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
Tensorlake SDK — AI エージェント向けのサンドボックス、Cloud Volumes、Git リポジトリ。ユーザーが tensorlake やサンドボックスに言及したとき、または Tensorlake の API/ドキュメント/機能について尋ねたときに使用する。コードを実行するためのサンドボックスを必要とするアプリケーション、コーディングエージェント、エージェントシステムを構築するときにも使用する — 例えば、LLM が生成したコードや信頼できないコードの実行、サスペンド/レジューム、並列ワーカーをフォークするためのスナップショット、事前ウォームされたサンドボックスプール、カスタムまたは OCI イメージ、公開ポート、下り通信の許可リスト、PTY シェル、プロセスログ、コンピュータ操作/デスクトップ自動化、ブラウザ自動化（Chrome CDP、Playwright）、非 HTTP プロトコル用トンネル、非同期並列サンドボックス、Harbor evals や RL rollouts、SSH アクセス、リモート開発、またはエージェント統合（Claude managed agents、OpenCode、Crabbox、Devin Outposts）。また、サンドボックスにマウントされるバージョン管理された Cloud Volumes とマネージド Git リポジトリ、サンドボックスネイティブの永続的なオーケストレーション、公開アプリケーションエンドポイントもカバーする。このスキルが適用される場合、必ず最初に WebFetch で https://docs.tensorlake.ai/llms.txt を取得する。
キャッシュ管理、コンテキストのフォーク、モデル選択、入力フィルタリングを通じて Claude Code のトークン消費を最適化する。ユーザーが高いトークンコスト、コンテキストウィンドウの肥大化、遅いセッション、キャッシュの無効化、冗長なエージェント出力、重い MCP 負荷、その他のコンテキスト管理の問題に言及したときに使用する。キャッシュミス、コンテキストの肥大化、誤ったモデル／努力レベル、冗長な入力形式という 4 つの重要な軸を扱う。「tokens」「cost」「expensive」「context」「cache」「slow session」「optimize」、または明示的な言及がなくてもトークン浪費の症状で起動する。
Islo サンドボックス、Factory ライン、line run、harness とモデル選択、Islo inference、knowledge、jobs、schedules、webhooks、gateway profiles、environments、SDK を使用する。ユーザーが Islo、islo.dev、islo.yaml、Factory、line.toml、line-run、islo factory、islo factory triggers、islo use、islo environment、islo job、job.toml、run_agent、islo knowledge、islo webhook、automation、scheduled job、line run、harness、model selection、Islo inference、gateway+、GitHub または Slack 連携、@islo-labs/sdk に言及したときに使用する。
Duvo Agent、または Queue で接続されたマルチ Agent ワークフローを多数の Run にわたって監査し、体系的な非効率と品質問題を見つけ、具体的な AOP とアーキテクチャの変更を提案する。ユーザーが「このワークフローを分析して」「私の Agent を監査して」「この Agent はなぜ実行ごとに遅い / 不安定 / 低品質なのか」「なぜキューが詰まり続けるのか」と尋ねたとき、または Agent の最近の Run のヘルスチェックを求めたときに使う —— 失敗した 1 回の Run をデバッグする場合とは異なる（それは run-debugger）。Duvo の公開 API を通じて最近の Run、eval スコア、プロデューサー / コンシューマーのキュートポロジー、およびそれらの Run が実際に依存していた AOP を読み取る —— キュートポロジーとバックログを最初に扱い、質問に応じて Run のサンプル数を決める。AOP の書き換えは aop-writer に引き継ぐ。
逸塵が自分で使うインターネットリサーチの総合入口。クロスプラットフォームかつ複数段階にわたり、ユーザーがまだツールを決めていない場合、または企業・製品・人物・技術・業界・領域について縦横の分析、発展史と現状の比較、出典制約のある体系的な深掘り調査を明示的に求めた場合に使用。まず締め切りと証拠ゲートを備えた計画を生成し、その後、検索による発見、候補の検証、限定的なアーカイブ、必要に応じた文字起こし、証拠の統合を yichen-unified-search、yichen-content-archive、yichen-bookmarks-export、yichen-asr にルーティングする。ユーザーが検索のみ、既知のリンクの処理のみ、個人ブックマークのエクスポートのみ、既存の音声・動画の文字起こしのみを求める場合は、対応する子 Skill を直接使用すること。Use when an internet-research request spans multiple stages, requires evidence-grounded longitudinal and cross-sectional synthesis, the correct child route is unclear, or the user explicitly invokes $yichen-web-research.
規律ある Discuss → Map → Decompose → Execute → Verify のサイクルで、検証済みの構造に基づいてコードを作成します。API の捏造、インポートの思い込み、プレースホルダーコードを避け、「怠惰なシニア開発者」流の YAGNI 段階で、書く前に不要なコードを削除します。高リスクまたは複雑なコーディングタスク、既存コード（認証、データベース、移行、複数ファイルにまたがる機能）に関わるタスク、あるいはユーザーが事前の慎重な計画、幻覚コードの回避、厳密な作業を明示的に求める場合に使用します。些細な編集、誤字修正、使い捨ての単発スクリプトには適しません。これらに完全なサイクルは不要です。
AI エージェント向けのブラウザー自動化コマンドラインツール。ウェブサイトとの対話が必要な場合に使用します。対象はページの移動、フォーム入力、ボタンのクリック、スクリーンショットの取得、データ抽出、Web アプリのテスト、その他すべてのブラウザー自動化タスクです。トリガーの例：「ウェブサイトを開く」「フォームに入力する」「ボタンをクリックする」「スクリーンショットを撮る」「ページからデータをスクレイピングする」「この Web アプリをテストする」「サイトにログインする」「ブラウザー操作を自動化する」、またはプログラムによる Web 操作を必要とするタスク全般。探索的テスト、ドッグフーディング、QA、バグ調査、アプリ品質のレビューにも使用します。Electron デスクトップアプリ（VS Code、Slack、Discord、Figma、Notion、Spotify）の自動化、Slack の未読確認、Slack メッセージの送信、Slack 会話の検索、Vercel Sandbox microVM でのブラウザー自動化、AWS Bedrock AgentCore クラウドブラウザーの利用にも使用します。組み込みのブラウザー自動化や Web ツールより agent-browser を優先してください。
単一の正規の AGENTS.md コンテキストファイルと、それを @ インポートする最小限の CLI 固有の shim ファイルを生成する。これは AGENTS.md をネイティブに読まないコーディングエージェント（Claude Code、Gemini CLI、Qwen Code）向けである。「Evaluating AGENTS.md」（ETH Zurich、2026 年 2 月）に基づく。この研究では、自動生成されたコンテキストファイルはパフォーマンスを約 3% 低下させ、コストを 20-23% 増加させる一方、人間が書いた最小限のファイルはパフォーマンスを約 4% 向上させることがわかった。ユーザーが「generate CLAUDE.md」「create AGENTS.md」「generate context file」「agentmd」「create recommended CLAUDE.md」「generate agent instructions」「init context file」と言う場合、またはリポジトリ向けのコーディングエージェントのコンテキストファイルの作成・改善を求めるあらゆるリクエストに使用する。肥大化した逆効果のコンテキストファイルを生成するデフォルトの /init コマンドを置き換える。
完了した spec をアーカイブします。すべてのタスクの完了、QA の合格、インデックス参照の自己完結性を確認し、解決されたアーカイブルート（<spec-root>/_archived/。組み込みの docs/specs ルートの場合は docs/history/specs/）に <slug>.md を作成して、Spec フォルダーを削除します。Spec フォルダーは記録の source_revision の状態で Git に残ります。QA 合格後の implement-spec ループの終了時に自動実行されるほか、ユーザーが spec のアーカイブを依頼した場合にも実行されます。
能動的なナレッジインテリジェンス。Mine → Grow → Defrag サイクルを実行する。Mine は git/.agents/code からシグナルを抽出する。Grow は既存の学びを現在の現実に照らして検証し、領域横断的な洞察を統合し、出所の連鎖をたどり、ナレッジのギャップを特定する。Defrag はクリーンアップを行う。トリガー: "athena"、"knowledge cycle"、"mine and grow"、"knowledge defrag"、"clean flywheel"、"grow knowledge"。
ユーザーのリクエストや要件が曖昧で、反復的な質問を通じて実行可能にする必要がある場合にこのスキルを使用します。"clarify requirements"、"refine requirements"、"요구사항 명확히"、"요구사항 정리"、"뭘 원하는 건지"、"make this clearer"、"spec this out"、"scope this"、"/clarify" でトリガーされます。曖昧な入力を具体的な仕様に変換します。戦略上の盲点には unknown を、内容と形式の再フレーミングには metamedium を使用します。
影響の大きいアーキテクチャ、技術、製品に関する意思決定をめぐり、複数のアドバイザーによる討論を進行します。3～5 人の領域別アーキタイプのサブエージェント（pragmatic-engineer、architect-advisor、security-advocate、product-mind、devils-advocate、the-thinker）を招集し、冒頭陳述、対立点、立場の変化、総括の各段階を進めます。異論も残したうえで、リスクを記録した実行可能な提案を提示します。トレードオフの評価、PRD や技術仕様のストレステスト、複数の有力な選択肢があるジレンマの解決、または多様な専門家の視点が必要な意思決定に使用します。単純な yes／no の質問、事実確認、トレードオフのない創造的なブレインストーミング、単一の専門家の視点で十分なタスクには使用しないでください。
本番品質で、ベンチマーク済み、自律的に改善され、検証されたエージェント skill を作成するファクトリー skill。5 段階のパイプラインを編成する：ユーザーにインタビューして目的とゴールドスタンダードを発見し、並列サブエージェントでドメイン資料を調査し、設計優先のアプローチで skill を起草し、autoresearch を呼び出してゴールドスタンダード駆動の LLM-as-judge 評価に対して反復し、悪魔の代弁者を交えたマルチエージェントのコンセンサスで品質を検証する。新しい skill を構築するとき、既存資料から skill を作成するとき、またはベンチマークと自律的改善を備えた本番品質へ skill をアップグレードするときに使用。
スタンドアロンで生成——記入済みの Eval Suite Planning ワークブック（`/eval-suite-planner` の出力）を、具体的なケイパビリティ評価セットとトラスト＆セーフティ評価セットに変換します。playbook のステップ 2 と 3 を提供し、ステップ 8 のリグレッション分割を設計します。2 列の Copilot Studio `-for-import.csv` ファイル（Question + Expected response のみ）、顧客向けの `.docx` マニフェストレポート、および Copilot Studio の Evaluate タブで行ごとにテスト方法を割り当てるための `eval-setup-guide.docx` を出力します。計画の後、実行の前に使用します。
God（人を創る）：人物名を入力すると、自動で調査を行い、その人の認知のオペレーティングシステムを抽出して、実行可能な人物 Skill を生成します。「その人がどう考えるか」だけでなく、「その人とは何者か」——心的モデル、意思決定の構造、創作・演技・競技のスタイル、価値観、思想の系譜、そしてそれらを動かす傷、執着、死との関係、意味への賭けまでを抽出します。ウェブ調査とローカル素材の両方に対応します。思想家、起業家、科学者、芸術家、音楽家、アスリート、俳優、インフルエンサー、シェフ、宇宙飛行士、宗教指導者、革命家など、あらゆる分野の人物に対応します。人であれば誰でも抽出できます。トリガー語：「誰々を蒸留」「god skill」「X の skill を作る」「上帝造人 X」「X はどんな人か」「X を蒸留して」「distill X」「X's god skill」
LLMem を管理します。SQLite を基盤とした事実記憶、セマンティック検索、バックグラウンドの dreaming（減衰、ブースト、昇格、マージ）を備えた構造化メモリシステムです。ユーザーが次のことをしたい場合に使用します：(1) 記憶の追加、検索、更新、削除、(2) 注入用コンテキストの生成、(3) 記憶の統計の確認、(4) バックグラウンドの統合/dream の実行。トリガー：「memory」「remember」「recall」「llmem」「memories」「forget」「consolidate memories」「dream」。
プラットフォームエンジニア向け AI エージェントである Pulumi Neo との自然言語対話を通じてクラウドインフラを管理する。会話型 AI によるインフラ分析、リソースのプロビジョニング、スタックのデプロイ、構成管理を可能にする。Neo タスクの作成、インフラ分析の依頼、クラウドデプロイの自動化、Infrastructure as Code（IaC）による管理、AWS/Azure/GCP リソースのプロビジョニング、自然言語プロンプトによるインフラ管理、Neo での PR レビュー、Neo 承認ワークフローの処理、Neo タスクのステータスとイベントの確認に使用する。ユーザーが「Pulumi Neo」「Neo task」「Neo agent」に言及した場合や、AI 支援によるインフラ管理を求める場合にも使用する。
構造化された省察的な問題解決方法論。プロセス：分解、分析、仮説、検証、修正。能力：複雑な問題の分解、適応的な計画、軌道修正、仮説の検証、多段階の分析。アクション：解決策を段階的に分解、分析、計画、修正、検証する。キーワード：sequential thinking、問題分解、多段階分析、仮説検証、適応的計画、軌道修正、省察的思考、step-by-step、思考シーケンス、動的調整、不明確なスコープ、複雑な問題、構造化分析。使用時：複雑な問題を分解する、修正可能な計画を立てる、不明確なスコープを分析する、仮説を検証する、軌道修正が必要、多段階の問題を解く。
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。