bayesian-reasoning-calibration — скилл для Claude Code
Скилл bayesian-reasoning-calibration применяет теорему Байеса, чтобы систематически пересчитывать вероятности при появлении новых фактов. Помогает делать точнее прогнозы, избежать переуверенности и обоснованно менять решения.
лицензия не указана 162 установок ★ 203 обновлён 2026-09-01
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a claude-codeЧто делает bayesian-reasoning-calibration
Скилл работает пошагово: сначала вы формулируете конкретный вопрос, затем устанавливаете начальную вероятность на основе базовых показателей и похожих ситуаций, потом оцениваете, насколько новые данные подтверждают или опровергают гипотезу. Дальше формула пересчитывает апостериорную вероятность — то, во что вы должны верить с учётом всех фактов. Результат сохраняется в документ с полной цепочкой рассуждений.
Внутри скилла — пять этапов: определение вопроса, установка начальных убеждений, анализ доказательств и их вероятностей, расчёт финального результата, проверка адекватности. Для простых случаев есть готовый калькулятор, для сложных — методология для нескольких гипотез одновременно. Гайд включает примеры (решение о запуске продукта, медицинский диагноз) и чек-лист, чтобы не пропустить шаг.
Главное ограничение: скилл требует честного подбора начальной вероятности и реалистичной оценки того, насколько вероятны данные при каждой гипотезе. Если исходить из предубеждения или выбирать только удобные факты, результат будет ненадёжным. Скилл работает лучше всего для прогнозов, оценки рисков с неопределённостью и проверки гипотез.
Какие задачи решает
- Пересчитать вероятность гипотезы с учётом новых данных
- Калибровать уверенность в прогнозе и избежать переуверенности
- Оценить, насколько сильно новое свидетельство меняет решение
- Структурировать рассуждение под неопределённостью для команды
- Сравнить несколько гипотез и выбрать наиболее вероятную
Примеры запросов агенту
- Нужно решить, запускать ли фичу — помоги найти вероятность успеха с учётом результатов беты
- Оценить риск отказа сервера по новым логам и метрикам
- Обновить прогноз объёма продаж после выхода отчёта конкурента
Как установить bayesian-reasoning-calibration
1Через Skills CLI (Vercel)
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a claude-code2Вручную: положить файлы
~/.claude/skills/bayesian-reasoning-calibration/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/bayesian-reasoning-calibration/
1Через Skills CLI (Vercel)
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a codex2Вручную: положить файлы
.agents/skills/bayesian-reasoning-calibration/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a cursor2Вручную: положить файлы
.cursor/skills/bayesian-reasoning-calibration/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install lyndonkl/claude skills/bayesian-reasoning-calibration2Вручную: положить файлы
.github/skills/bayesian-reasoning-calibration/SKILL.md1Через Skills CLI (Vercel)
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a gemini-cli2Командой платформы
gemini skills install https://github.com/lyndonkl/claude --path skills/bayesian-reasoning-calibrationВручную: положить файлы
.devin/skills/bayesian-reasoning-calibration/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о bayesian-reasoning-calibration
Как установить bayesian-reasoning-calibration в Claude Code?
Запустите npx skills add lyndonkl/claude --skill bayesian-reasoning-calibration -a claude-code, потом откройте ~/.claude/skills/bayesian-reasoning-calibration/SKILL.md.
Что делает bayesian-reasoning-calibration?
Скилл помогает систематически пересчитывать вероятность гипотезы при появлении новых данных. Вы задаёте начальное убеждение, оцениваете вероятность фактов при каждой гипотезе, и скилл применяет теорему Байеса, чтобы вывести апостериорную вероятность.
Зачем нужна начальная вероятность, если всё равно придёт новые данные?
Начальная вероятность (prior) — якорь, который предотвращает смещение в сторону только что пришедших фактов. Она основана на базовых показателях и похожих ситуациях, поэтому защищает от ошибки «игнорировать фоновую информацию».