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。
データ・データベース
既知のメトリクスや LogsQL クエリに対する VictoriaMetrics vmanomaly 設定の設計、チューニング、検証、テストを行う。静的アラートと ML のどちらを選ぶか、vmanomaly モデルの選択、Temporal Envelope の設定、デプロイ用 YAML の作成、異常感度の調整、VMAlert ルールの作成に使用する。異常設定、モデル選択、共有 autotune、季節性異常検出、予測、「このメトリクスはどう監視すべきか？」でトリガーされる。未知のシグナルを対象としたオープンエンドな探索には使用しない。
HTTP API を通じて VictoriaMetrics 異常検出（vmanomaly）を操作する。ヘルス状態、バージョン、永続化状態の互換性、自己監視メトリクス、利用可能なモデル、モデルスキーマ、サーバークエリ、時系列の特性、共有 autotune、非同期検出タスクの確認に使用する。vmanomaly 設定やアラートルール YAML の生成と検証にも使用する。vmanomaly API、異常タスク、モデル検証、モデルスキーマ、互換性、Temporal Envelope、時系列プロファイリング、vmanomaly autotune でトリガーされる。
現代のデータプラットフォームを設計するための戦略的ガイダンス。ストレージのパラダイム（データレイク、ウェアハウス、レイクハウス）、モデリング手法（ディメンショナル、正規化、Data Vault、ワイドテーブル）、データメッシュの原則、メダリオンアーキテクチャのパターンを扱う。データプラットフォームを設計するとき、集中型と分散型のパターンを選択するとき、テーブルフォーマット（Iceberg、Delta Lake）を選定するとき、データガバナンスのフレームワークを設計するときに使用する。
B2C Commerce ライブラリから Page Designer コンテンツをエクスポート、一覧表示、検証します。ユーザーが Page Designer のページ、コンポーネント、コンテンツブロックをエクスポートする必要があるとき、コンテンツライブラリ内のページを一覧表示するとき、ページ JSON やメタ定義を検証するとき、ページ ID を発見するとき、インスタンス間でコンテンツを移行するとき、ライブラリ XML をオフラインで扱うときに、このスキルを使用します。レビュー用のコンテンツ抽出やコンテンツデプロイパイプラインの構築にも使用します -- 「ホームページをエクスポートして」や「共有ライブラリにはどんなページがあるか」と言うだけの場合でも。
このスキルは、データプラットフォーム、データプロダクト、データメッシュの導入、イベント駆動型データフロー、ガバナンス、モデリング、移行の意思決定など、データアーキテクチャの評価、設計、進化に使用します。チームがワークロードに根ざしたトレードオフ、所有権と品質の取り決め、または現状から目標へのデータアーキテクチャを必要とするときに読み込んでください。パイプラインやプラットフォームの運用、実装の詳細、インターフェース契約のセマンティクス、SQL チューニング、統計モデリングには使用しないでください。これらは data-engineering、platform-engineering、api-design-and-evolution、postgres、data-scientist にルーティングしてください。
EODの観察結果から米国株のロングサイド・エッジに関する調査チケットを生成して優先順位を付け、trade-strategy-pipeline Phase I向けにパイプライン対応の候補仕様をエクスポートします。仮説や異常を再現可能な調査チケットにする、検証済みのアイデアを `strategy.yaml` + `metadata.json` に変換する、またはパイプラインのバックテスト実行前にインターフェース互換性（`edge-finder-candidate/v1`）を事前チェックする依頼に使用します。
NPI レジストリに対して医療従事者の資格とライセンス状態を検証する。専門分野、資格、開業住所を公式記録と照合する。各医療従事者ごとに Verified / Partially Verified / Unverified / Flagged を、不一致の詳細とソース URL とともに返す。トリガー：「verify these doctors」「check provider credentials」「validate licenses」「verify NPI numbers」「cross-check credentials against NPI」「compliance audit on providers」「are these practitioners still licensed」「validate my provider list」。CSV、Google Sheet URL、または貼り付けられたデータを受け付ける。開業 URL から医療従事者を抽出する用途には使用しない——healthcare-providers-extract を使用すること。データの欠落を補う用途には使用しない——healthcare-providers-enrich を使用すること。開業機関を発見する用途には使用しない——market-finder または local-places を使用すること。一般的な抽出には使用しない——nimble-web-expert を使用すること。
医療・ライフサイエンスデータの ML 実験設計について推論する。ユーザーが ML 研究の設計、臨床・生物医学データに適したモデルの選択、交差検証の設定、評価指標の選定、公平性の監査、規制申請の計画、EHR・医用画像・ゲノミクス・分子・臨床テキストに関する ML パイプラインの批評を求めた場合に使用する。トリガーには "design an ML experiment"、"which model for this clinical data"、"how should I split"、"nested CV"、"class imbalance"、"AUROC vs AUPRC"、"calibration"、"decision curve"、"net benefit"、"TRIPOD+AI"、"PROBAST"、"CLAIM"、"FDA SaMD"、"PCCP"、"GMLP"、"site generalization"、"temporal leakage"、"scaffold split"、"foundation model evaluation"、"subgroup fairness"、"is this model ready for deployment" が含まれる。
n8n Code ノードで Python コードを記述します。n8n で Python を書く場合、_input/_json/_node 構文を使う場合、標準ライブラリを扱う場合、n8n Code ノードにおける Python の制限を理解する必要がある場合に使用します。ユーザーが n8n Code ノード用に Python を明示的に要求した場合にこのスキルを使用します。注記 — 95% のユースケースでは JavaScript を推奨します — ユーザーが明示的に希望する場合、またはタスクが Python 固有の標準ライブラリ機能（regex、hashlib、statistics）を必要とする場合にのみ Python を使用してください。例外 — AI エージェントから呼び出せる Custom Code Tool（@n8n/n8n-nodes-langchain.toolCode）で Python を使う場合は、代わりに n8n-code-tool スキルを使用してください（入力は _query、戻り値は文字列である必要があります）。
Python および NumPy コードのサブセットを高速なマシンコードに変換する Python 用の Just-In-Time（JIT）コンパイラ。Anaconda, Inc. が開発。ループ、カスタム数学関数、複雑な数値アルゴリズムの高速化に非常に効果的。@njit、@vectorize、prange、cuda.jit、numba.typed、JIT コンパイル、並列ループ、CUDA による GPU アクセラレーション、モンテカルロシミュレーション、数値アルゴリズム、高性能 Python コンピューティングに使用する。
Oracle Database から MariaDB へ移行する開発者向けの互換性ガイド。Oracle のスキーマ、PL/SQL プロシージャ、アプリケーションを MariaDB へ移行するとき、Oracle 構文が MariaDB で予期しない挙動を引き起こすとき、または Oracle の代替として MariaDB を評価するときに使用する。MariaDB は PL/SQL 互換性をネイティブに備えた唯一のオープンソースデータベースであり、MariaDB の sql_mode=ORACLE により Oracle コードの約 80% を書き換えなしで移行できる。
Polaris AI DataInsight Doc Extract API を使用して Office ドキュメント（DOCX、PPTX、XLSX、HWP、HWPX）から構造化データを抽出する。ユーザーがドキュメントファイルからテキスト、表、グラフ、画像、図形を解析・分析・抽出したい場合に使用する。ユーザーが Word、PowerPoint、Excel、HWP、HWPX ファイルからのコンテンツ抽出に言及した場合、ドキュメント構造を解析したい場合、RAG パイプライン用にドキュメントデータを変換する必要がある場合、または Office 形式ドキュメントの表・グラフ・テキストの読み取りについて尋ねた場合に、このスキルを呼び出す — ユーザーが "DataInsight" や "Polaris" を明示的に挙げていなくても。
既存の VictoriaMetrics vmanomaly 設定を、ランタイム機能と実データに照らして監査する。モデルとデータの適合性、スケジューラの周期、永続化状態の互換性、コールドスタート、検出過多、異常の欠落、出力カーディナリティ、アップグレード準備状況をレビューする際に使用する。トリガー：vmanomaly 設定レビュー、誤検知の調査、検出品質、モデルの有効性、互換性、"is my anomaly detection working?"。新しい設定をゼロから構築する場合は代わりに vmanomaly-config を使用する。
見積もり、意思決定分析、ストーリーテリングを連鎖させ、不確実な選択を明確でステークホルダーに提示できる推奨事項に変換する。不確実な変数を定量化し、期待値分析を適用して最良の選択肢を特定し、その分析を説得力のあるナラティブにまとめる。戦略的選択肢の評価（自社開発 vs 購入、市場参入、リソース配分）、トレードオフの定量化、投資の正当化、意思決定者への提案、またはユーザーが ROI 分析、期待値、ビジネスケース、費用対効果に言及したとき、あるいは見積もりと説得力のあるコミュニケーションを組み合わせる必要があるときに使用する。
臨床データの用語標準について推論する——MedDRA 階層（LLT→PT→HLT→HLGT→SOC）、ICD-10 コードの構造とグルーピング、SNOMED CT 概念モデル、LOINC パネルの関係、システム間のマッピング判断。ユーザーが有害事象のコーディング、診断の ICD-10 へのマッピング、コーディング粒度レベルの選択、SOC または PT による AE のグルーピング、SNOMED CT 関係の解釈、検査パネル用の LOINC コードの選択、用語体系間の変換、HLT と PT のどちらのレベルで集約するかの判断を求めた場合に使用する。トリガーには "MedDRA coding"、"ICD-10 grouping"、"SNOMED CT"、"LOINC panel"、"adverse event coding"、"terminology mapping"、"SOC table"、"preferred term"、"code hierarchy"、"clinical coding"、"AE frequency table"、"diagnosis grouping"、"lab code selection"、"cross-walk between terminologies" が含まれる。
技術的な作業のための構造化されたスキャフォールド（フレームワーク、チェックリスト、テンプレート）を生成します — TDD テストスイート、探索的データ分析計画、統計分析設計、因果モデリングと予測モデリングの目的、検証チェックリスト。実行前に体系的な計画が必要な技術的作業を始めるときに使用します。ユーザーが "write tests for"、"explore this dataset"、"analyze"、"model"、"validate"、"design an A/B test" に言及したとき、または技術的作業が実行前にスキャフォールドを必要とするときに呼び出します。
このスキルは Financial Modeling Prep（FMP）API を使用して、米国株の今後の決算発表を取得します。ユーザーが決算カレンダーのデータを求める場合、翌週に決算を発表する企業を知りたい場合、または週次の決算レビューが必要な場合に使用します。市場への影響が大きい時価総額 20 億ドル超の中型株以上の企業を対象とし、日付と時刻ごとに整理した見やすい Markdown テーブルでデータを提示します。複数の環境（CLI、デスクトップ、Web）に対応し、柔軟な API キー管理をサポートします。
Elastic integrations で ECS の entity.* フィールド（Entity インベントリ／Entity ストア）を追加または監査するときに使用する——データストリームを entity か event かに分類し、ベンダーのフィールドを entity.attributes.*、entity.lifecycle.*、entity.relationships.* にマッピングし、または既存のパッケージで entity カバレッジのギャップ分析を実行する。/entity-mappings で手動で呼び出す。
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。