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
あらゆるプラットフォーム（Claude Code、Codex、Cursor、Antigravity、OpenCode）で、以前の AI コーディングエージェントのセッション、引き継ぎ記録、チャットログ、エクスポートした会話、保存済み成果物一式、セッション概要の続行、再開、検索、読み取り、調査、監査、レビューを行う場合に使用します。Claude と Codex のスレッドをまとめてレビューするなど、1 回の依頼で複数プラットフォームを扱う場合にも使用します。
既存の AI エージェントプロジェクト（LangChain、LangGraph、OpenAI Agents SDK、Claude Agent SDK、CrewAI）を EdgeOne Makers プラットフォームの規約に移行する。ユーザーが標準的なエージェントプロジェクトを EdgeOne Makers で動作するように適応させたい場合、Express/Next.js の API ルートを Makers ハンドラーに変換したい場合、またはプラットフォーム機能（context.tools、context.sandbox、context.store）を追加したい場合に使用する。新規のエージェントプロジェクトではトリガーしない（代わりに makers-agents を使用）。
実質的な作業の開始時に、適切な実行経路へ振り分けます。ユーザー向けコマンドでも普遍的な規範でもない、軽量な INTERNAL の受付処理です。より具体的なスキルが担当するか、専門エージェントへの委任が必要か、見当違いの編集を避けるために必要な最小限のコンテキストは何か、DAG による計画が必要か直接進められるか、という4点を素早く判断し、選択した経路を簡潔な更新で伝えます。スキル名を挙げるだけでなく該当スキルを呼び出し、必要最小限のコンテキストのみを収集します（求められない限り、すべての機能を網羅しません）。実際の計画は自ら行わず、`plan-to-task-list-with-dag` に委ねます。より具体的なスキルがすでに適用されていない場合に、タスク開始時に内部で使用します。
行き詰まったり、堂々巡りになったり、意気消沈しているときに自分の軌道をリセットします — これらのアファメーションを読んでから、再び地に足をつけて一つの着実な一歩を踏み出します。使用場面：同じ修正を 3 回以上試した、リファクタリングの最中で筋道を見失った、デバッグが堂々巡りになっている、立て続けにミスをした、何度も謝っている、ユーザーがいら立っている、役に立てていないと感じる、好奇心ではなく不安を感じている。トリガー：行き詰まり、堂々巡り、ループ、空回り、また同じエラー、失敗を繰り返す、筋道を見失う、何もうまくいかない、繰り返すミス。トピック固有ではなく — 取り組んでいる問題ではなく、置かれている状態のためのものです。
AWSでのAIエージェント開発を一元化する入口です。ランタイムを評価・選定し、既存ワークロードの完全な移行計画を作成し、実行可能なPOCを構築するまでを一つのフローで行います。次のような場合に利用します：エージェントのランタイム選定、AgentCoreとECS・EKS・Lambdaの比較、AgentCoreとLambda MicroVMの比較、AWSへのAIエージェントのデプロイ、AWS上のエージェントアーキテクチャの設計、エージェントのアイデアから構築内容を検討、エージェントのAWS移行、計画を伴うエージェント移行、エージェント移行計画、AgentCoreサービスの追加、エージェントへのメモリ／ゲートウェイ／ID／ポリシーの追加、AgentCore Memoryの有効化、エージェントへの可観測性の追加、AWS上で稼働中のシステムへのエージェント機能の追加、Temporal workersのAWS移行、TemporalのAWS移行、AWSでのTemporal実行、AWS上でのTemporal workersの実行、Temporalを利用するシステムのAWS移行、Temporalでオーケストレーションされたサービス、Temporal workers向けのAWS構成、TemporalベースのサービスのAWS移行、AWS上でのTemporal Cloudまたはセルフホスト。段階的なフローは、Intake（入口と技術的背景）、Discover（軽量なコード検出）、Clarify（適応型の質問）、決定論的なスコアリング、Design（ランタイム、デプロイモデル、サービス、モデル）、Estimate（概算コスト）、Generate（段階的な推奨ドキュメントとスキャフォールド）で構成され、その後、任意のゲート付き段階としてMigration Plan（このプラグインのgcp-to-awsエンジンを再利用してスキル内で完全な計画を生成し、アドバイザーの決定を引き継ぐ）とPOC（推奨ランタイムのAgentCore、ECS、EKS、Lambda向けにデプロイ計画とデプロイ可能な概念実証を作成。成果物はデフォルトで生成し、明示的に選択した場合はユーザーのアカウントでの構築を支援）があります。複数のワークロード（相互作用する、または独立したエージェント、バッチジョブ、サービス）を含むシステムはワークロード単位に分解し、それぞれに判定を提示します。統合も選択できます。AWS上ですでにエージェントを運用しているチーム向けの機能追加ブランチでは、ランタイムのスコアリングを行わず、任意のランタイムで有効化するAgentCoreサービスを推奨します。Temporalシステムも同じ単位のフローに分解され、workerのポーリング階層とActivityの実行クラスが単位になります（ルールはTemporal decision referenceを参照）。Workflowのオーケストレーションコードは書き換えず、Step Functionsへの変換も行いません。少なくとも一つのエージェントコンポーネントが必要です。純粋な非エージェントシステム（通常のサービス／バッチジョブ／HTTPエンドポイントのみ、またはすべてのActivityが非エージェントのTemporal worker）は対象外です。Clarifyはスコープゲートで処理を停止し、migration-to-aws／heroku-to-aws／llm-to-bedrockを案内します。対象外：AIエージェントを含まない純粋なコンピュート／データ移行、エージェントアーキテクチャを伴わない純粋なLLM SDK書き換え（llm-to-bedrockを使用）、モデルごとの詳細な料金。
すべての LifeOS スキル作業の必須オーケストレーター — スキルの作成、編集、ワークフローやツールの追加、名前変更、検証、正規化。スキルファイルの手書きは禁止。ライフサイクル全体（スキャフォールド、検証、正規化、テスト、改善）を担う。使用条件：create skill、new skill、make a skill、build a skill、set up a skill、private skill、make a X skill、add a workflow、add a tool、edit/change/update/rename a skill、skill frontmatter、validate skill、check skill、canonicalize、scaffold skill、test skill、improve skill、optimize description、skill not triggering、overtriggering。TypeScript CLI の生成には使用しない（CreateCLI を使用）。
duoduoのホストモードチャンネルをインストール、起動、停止、確認、リセット、設定します。チャンネルのライフサイクル（インストール/一覧/起動/停止/状態/ログ）、Feishuのセットアップカードまたは/setupコマンド、FeishuオーナーのDM/メインセッション/FEISHU_BOT_OWNER設定、「main session is locked」による拒否、古いカードのエラー、紐付け済みFeishuチャットのリセット、ACPエディター連携、チャンネル記述子（kindとinstance）の編集に関する依頼で使用します。次の中国語表現でも起動します：拉起 feishu 通道、配置 channel 提示词、改 stdio 的 workspace、查看 channel 状态、飞书机器人怎么配、设置 owner、清除 session、重置 channel。
ListenAI（聆思）プラットフォームをローカル CLI で操作するためのガイドです。インストールとログイン、基本的な AI 機能、プラットフォームアプリとナレッジベースの管理、端末・クラウド間の request/trace デバッグ、実機アプリのバインド、カスタム Agent プロジェクトの初期化・ビルド・テストパイプラインのデプロイを扱います。ユーザーが ling、小聆、聆思、LSPlatform、product_id、listenai.toml、音声、ウェイクワード、ウェイク応答、プロンプト文案、端末・クラウド間のデバッグ、SID 検索に言及した場合、またはターミナルで ListenAI プラットフォームを操作する必要がある場合に使用します。
Omni 内蔵の評価システムを使って Omni AI の精度を評価します。プロンプトセットを定義し、モデル（またはブランチ）に対して判定付き評価を実行し、精度判定の結果を確認します。Omni AI の評価、Blobby のベンチマーク、回帰テストの実行、ブランチやモデルコンテキストの変更をまたいだ AI 出力の比較、AI 品質の測定、モデル変更の A/B テスト、ai_context やモデリング変更の影響評価、「評価を実行」「Blobby をテスト」「クエリ生成をベンチマーク」「AI 結果を比較」「回帰テスト」「AI の精度はどの程度」「変更の影響を測定」などの依頼に使用します。
アプリのドキュメント、ソース、テスト、CI、デプロイ、インフラ、設定、認証、環境構成を調査し、ソースから判断できない項目に限って、対象を絞ったハーネスに関する質問を行い、アプリ固有の本番環境同等性スキルを作成します。ローカル、CI、PR、プレビュー、ステージングなどの非本番環境が本番環境の挙動と乖離する可能性がある場合、本番環境固有の認証、設定、IDプロバイダーのグループ、機能フラグ、インフラ、バックエンドサービス、ポリシーの違いが不具合の原因になった場合、または特定アプリの環境差異を検出、記録、テストし、修正を支援する再利用可能なスキルをチームが求めている場合に使用します。
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。