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 97,222 件掲載。コマンド 1 行でインストールできます。
クラウド・DevOps
KooCLI v3.2.0+ と DWS Autopilot MCP Server に基づく、DWS クラスタのメモリ高騰の根本原因診断スキル。メモリメトリクスを自動収集し、根本原因（顧客側 / システム側）を分析し、標準化された診断レポートを出力する。DWS クラスタのメモリ使用率が高すぎる場合、メモリアラーム、OOM のシナリオに適用できる。トリガーワード：内存高、内存告警、内存诊断、内存使用率过高、内存不足、OOM、内存溢出、动态内存使用率超阈值、high memory、memory alarm、memory diagnosis。
提供されたプライバシーレビュー済みの診断パケットから、トリアージ後のマルチコンポーネントな Splunk インシデントを診断する。時計と症状の整合、影響と矛盾の保持、依存関係のマッピング、競合する因果仮説の順位付けと検証、最小限で安全な読み取り専用の判別情報の要求、範囲を限定した所見の検証、確認されたコンポーネント障害の正確な専門家への引き継ぎに使用する。生の診断情報の収集、単一コンポーネントのトラブルシューティングや修復、構成、再起動、変更、ストレステスト、未検証の原因や復旧の主張には使用しない。
プロンプトに正確なカタログシグネチャとすべての条件が含まれる場合に限り、記録済みの AKS 修正を検索します：VMCannotFitEphemeralOSDisk、NodePoolMcVersionIncompatible、「NodeImageVersion is not accepted」、サイズ・場所・ゾーンを伴う AKS SkuNotAvailable、ゾーン容量不足を伴う ZonalAllocationFailed、制約一覧を伴う OverconstrainedAllocationRequest、ネストされた AKS vmssCSE/CSE VMExtensionError_OutboundConnFail、VMExtensionError_K8SAPIServerConnFail、VMExtensionError_K8SAPIServerDNSLookupFail、またはカタログ記載の内部エラー／リージョン容量不足のメッセージ全文を伴う AllocationFailed。クォータエラー、コードのみや単独のラッパー、一般的な症状、不完全なシグネチャ、AKS 以外の障害には決して使用せず、aks-troubleshooting または azure-diagnostics を使用してください。
提供された証拠に基づき、引用付きの助言専用の Splunk アラート、スケジュールレポートアクション、Enterprise Security の検知/notable、リスクワークフローの準備状況に関するガイダンスを提供する。スケジュール、トリガー、抑制、アクション、受信者、下流、オーナーシップ、エスカレーション、権限付与、変更後の検証の判断に使用する。SPL の作成と実行は Splunk Search に、広範な権限とオブジェクトのライフサイクルは Knowledge Object Governance に、進行中のサービスインシデントはプラットフォーム運用に振り分ける。
Azure Machine Learning Workspace と Azure AI Foundry の詳細解説。以下の場合に積極的に起動：(1) Azure ML ワークスペースの作成と構成、(2) Azure AI Foundry ハブとプロジェクト、(3) ML ワークスペースのネットワーク（マネージド VNet、プライベートエンドポイント、DNS）、(4) ML コンピューティングクラスターとコンピューティングインスタンス、(5) マネージドオンラインエンドポイント、バッチエンドポイント、Kubernetes エンドポイント、(6) ML リソースのマネージド ID、(7) カスタム環境向けの ACR 統合、(8) ストレージアカウントの構成、(9) az ml CLI v2 コマンド、(10) PowerShell Az.MachineLearningServices、(11) ML コンピューティングとデプロイのログの読み取り、(12) GPU SKU の選択（ND/NC シリーズ、H100/H200/A100）。提供：ワークスペースセットアップのプレイブック、ネットワーク分離パターン、エンドポイントデプロイテンプレート、az ml CLI チートシート、ログ診断ワークフロー。
サニタイズされた読み取り専用の証拠から Splunk forwarder とデータ取り込み経路を診断する。Universal Forwarder または Heavy Forwarder の転送、deployment client が取り込みに与える影響、HEC などの入力、パースとタイムスタンプ、イベント境界、ルーティング、sourcetype や index の不一致、イベントの欠落、遅延、重複、破棄、および Splunk Cloud Platform や Splunk Enterprise におけるキューやバックプレッシャーに使用する。ライブ変更、広範なアーキテクチャ、フリートポリシー、HEC token の管理、検索時の抽出、プロバイダーが担う是正には使用しない。
ユーザーが kubectl コマンドライン経由で Kubernetes クラスターを操作する必要がある場合に、このスキルを使用する。Pod 管理、Deployment 操作、ログ閲覧、デバッグ、リソース監視、スケーリング、ConfigMaps、Secrets、Services、およびすべての標準的な kubectl 操作をカバーする。複数のクラスター（production、staging、ローカル k3s）を事前定義されたエイリアスでサポートする。Kubernetes、k8s、pods、deployments、containers、クラスター操作に言及したリクエストでトリガーされる。
PromQL/MetricsQL を使って KubeSense から Kubernetes、インフラストラクチャ、クラウドプロバイダーのメトリクスを照会します — メトリクスの探索、ラベルの確認、KubeSense が実際に収集するメトリクスファミリー（kube-state-metrics、cAdvisor、node-exporter、OTel hostmetrics、DCGM GPU、JVM、および AWS/GCP/Azure/MongoDB Atlas/Confluent/Kong のクラウドリソース）、そしてデータを返すクエリを書くために必要なラベル規則（clusterId、kubesense_cloud_resource_metric）を含みます。
Cosmos 3 Generator、Predict2.5、Transfer2.5、ダウンロード可能なチェックポイント、セルフホストの NIM、ホスト型プレビューサーフェスにわたり、NVIDIA Cosmos のワールド動画生成を選択、実行、統制する。テキスト/画像/動画からワールドへ、制御されたワールド転送、マルチビューまたはアクション条件付きの物理 AI 動画、ローカルチェックポイントの固定、ハードウェア計画、推論の承認、出力の検証に使用する。Cosmos Reason/Embed のみのタスクには使用しない。
プロファイルを考慮した読み取り専用の証拠を使って、Day-2 の AKS GPU および KAITO インシデントを診断します。対象：「Insufficient nvidia.com/gpu」、GPU Pod の Pending、モデル読み込み時の OOM、DCGM/VRAM、KAITO Workspace が未準備、GPU のオートスケーリング。次には使用しないでください：セットアップ（airunway-aks-setup）、GPU 以外のインシデント（aks-troubleshooting）、スタンドアロン VM のクォータ（azure-quotas）、一般的なコスト分析（オプションの azure-cost プラグインの cost-analysis または cost-optimization）。
AKS ノードから範囲を限定したパケットキャプチャを収集し、Azure ネットワーク構成と合わせてワイヤーレベルの証拠を取得します。対象：\"capture packets on an AKS node\"、\"take a pcap\"、\"run tcpdump on AKS\"、\"prove where packets drop\"。読み取り専用の診断後、明示的にパケットキャプチャを求められた場合に使用します。一般的な AKS 接続性や Ingress のトラブルシューティングには使用しません。
/home/ubuntu/RL で作業する NeMo-RL エージェント向けの Brev インスタンス運用ガイド。ワークスペースディスクが限られている一方で /ephemeral ボリュームが大きく、任意で /home/ubuntu/RL/.env のシークレットを使用する。使用場面：自動リサーチキャンペーン、実験、トレーニングジョブ、モデルやデータセットのダウンロード、共有キャッシュを多用するコマンド、ログを生成する実行、チェックポイント生成、W&B や Hugging Face の認証を伴うワークフロー、その他 Brev 上で大きなファイルを作成する可能性のあるワークフロー。
nginx（proxy_pass）と Apache（mod_rewrite）でダムパイプ型およびトラフィックフィルタリング型の C2 リダイレクタを構築し、Malleable C2 プロファイルからフィルタルールを導出し、Let's Encrypt TLS を重ね、ドメインフロンティングや UA/地理フィルタリングといった OPSEC 制御を適用します。ブルーチームのトリアージを生き残る必要があるレッドチーム C2 を立ち上げるとき、またはプロファイルに一致するインプラントのトラフィックだけを隠されたチームサーバーに到達させたいときに使用します。
スケーラビリティ、信頼性、一貫性を備えた分散システムを設計するときに使用する。CAP/PACELC 定理、一貫性モデル（強整合、結果整合、因果整合）、レプリケーションパターン（リーダー・フォロワー、マルチリーダー、リーダーレス）、パーティショニング戦略（ハッシュ、範囲、地理）、トランザクションパターン（saga、イベントソーシング、CQRS）、耐障害パターン（サーキットブレーカー、バルクヘッド）、サービスディスカバリ、および耐障害性のある分散アーキテクチャを構築するためのキャッシュ戦略を扱う。
実行時に各種ツールを横断してコンテナエスケープを検出します — 名前空間の操作、ケイパビリティの悪用、カーネルエクスプロイト、機密性の高いホストマウント、異常なシステムコール — そして、収集を Falco、Sysdig、auditd、EDR のいずれが行っていても重要となるシグナルを説明します。監視すべきブレイクアウト行為の判断、Docker や Kubernetes のブレイクアウトの疑いの調査、ランタイムセンサー間でのエスケープ検出範囲の比較に使用します。キーワード：container escape、breakout、namespaces、CAP_SYS_ADMIN、privileged、hostPath、kernel exploit、syscall。Falco のルール構文自体には使用しないでください — detecting-container-escape-with-falco-rules を使用してください。静的な設定スキャンには performing-container-escape-detection を使用してください。
Docker 上で AI/ML ワークロードを実行するためのガイダンス。Docker Model Runner（ローカル LLM 向けの docker model pull/run）、Docker Agent（コーディングタスク向けのマルチエージェントオーケストレーション）、AI エージェントを分離実行する Docker Sandboxes、GPU アクセラレーション（nvidia-container-toolkit、--gpus フラグ）、Docker による AI モデルサービング、オープンソース LLM（Llama、Gemma、Qwen）のローカル実行を扱います。ユーザーが docker ai、docker model runner、ローカル LLM、docker agent、GPU docker、sandbox、モデルサービングについて尋ねたとき、または Docker で AI モデルをデプロイする必要があるときに使用。使用場面：docker ai、model runner、ローカル LLM、docker agent、GPU docker、sandbox、AI モデルデプロイ。
MCP ツール経由で Freshworks Platform 3.0 のカスタムアプリを公開する:fdk validate/pack、app-upload、および openai-server 経由の submit/update。公開前:Developer JWT が manifest の製品モジュールと一致することを確認する(Freshdesk support_* と Freshservice service_*;マルチプロダクトは順次)。公開時に新規リスティングか既存リスティングかを尋ねる;新規リスティングの場合は create_app_upload_url の前に supportEmail を入力させる(submit_custom_app で必須)。更新時は list_custom_apps で開発者が appId を選択し、その後 MCP ハンドオーバー(submit_custom_app または uploadId 付き add_app_version)。ユーザーがアプリを Marketplace(test)にプッシュしたい、公開状況を確認したい、既存アプリを一覧表示したいときに使用。manifest やモジュールの修正には fw-app-dev と組み合わせる。Cursor、Claude Code、および MCP 準拠のあらゆるクライアントで動作する。
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。