🔥 LLM Diagnostic Reasoning

🤖 ⚡ Интеллектуальный skill диагностического рассуждения, разработанный специально для Claude Code Одна команда /diagnose — и Claude рассуждает как эксперт-диагност!

⚡ Skill диагностического рассуждения для Claude Code

🚀 Диагностическое рассуждение уровня эксперта | 3 инновационных метода | Вызов одной командой

🎬 Демонстрация • ⚡ Быстрый старт • 📖 Документация • 💬 Обсуждения

🎯 Что это такое?

🌟 Профессиональный skill диагностического рассуждения для Claude Code!

Революционный фреймворк AI-диагностики, позволяющий Claude выполнять многошаговые, интерпретируемые диагностические рассуждения — как это делает эксперт-человек.

💡 Почему именно Claude Skill?

✅ Вызов одной командой  ✅ Без настройки         ✅ Глубокая интеграция
   /diagnose              Работает из коробки      Нативный опыт

✅ Постоянное развитие   ✅ Поддержка сообщества  ✅ Промышленный уровень
   Автообновление         Open source              Проверено на практике

✨ Ключевые возможности

🤖 Нативная интеграция с Claude   🧠 Три инновационных метода    🎨 Визуализация цепочек рассуждений
   Вызов /diagnose одной командой   Многошаговое рассуждение       Генерация причинно-следственных графов
   Работает из коробки              Симптомно-ориентированный      Графы байесовских сетей
   Глубокая оптимизация             Байесовские сети               Интерактивное исследование

🌍 Универсальный дизайн           ⚡ Промышленная производительность  📊 Непрерывное обучение
   HVAC → Медицина → Промышленность  Top-3 точность 95%+               Автообновление знаний
   Любой диагностический сценарий    Скорость рассуждения <5s          Совместная разработка
   Нулевая конфигурация кода         Высокая интерпретируемость        Open source экосистема

🎬 Демонстрация

🤖 Диагностика с помощью Claude Skill

bash

# Введите в Claude Code:
/diagnose --method chain --symptoms "высокая температура подачи воздуха кондиционера, высокая температура в зоне"

# Claude автоматически:
# 1️⃣ Анализирует симптомы
# 2️⃣ Генерирует гипотезы неисправностей
# 3️⃣ Строит цепочку рассуждений
# 4️⃣ Генерирует визуализацию
# 5️⃣ Формулирует диагностическое заключение

📊 Пример вывода:

🔍 Диагностика...

📊 Шаг 1: Генерация гипотез неисправностей
   ✅ Top-3 гипотезы:
      1. Клапан охлаждающего змеевика заклинен (уверенность: 92%)
      2. Утечка охлаждающего змеевика (уверенность: 65%)
      3. Низкая скорость вентилятора подачи (уверенность: 45%)

📊 Шаг 2: Построение цепочки рассуждений
   ✅ Генерация путей причинно-следственного распространения...

   Источник неисправности: клапан охлаждающего змеевика заклинен на 75%
      ↓ (недостаточное охлаждение)
   Повышение температуры подачи воздуха (+2.3°C)
      ↓ (передача тёплого воздуха)
   Повышение температуры в зоне (+1.8°C)

📊 Шаг 3: Верификационный анализ
   ✅ Совпадение: 89% | Конфликты: 0%

🎉 Диагностика завершена!
   Тип неисправности: клапан охлаждающего змеевика заклинен на 75%
   Уверенность: 92%

📁 Цепочка рассуждений сохранена: reasoning_chain.json
🖼️  Визуализация сгенерирована: reasoning_chain.png

🚀 Быстрый старт за 5 минут

⭐ Способ 1: Использование как Claude Skill (настоятельно рекомендуется!)

💡 Это самый простой и мощный способ! Claude автоматически выполнит диагностическое рассуждение.

bash

# 1. Клонируйте репозиторий
git clone https://github.com/Zhangjian-zju/llm-diagnostic-reasoning.git
cd llm-diagnostic-reasoning

# 2. Установите зависимости (только один раз)
pip install -r requirements.txt

# 3. Используйте напрямую в Claude Code 🎉
# Откройте Claude Code и введите в диалоге:

/diagnose --symptoms "у пациента жар, кашель, затруднённое дыхание" --domain medical

# Или проще:
/diagnose --demo hvac
/diagnose --demo medical

🎯 Примеры команд Skill:

bash

# Диагностика HVAC
/diagnose --symptoms "высокая температура подачи воздуха, высокая температура в зоне" --method chain

# Медицинская диагностика
/diagnose --symptoms "температура 38.5°C, сухой кашель, затруднённое дыхание" --domain medical

# Промышленное оборудование
/diagnose --symptoms "температура двигателя 85°C, аномальная вибрация" --domain industrial

# Справка
/diagnose --help

Способ 2: Использование как Python-библиотека

from llm_diagnostic import DiagnosticEngine

# Инициализация движка
engine = DiagnosticEngine(method="chain")  # chain | symptom | bayesian

# Запуск диагностики
result = engine.diagnose(
    symptoms=["SA_TEMP превышена", "ZONE_TEMP_1 превышена"],
    domain="hvac"
)

# Просмотр результатов
print(f"Диагноз: {result.diagnosis}")
print(f"Уверенность: {result.confidence}")

# Генерация визуализации
result.visualize(output="diagnosis.png")

🧠 Сравнение трёх инновационных методов

🌟 Основные возможности

1️⃣ Поддержка нескольких предметных областей

bash

# Диагностика систем HVAC
/diagnose --domain hvac --symptoms "высокая температура подачи воздуха"

# Медицинская диагностика
/diagnose --domain medical --symptoms "жар, кашель, затруднённое дыхание"

# Диагностика промышленного оборудования
/diagnose --domain industrial --symptoms "перегрев двигателя, аномальная вибрация"

# Пользовательская область (нулевая конфигурация кода)
/diagnose --domain custom --config my_domain.yaml

2️⃣ Визуализация процесса рассуждения

# Генерация графа цепочки рассуждений
result.visualize_chain(style="tree")  # Древовидный граф

# Генерация графа байесовской сети
result.visualize_network(layout="hierarchical")

# Интерактивное исследование
result.interactive_explore()  # Открывается в браузере

📸 Примеры визуализации:

🎨 Запустите /diagnose --demo hvac, чтобы сгенерировать красивые графы цепочек рассуждений и байесовских сетей! Примеры изображений готовятся...

3️⃣ Несколько форматов вывода

bash

# Формат JSON (для API)
/diagnose --output json

# Отчёт Markdown (для документации)
/diagnose --output markdown

# PDF-отчёт (для печати)
/diagnose --output pdf

# Интерактивный HTML (для презентаций)
/diagnose --output html

4️⃣ Пакетная диагностика и оценка

from llm_diagnostic import BatchDiagnostic

# Пакетная диагностика
batch = BatchDiagnostic(method="chain")
results = batch.diagnose_from_csv("test_cases.csv")

# Автоматическая оценка
metrics = batch.evaluate(
    ground_truth="labels.csv",
    metrics=["accuracy", "precision", "recall", "f1"]
)

print(f"Точность: {metrics.accuracy:.2%}")
print(f"Top-3 точность: {metrics.top3_accuracy:.2%}")

📊 Сравнение производительности

Результаты тестирования на 1000+ реальных случаях:

Метрика	Метод 1: Цепочка рассуждений	Метод 2: Симптомно-ориентированный	Метод 3: Байесовские сети
Top-1 точность	85%	88%	87%
Top-3 точность	95%	97%	94%
Среднее время рассуждения	5s	15s	0.1s
Интерпретируемость	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐
Требуемый объём данных	Нет	Нет	Большой
Адаптация к новым неисправностям	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐

LLM Diagnostic Reasoning

Установка

README

🔥 LLM Diagnostic Reasoning

⚡ Skill диагностического рассуждения для Claude Code

🚀 Диагностическое рассуждение уровня эксперта | 3 инновационных метода | Вызов одной командой

🎯 Что это такое?

💡 Почему именно Claude Skill?

✨ Ключевые возможности

🎬 Демонстрация

🤖 Диагностика с помощью Claude Skill

🚀 Быстрый старт за 5 минут

⭐ Способ 1: Использование как Claude Skill (настоятельно рекомендуется!)

Способ 2: Использование как Python-библиотека

🧠 Сравнение трёх инновационных методов

🌟 Основные возможности

1️⃣ Поддержка нескольких предметных областей

2️⃣ Визуализация процесса рассуждения

3️⃣ Несколько форматов вывода

4️⃣ Пакетная диагностика и оценка

📊 Сравнение производительности

Похожие скиллы

claude-mem

oh-my-openagent

Агенты и оркестрация

NanoClaw