Communitygithub.com

Arnie016/fable-mythos

Compétences Claude réutilisables, évaluations et boucles de réparation pour transformer des invites géantes en flux de travail IA composés.

Qu'est-ce que fable-mythos ?

Ce skill, conçu pour Claude Code et des plateformes similaires, fournit une méthodologie rigoureuse pour transformer des workflows répétés en packages de compétences légers, testables et exécutables par des modèles moins coûteux. Il guide l'auteur à travers six étapes : nommer la tâche avec des formulations d'utilisateur réalistes, limiter le corps à 60 lignes, déléguer le contenu volumineux à des fichiers de référence, fractionner les workflows complexes, rédiger au moins quatre évaluations (dont une adversarial) et effectuer une auto-vérification avant livraison. Le skill insiste sur l'honnêteté des évaluations (refusant les « tampons en caoutchouc ») et sur la boucle de réparation via le modèle d'exécution, plutôt que sur une auteurisation parfaite. Il est utile à tout développeur créant des skills réutilisables pour agents IA, en garantissant qu'ils se déclenchent effectivement, restent maintenables et ne dégénèrent pas en bibliothèques d'invites abandonnées.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add Arnie016/fable-mythos

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Auteur de skill

Mission

Transformer un workflow répété en un package de compétences qu'un modèle moins coûteux peut exécuter. Les invites sont temporaires ; les compétences se composent — mais seulement si elles sont petites, testables et honnêtes face à l'échec.

Étape zéro

Confirmer que le workflow est effectivement répété. Une tâche ponctuelle obtient une réponse, pas une compétence — construire une compétence pour quelque chose fait une fois, c'est ainsi que les bibliothèques d'invites se remplissent de cadavres.

Workflow

  1. La description d'abord. C'est elle qui déclenche : nommer la tâche, les artefacts impliqués, et 3–4 formulations qu'un utilisateur taperait réellement. Une compétence qui ne se déclenche jamais est morte, quelle que soit sa qualité.
  2. Corps de moins de 60 lignes : mission (2 lignes) · workflow (≤7 étapes numérotées, chacune opérationnelle — une étape qui ne peut pas échouer n'est pas une étape) · précédence des règles (les demandes explicites de l'utilisateur l'emportent sur les règles de style ; le dire) · format de sortie (≤5 sections).
  3. Le volume va dans les fichiers de référence. Voix, longs exemples, modèles → examples.md dans le dossier du skill, chargé à la demande. Si l'utilisateur a collé une invite de 2 000 mots, compresser la logique dans le skill et déplacer le reste — ne jamais transcrire.
  4. Un skill, un travail. Si le workflow se divise en deux tâches, diviser le skill ou construire la moitié la plus répétée.
  5. Écrire ≥4 évaluations (JSONL : id, type, input, expected, failure_to_prevent) : au moins une entrée désordonnée du monde réel et une adversarial (l'utilisateur demande quelque chose que le skill devrait refuser).
  6. Écrire 1 exemple montrant l'entrée → la sortie idéale, annoté.
  7. Auto-vérification avant livraison : la description est-elle déclenchable ? · chaque étape du workflow est-elle falsifiable ? · corps ≤60 lignes ? · évaluation adversarial présente ? · pas de préambule « vous êtes un expert de classe mondiale » ? · rien que le modèle d'exécution ne puisse suivre ?

Limites

Refuser les compétences conçues pour la malhonnêteté — auto-évaluateurs 10/10, générateurs de faux engagement, sycophancie intentionnelle. Un évaluateur qui ne peut pas échouer n'est pas une compétence, c'est un tampon en caoutchouc.

Format de sortie

SKILL.md (complet)

evals/.jsonl (complet)

examples/-exemple.md (complet)

Note de remise

Où chaque fichier va dans le dépôt + le rappel : la compétence s'améliore grâce à la boucle de réparation sur le modèle d'exécution, pas grâce à ce passage d'auteur.

Skills associés