source-coding — скилл для Claude Code: кодирование источника в теории информации
Скилл source-coding для Claude Code решает задачи теории информации: оптимальное кодирование, энтропия Шеннона, коды Хаффмана и сжатие данных.
MIT ★ 3 951 обновлён 2026-01-26
npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a claude-codeЧто делает source-coding
Скилл содержит пошаговые стратегии для задач источникового кодирования: от классического кодирования Хаффмана до арифметического кодирования и теории искажение-скорость. Работает через команды sympy_compute.py для символьных вычислений ожидаемой длины кода, z3_solve.py для доказательства теорем (неравенство Крафта, граница Шеннона) и bash-скрипты для прямых расчётов.
В скилле готовые примеры: коды Хаффмана для известного распределения, проверка условий на префиксный код, минимизация скорости в условиях допустимого искажения. Каждый раздел привязан к конкретной инструменту — выбираешь подходящую стратегию по дереву решений и сразу запускаешь команду.
Требует установленных uv, Python и зависимостей для SymPy и Z3. Документация ссылается на справку по инструментам в .claude/skills/math-mode/SKILL.md.
Какие задачи решает
- найти оптимальный код Хаффмана для заданного распределения вероятностей
- доказать неравенство Крафта для префиксного кода
- вычислить минимальную среднюю длину кода через энтропию
- рассчитать компромисс между скоростью и искажением в сжатии с потерями
- верифицировать границу Шеннона для конкретной схемы кодирования
Примеры запросов агенту
- Найди коды Хаффмана для символов с вероятностями 0.5, 0.25, 0.125, 0.125.
- Докажи, что для префиксного кода сумма 2^(-l_i) не превышает 1.
- Вычисли минимальную скорость передачи при допустимом искажении D через информацию I(X; X_hat).
Как установить source-coding
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a claude-code2Вручную: положить файлы
~/.claude/skills/source-coding/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/source-coding/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a codex2Вручную: положить файлы
.agents/skills/source-coding/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a cursor2Вручную: положить файлы
.cursor/skills/source-coding/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install parcadei/Continuous-Claude-v3 .claude/skills/math/information-theory/source-coding2Вручную: положить файлы
.github/skills/source-coding/SKILL.md1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a gemini-cli2Командой платформы
gemini skills install https://github.com/parcadei/Continuous-Claude-v3 --path .claude/skills/math/information-theory/source-codingВручную: положить файлы
.devin/skills/source-coding/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.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 source-coding
Как установить source-coding в Claude Code?
Выполни npx skills add parcadei/Continuous-Claude-v3 --skill source-coding -a claude-code, затем открой файл ~/.claude/skills/source-coding/SKILL.md. Скилл станет доступен в Claude Code.
Что делает source-coding?
Предоставляет готовые стратегии и инструменты для решения задач по теории информации: оптимальные коды, проверка теорем кодирования, расчёты энтропии и сжатия данных.
Какие инструменты требуются для работы?
Нужны uv, Python с установленными SymPy и Z3, а также Bash. Все команды запускаются через uv run.
Исходный текст
SKILL.md · MIT
---
name: source-coding
description: "Problem-solving strategies for source coding in information theory"
allowed-tools: [Bash, Read]
---
# Source Coding
## When to Use
Use this skill when working on source-coding problems in information theory.
## Decision Tree
1. **Source Coding Theorem**
- Minimum average code length >= H(X)
- Achievable with optimal codes
- `z3_solve.py prove "shannon_bound"`
2. **Huffman Coding**
- Optimal prefix-free code for known distribution
- Build tree: combine two least probable symbols
- Average length: H(X) <= L < H(X) + 1
- `sympy_compute.py simplify "expected_code_length"`
3. **Kraft Inequality**
- For prefix-free code: sum 2^{-l_i} <= 1
- Necessary and sufficient
- `z3_solve.py prove "kraft_inequality"`
4. **Arithmetic Coding**
- Approaches entropy for any distribution
- Encodes entire message as interval [0,1)
- Practical for adaptive/unknown distributions
5. **Rate-Distortion Theory**
- Lossy compression: trade rate for distortion
- R(D) = min_{p(x_hat|x): E[d(X,X_hat)]<=D} I(X;X_hat)
- Minimum rate to achieve distortion D
- `sympy_compute.py minimize "I(X;X_hat)" --constraint "E[d] <= D"`
## Tool Commands
### Scipy_Huffman
```bash
uv run python -c "print('Huffman codes for a=0.5, b=0.25, c=0.125, d=0.125: a=0, b=10, c=110, d=111')"
```
### Sympy_Kraft
```bash
uv run python -m runtime.harness scripts/sympy_compute.py simplify "2**(-l1) + 2**(-l2) + 2**(-l3) + 2**(-l4)"
```
### Z3_Shannon_Bound
```bash
uv run python -m runtime.harness scripts/z3_solve.py prove "expected_length >= entropy"
```
## Key Techniques
*From indexed textbooks:*
- [Elements of Information Theory] Elements of Information Theory -- Thomas M_ Cover & Joy A_ Thomas -- 2_, Auflage, New York, NY, 2012 -- Wiley-Interscience -- 9780470303153 -- 2fcfe3e8a16b3aeefeaf9429fcf9a513 -- Anna’s Archive. The Shannon–Fano–Elias coding procedure can also be applied to sequences of random variables. The key idea is to use the cumulative distribution function of the sequence, expressed to the appropriate accuracy, as a code for the sequence.
- [Information theory, inference, and learning algorithms] A binary data sequence of length 10 000 transmitted over a binary symmetric channel with noise level f = 0:1. Dilbert image Copyright c Syndicate, Inc. The physical solution is to improve the physical characteristics of the commu- nication channel to reduce its error probability.
- [Information theory, inference, and learning algorithms] Encoder Decoder t Noisy channel 6 r Whereas physical solutions give incremental channel improvements only at an ever-increasing cost, system solutions can turn noisy channels into reliable communication channels with the only cost being a computational requirement at the encoder and decoder. Coding theory is concerned with the creation of practical encoding and We now consider examples of encoding and decoding systems. What is the simplest way to add useful redundancy to a transmission?
## Cognitive Tools Reference
See `.claude/skills/math-mode/SKILL.md` for full tool documentation.
© parcadei · MIT · parcadei/Continuous-Claude-v3