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 97,725 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
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"。
単一の追従的な回答を得る代わりに、LLM を専門家の議論と対立する視点のシミュレーターとして使用します。ユーザーが重要な意思決定を行う必要があるとき、アイデアをストレステストしたいとき、悪魔の代弁者としての分析が必要なとき、確証バイアスを避けたいとき、または "argue against this"、"what are the counterarguments"、"simulate experts"、"debate this"、"challenge my thinking" と言ったときにこの Skill を使用してください。Karpathy の 31k いいねの投稿に基づきます。
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。
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。
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。
MCP ツールの出発点となる分類体系（ユーザーがそのツールにたどり着く前に何を成し遂げようとしていたか）を構築し、PostHog notebook として公開します。各セッションの冒頭のツール呼び出しから目標を再構築し、それらの目標を名前付きカテゴリにクラスタリングして、規模、割合、ファセットの構成を示します。ユーザーが「なぜ人はこのツールを使うのか」、「ユーザーは実際に何をしようとしているのか」、「どんな問題が人をここに導くのか」、「これらのセッションはどこから始まるのか」、「<tool> の利用を目標別にセグメント化する」と尋ねたとき、または Clio スタイルの MCP 利用分類体系を求めたときに使用します。セッションがなぜ始まったかではなく、呼び出しごとにエージェントが何をしたかをグループ化する exploring-mcp-intent-clusters を補完します。このスキルを実行するエージェントは目標ラベルを自ら書き、コーパスクエリの出力をセッションごとに読みます。同梱のスクリプトは機械的なファセットを網羅しますが、目標の高度を明らかに損なうため、そのフィールドをスクリプトに委ねないでください。
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。
Cursor / Claude Code / Codex のエージェントログを読み、見つかった各ノートに対して write_knowledge を呼び出す。デフォルトでは自動書き込みを行い、その後、何がキャッシュされたかと予想されるトークン節約量（分析スタイル：再発見／生成コストが今後の各読み取りで再利用される）を報告し、HTML レポートを開く。Dry-run では、書き込みを行わずに正確な write_knowledge ペイロード（タイトル、内容、repo、ブランチ）を一覧表示する。ユーザーが "Please bootstrap my knowledge with Dosu"、"bootstrap agent knowledge"、"/bootstrap-agent-knowledge"、"log to dosu knowledge"、"mine my sessions into Dosu"、"backfill branch notes from my agent logs"、"save my agent logs to Dosu" と言った場合、またはローカル履歴を一度にまとめて処理したい場合に使用する。
Lauren Tan の pstack（poteto-mode）から移植された厳密なエンジニアリングオーケストレーター：タスクを読み取り、23 のプレイブック（bug fix、feature、refactoring、perf、investigation、prototype、babysit、shipping、autonomous run、orchestrate など）から 1 つを選び、同梱の手順（how、why、architect、arena、swarm、interrogate、unslop、technical-writing、show-me-your-work、tdd など）にルーティングし、24 のエンジニアリング原則を適用する。自己完結型：プラグインのインストール不要、同梱外の skill も不要で、skills.sh 形式の SKILL.md ファイルを読める任意のエージェントで動作する。厳密さが求められるあらゆるタスクに使用：非自明なコード変更、アーキテクチャ判断、デバッグ、レビュー、PR、長時間の自律実行、または「work like poteto」「poteto-mode」「pstack」。
ドキュメント成果物（Vision、Initiative、Epic、Spec、Spike、ADR、Persona、Runbook、Design、Journey）をライフサイクルフェーズを通じて作成、検証、移行する。仕様作成、機能計画、Epic 作成、Initiative 作成、ADR ドラフト、リサーチ Spike、Persona 定義、Runbook 作成、設計のキャプチャ、アーキテクチャドキュメント、フェーズ移行、実装計画、クロスリファレンス検証、監査を処理する。また、frontmatter フィールドの更新、成果物を別の Epic や Initiative の下へ再配置、Vision や Initiative への優先度設定にも呼び出す。SPEC では実装追跡のために swain-do へ連鎖し、EPIC/VISION/INITIATIVE/JOURNEY は先に子項目へ分解する。
swain skills を最新バージョンに更新する。ユーザーが 'update swain'、'upgrade swain'、'pull latest swain'、'reinstall swain'、'refresh skills' と言った場合、または swain skills のインストールを更新したい場合に使用する。npx で GitHub から最新の swain リリースを取得し、git-clone のフォールバックを備え、その後 swain-doctor を呼び出してガバナンスを整合させ、プロジェクトの健全性を検証する。
制約理論(Goldratt の 5 つの集中ステップ)を適用し、プロセス、ワークフロー、パイプライン、または Agent Skill/プラグインのスループットを制限する単一のボトルネックを特定して修正する。システムの速度、リードタイム、コスト、token/コンテキスト予算を最適化するときは常に使用する — CI/ビルドパイプライン、開発バリューストリーム(アイデア→レビュー→マージ→出荷)、Agent Skill のトリガー/コンテキストフロー、実行時のコードパス — 特に、どこを最適化すべきかわからないとき、局所的な高速化で全体が改善しなかったとき、ある段階で作業が滞留するとき、すべてが忙しいのにほとんど出荷されないとき、容量を追加しても効果がなかったとき、制限要因が(リソースではなく)ポリシー/ルールであるときに。測定によって制約を特定し、exploit → subordinate → elevate → repeat を処方し、非制約項の最適化("非ボトルネックの蜃気楼")を止めさせる。ユーザーが制約やボトルネックに言及せず「これを速くして」「なぜ遅いのか」「もっと効率的にして」と言っただけでもトリガーする。
PostHog Signals scouts を扱う：プロジェクトを監視し、レポートを Signals 受信トレイに書き込むスケジュール済みエージェント。監視作業の割り当て、品質スコアリングのスケジュール、どの scout がどのサーフェスをカバーするかの特定、レポートへの対応、ノイズの削減、見つからない検出結果の調査、フィードバックとキャリブレーションによる scout 群の改善に使用する。報告された問題が修正されたままかを検証するフォローアップチェックも扱う。編集には `authoring-scouts`、実行の可観測性には `exploring-scouts`、レポートのトリアージには `inbox-exploration` を使用する。"work with my scouts"、"get more out of scouts"、"have a scout watch X"、"tell me if Y spikes"、"score X on a schedule"、"measure quality of Y"、"what do I do with this scout report"、"calibrate/review my scout fleet" でトリガーする。
autonomous-dev-team の dispatcher cron を実行、設定、トラブルシューティングするときに使用する。"run the dispatcher"、"scan for pending issues"、"dispatch autonomous tasks"、"set up the dispatch cron"、"configure dispatcher.conf"、"set up multi-project dispatcher"、"dispatch to a remote dev box via SSM"、"EXECUTION_BACKEND=remote-aws-ssm"、"stale agent detection" といったフレーズや、dispatcher-tick.sh / dispatcher-multi-tick.sh / dispatch-local.sh / dispatch-remote-aws-ssm.sh を扱うときにトリガーする。プロジェクトごとの tick（5 ステップ：並行性、scan-new、scan-pending-review、scan-pending-dev、古いエージェントの検出）、マルチプロジェクトの外側ループ、プラグイン可能なローカル対リモート AWS SSM 実行バックエンドを対象とする。
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。