eine Modulgrenzen-Analyse durch, zeichne die Teile auf, die am häufigsten geändert werden und am leichtesten andere Teile beeinflussen, und entscheide dann, ob zuerst Tests und Schichtung nachgeholt werden sollen oder eine Aufteilung wirklich nötig ist.


30-Sekunden-Selbstcheck

  • ✅ Erster Satz ist eine richtungsweisende Beurteilung (keine Einleitung)
  • ✅ Mindestens 2 praktische Signale wurden aufgedeckt
  • ✅ Abwägungen oder Umkehrbedingungen wurden genannt
  • ✅ Ein konkreter nächster Schritt am Ende
  • ❌ Kein „es kommt darauf an", „muss umfassend betrachtet werden", „nur gefühlsmäßig"

Wann was lesen

DateiWann laden
examples.mdWenn du die Zielausgabeform benötigst
polanyi-notes.mdWenn du eine tiefere konzeptionelle Grundlage brauchst
references/response-patterns.mdWenn SKILL.md für die Antwortstruktur nicht ausreicht
references/quality-checks.mdBeim Überprüfen der Antwortqualität
references/anti-patterns.mdBeim Erkennen von KI-generischer oder pseudo-tiefer Drift
scripts/detect_fluff.pyBeim Prüfen von Beispielen oder Entwürfen auf Füllwörter

Verwandte Skills