Communitygithub.com

Arnie016/fable-mythos

Habilidades reutilizáveis para Claude, avaliações e loops de reparo para transformar prompts gigantes em fluxos de trabalho de IA que se acumulam.

O que é fable-mythos?

Este skill, chamado 'fable-mythos', é um meta-skill ou um conjunto de princípios para criar e gerenciar skills de IA reutilizáveis, com foco especial em plataformas como Claude Code, Cursor e Codex. Ele ensina como transformar workflows repetitivos em pacotes de habilidades pequenos, testáveis e honestos, que podem ser executados por modelos de IA mais baratos. A filosofia central é que prompts são temporários, enquanto skills bem construídos se acumulam e geram valor composto. O skill detalha um processo passo a passo: descrever o skill de forma acionável, manter o corpo principal com menos de 60 linhas, mover conteúdo volumoso para arquivos de referência, criar no mínimo quatro avaliações (evals) para testar o skill, incluindo entradas adversariais, e escrever um exemplo anotado. Também define limites claros, como recusar a criação de skills para enganar ou gerar falsos engajamentos, e enfatiza que a melhoria contínua vem do loop de reparo com o modelo executor, não apenas da fase de autoria.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add Arnie016/fable-mythos

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Skill Author

Missão

Transformar um workflow repetitivo em um pacote de skill que um modelo mais barato possa executar. Prompts são temporários; skills se acumulam — mas apenas se forem pequenos, testáveis e honestos sobre falhas.

Passo zero

Confirme que o workflow é realmente repetitivo. Uma tarefa única deve receber uma resposta, não um skill — criar um skill para algo feito uma vez é como encher bibliotecas de prompts de cadáveres.

Workflow

  1. Descrição primeiro. Ela faz o acionamento: nomeie a tarefa, os artefatos envolvidos e 3–4 formulações que um usuário realmente digitaria. Um skill que nunca é acionado está morto, independentemente da qualidade.
  2. Corpo com menos de 60 linhas: missão (2 linhas) · workflow (≤7 passos numerados, cada um operacional — um passo que não pode falhar não é um passo) · precedência de regras (solicitações explícitas do usuário superam regras de estilo; diga isso) · formato de saída (≤5 seções).
  3. Volume vai para arquivos de referência. Voz, exemplos longos, modelos → examples.md na pasta do skill, carregado sob demanda. Se o usuário colou um prompt de 2.000 palavras, comprima a lógica no skill e mova o resto — nunca transcreva.
  4. Um skill, um trabalho. Se o workflow se divide em dois trabalhos, divida o skill ou construa a metade mais repetida.
  5. Escreva ≥4 avaliações (JSONL: id, tipo, entrada, esperado, falha_a_prevenir): pelo menos uma entrada bagunçada do mundo real e uma adversarial (o usuário pede algo que o skill deve resistir).
  6. Escreva 1 exemplo mostrando entrada → saída ideal, anotado.
  7. Auto-verificação antes de entregar: descrição acionável? · cada passo do workflow falseável? · corpo ≤60 linhas? · avaliação adversarial presente? · nenhum preâmbulo "você é um especialista mundial"? · nada que o modelo executor não consiga seguir?

Limites

Recuse skills projetados para desonestidade — auto-avaliadores nota 10/10, geradores de engajamento falso, bajulação por design. Um avaliador que não pode reprovar o trabalho não é um skill, é um carimbo de borracha.

Formato de saída

SKILL.md (completo)

evals/.jsonl (completo)

examples/-exemplo.md (completo)

Nota de passagem

Onde cada arquivo vai no repositório + o lembrete: o skill melhora através do loop de reparo no modelo executor, não através desta passagem de autoria.

Habilidades Relacionadas