Skills
エージェント向けにパッケージ化された専門スキルと手順を 97,501 件掲載。コマンド 1 行でインストールできます。
エージェントワークフロー
`.chief/_rules/` にルールを能動的に追加します。`/chief-retro`（観察されたパターンから受動的にルールを提案する）の対になる機能です。ユーザーがルールを思い浮かべていて、すぐに記録したいときに使用します。ユーザーにインタビューし（what / why / when / examples）、ルールをカテゴリ（_standard / _contract / _goal / _verification）に分類し、ドラフトを提示して、確認後に書き込みます。1 回の呼び出しにつき 1 つのルール。
`orca` CLI を通じて、Orca 管理の worktree、フォルダーコンテキスト、ターミナル、リポジトリ、自動化、成果物、スキル共有、worktree コメント、Orca 内蔵ブラウザーを操作します。ユーザーが「$orca-cli」「Orca worktree」「child worktree」「spawn codex/claude in a worktree」「read/wait/send Orca terminal」「handoff」／「handover」／「give this to another agent」「Orca browser」「orca artifacts」「share skills」と言った場合に使用します。Orca の状態が関係する場合は、通常の git worktree、臨時の PTY、Computer Use より優先します。CLI、ファイルシステム、API では操作できない可視ウィンドウの GUI 操作が必要な場合に限り、Computer Use を使用します。
任意の SKILL.md 向けの SkillOpt 風オフライン訓練ループ。蓄積された learn-rule の修正を訓練トラジェクトリとして扱い、オプティマイザ LLM を介して有界のパッチを提案し、ユーザー自身の過去の修正から構築したホールドアウト検証セットで各候補を判定し、スコアが実際に向上する候補のみを提供する。Microsoft SkillOpt の ReflACT パイプライン（rollout → reflect → aggregate → select → update → evaluate）に着想を得て、pro-workflow の SQLite ストアに適合させたもの。skill に learn-rule 行が 8 件以上蓄積され、ユーザーが skill を長くするだけでなく改善したい場合に使用する。
Искрон にノード（現象、крий、вимарш、輪郭、役割）を書き込むときに使用します。トリガー：「запиши」「зафиксируй」「добавь узел」「создай крию」「положи в граф」、create phenomenon、add to graph、iskron_add。また、iskron_add_*、iskron_batch、および本文に追記する iskron_update の前には必ず使用してください。ノードの種類、given_as、モードの選択が不明な場合にも使用します。1件だけの書き込みでも、種類を誤るとグラフ全体に誤りが波及します。design（目標からの経路）、weaving（既存構造の修復）、methodology-work（方法論自体の進化）とは異なります。
画像、動画、音声、テキストを組み合わせた多段階の AI コンテンツ制作パイプラインを構築する。ワークフロー例：画像生成 -> アニメーション化 -> ナレーション追加 -> 音楽と結合。ツール：FLUX、Veo、Kokoro TTS、OmniHuman、media merger、アップスケーリング。用途：YouTube 動画、ソーシャルメディアコンテンツ、マーケティング素材、自動化コンテンツ。トリガー：content pipeline、ai workflow、content creation、multi-step ai、content automation、ai video workflow、generate and edit、ai content factory、automated content creation、ai production pipeline、media pipeline、content at scale
通常の自動化をブロックするサイトに到達する — `browse` スキルと同じナビゲート／検査／操作／レポートのループを、browse の camoufox ランタイム上で実行する。camoufox は C++ レベルの指紋偽装、geoip、人間らしいタイミングを備えた強化版 Firefox で、Cloudflare Turnstile、Google "unusual traffic"、DataDome、PerimeterX を通過し、名前付きプロファイル、認証済みセッション、プロキシローテーションをサポートする。その限界についても正直に述べる：指紋偽装だけでは IP レピュテーションによるブロックは突破できない — レジデンシャルプロキシと組み合わせること。ページが通常のブラウザにチャレンジを課す、または 403 を返すときに使用する。
特定の GitHub コードベースから、焦点を絞ったクエリに基づいてオンデマンドでパターンを抽出する——"how does shadcn/ui implement the design system"、"how does opencode use effect-ts"、"how does base-ui handle composition"——まだ事前に蒸留された静的ルールパックが存在しない場合に。汎用的なパターン抽出の手順を蒸留する——grep の前にクエリを分類し（component / composition / state / effect / error / build / routing）、ファイル全体を読む前に grep し、tests と examples/ を正典的な意図として扱い、imports を外側へたどって公開サーフェスを把握し、usages を内側へたどって変種を把握し、ボイラープレート / レガシー / テスト足場を除外して重要なコードを浮かび上がらせ、発見を /knowledge/libraries/ に記録して再利用する。静的な code-atlas スキル（opencode-ts、openai-codex-rust-patterns、nextjs-ppr-patterns）の動的な軽量版。"show me how <library> implements X"、"find the <pattern> in <repo>"、"distill <library>"、およびアドホックな /distill-<library> 形式の呼び出しでトリガーする。
PostHog Signals scout を探索し理解する方法——プロジェクトをスキャンして Signals の受信トレイにレポートを書き込むスケジュールされたエージェント。ユーザーが、自分にどんな scout があるか、それぞれがどう振る舞っているか、scout 群が実際に機能しているかを理解したい場合に使用する。scout 群とそのスケジュールの調査、最近の scout 実行の閲覧と単一実行の推論の掘り下げ、scout 群が蓄積した永続的な scratchpad メモリの確認、実行が書き込みまたは編集したレポートへの追跡、あるレポートを依然として測定しているフォローアップチェックの閲覧、scout の長期的な健全性とパフォーマンスの評価（頻度、成功率、レポート率、S/N 比）を扱う。読み取り専用かつ探索的——scout を書いたり調整したりする場合は代わりに `authoring-scouts` を使う。トリガーは "what are my scouts doing"、"how is my <x> scout performing"、"show me recent scout runs"、"why did this scout find/report nothing"、"what has the fleet learned"、"explore scout run <id>"、"is my scout working"。
herdr 上の Web UI および MCP サーバーである lasso を使い、マシンをまたいでコーディングエージェントを起動・管理し、それを動かす人に通知し、ファイルを見せ、その人がライブで見ている共有ブラウザを操作します。lasso の MCP ツール（create_agent、list_agents、notify、open_file、shared_browser など）または `lasso` コマンドラインがある場合、「spin up an agent」「start a worktree agent」「close yourself」「ping me」「open it for me」「show me in the browser」と依頼された場合、lasso が作成したペイン内で $HERDR_PANE_ID が設定されている場合に使用します。
Google Open Knowledge Format（OKF）v0.1 のバンドルを作成、検証、利用します。YAML frontmatter を使った Markdown のナレッジアトムで、ポータブルかつ相互運用可能な AI エージェント共有を実現します。振り分け先：独立した OKF v0.2 Go CLI/MCP プロジェクトメモリランタイムには `okf-agent-memory`、生ソースの取り込みと vault のメンテナンスには `llm-wiki`、vault の自動化には `obsidian`、永続的なコミット済みグラフには `graphify`、ウェブコンテンツの抽出には `scrapling` を使用します。対象：Google OKF v0.1、open knowledge format、knowledge bundle、OKF document、LLM wiki standard、knowledge atom、agent context format、OKF frontmatter、OKF bundle、knowledge interoperability。
Prodig Suites のプロダクトオーケストレーター。プロダクト計画を導き、作業を各スペシャリストに振り分け、プロダクトライフサイクル全体にわたる実行を調整する。ユーザーがデジタルプロダクトを形にしているとき、次のステップを決めるとき、適切な Prodig スペシャリストやワークフローの選択に助けが必要なときに使用する。トリガー：'prodig'、'digital product'、'product idea'、'product planning'、'which product agent should I use'、'SaaS planning'、'course creation'、'template pack'、'productized service'。
Superset CLI を通じて複数のターミナルコーディングエージェントを調整する：分離されたワークスペースの作成、ワーカーの起動、フォローアップの送信、ターミナル出力の読み取り、依存関係の追跡、構造化された結果の収集。コーディング作業の委任や並列化、ワークスペースやホストをまたぐエージェントの調整、エージェント間の作業の受け渡し、ワーカーの進捗の監視、Superset によるマルチエージェントワークフローの実行を依頼された場合に使用する。通常の単一エージェントのワークスペース、タスク、自動化管理には使用しない。
ui.inference.sh の React/Next.js 向けバッテリー同梱のエージェントコンポーネント。ランタイム、ツール、ストリーミング、承認、ウィジェットを 1 つのコンポーネントに内蔵。機能：ドロップインのエージェント、human-in-the-loop、クライアント側ツール、フォーム入力。用途：AI チャットインターフェース、Agentic UI、SaaS コパイロット、アシスタントの構築。トリガー：agent component、agent ui、chat agent、shadcn agent、react agent、agentic ui、ai assistant ui、copilot ui、inference ui、human in the loop。
複数のモデルとサービスを組み合わせた自動化 AI ワークフローを構築します。パターン：バッチ処理、スケジュールタスク、イベント駆動パイプライン、エージェントループ。ツール：inference.sh CLI、bash スクリプト、Python SDK、webhook 連携。用途：コンテンツ自動化、データ処理、監視、スケジュール生成。トリガー：ai automation、workflow automation、batch processing、ai pipeline、automated content、scheduled ai、ai cron、ai batch job、automated generation、ai workflow、content at scale、automation script、ai orchestration。
個人の長期記憶と初回利用時の案内。個人の背景、好み、履歴が回答に影響する可能性がある場合に使用します。食事や旅行のおすすめ、個人の計画、ユーザーの習慣に合わせたメール作成、以前のタスクの継続などが対象です。ユーザーが「覚えて」と言ったり、百炼を名指ししたりする必要はありません。長期的な事実の共有、好みの修正（「今後はもっと自然に」）、長期的な決定の確認（「2 つ目にして、今後はずっとそうして」）、記憶、想起、閲覧、削除、一時停止、再開の依頼があった場合も、この Skill を読み込みます。直前の文だけでなく、それ以前の文脈も使って判断します。まずローカル状態を確認し、未設定なら有効化を案内します。許可を得てから生活／仕事の記憶を検索・抽出します。ホスト組み込みの記憶があっても、この Skill は不要になりません。明示的な bl memory リソース操作にも対応します。単純な計算、一般知識、個人化を必要としない翻訳／執筆では起動しません。許可前にアップロードしません。
Vercel AI SDK を iMessage に接続する。公式 Photon アダプターである chat-adapter-imessage を使い、iMessage 経由で通信する AI エージェントとアシスタントを構築する。ローカルモード（Mac 上で動作）とリモートモード（Photon の本番インフラ）。createiMessageAdapter、postMessage、editMessage、deleteMessage、react、startGatewayListener、型定義、Chat SDK との統合を扱う。キーワード：vercel ai sdk、imessage、chat adapter、ai agent、chatbot、conversational ai、messaging、apple messages、vercel、nextjs、ai assistant、chat sdk、real-time、macos。
単一の OpenSpec 成果物を対象とする、作成後に敵対的レビューを行う工程です。サブエージェントが草案を作成し、`hrt-artifact-lint` で決定論的な構造チェックに合格した後、2 つのサブエージェントが新しい隔離コンテキストで並行してレビューします（Destructive Critic は内容／ロジック、Structural Auditor はリンターでは判断できない構造上の判断を担当）。指摘を解決してから最終化します。成果物（specs または design）を指定します。tempa-spec スキーマの `specs` および `design` フェーズで使用します。
コンテキストウィンドウがすぐに埋まる、ターンごとの入力トークンコストが高すぎる、または入力トークン総費用の説明と改善が必要な場合に使用します。監査は 2 種類です。（1）オーバーヘッド — ツールスキーマ、スキルインデックス、システム固定テキスト、ユーザープロファイル、メモリ想起をリアルタイムで測定し、優先順位付けして削減。（2）コスト集計 — セッション、cron の実行、ツール通信における入力トークン総量を集計し、キャッシュを考慮して解釈、設定項目を事前確認し、定期的に差分を確認します。ターンごとのオーバーヘッドには scripts/audit_overheads.py、合計には scripts/audit.py を使用します。
AI アプリケーションが外部のツールやデータソースに統一的な方法で接続するためのオープンなプロトコルです。クライアントはモデルとの対話を担い、MCP サーバーはツール・リソース・プロンプトテンプレートを提供します。標準メッセージでやり取りするため、1 つのサーバーを複数のクライアントで再利用できます。