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。
データ・データベース
ユーザーがレビューファイルから製品属性を推測し、製品品質をスコアリングし、Word (.docx) レポートを納品したい場合、または明示的に review-scoring-docx を要求した場合、このスキルを必ず使用する。トリガーには Word 出力を伴う「評論評分 Word」「產品屬性比較報告」、および reviews-to-scores-to-docx が含まれる。合意された成果物が Word であるレビューベースの製品比較に使用すべきである。一般的なレビュー分析に Word 出力を強制したり、属性の重要度の代わりに品質スコアを用いたりしてはならない。
MATLAB を使用して HD Map または OpenDRIVE ファイルを RoadRunner シーンにインポートする。RoadRunner または RoadRunner Scene Builder で走行シーンを読み込むとき、RRHD、OpenDRIVE、その他 RoadRunner が対応する形式をシミュレーション用にインポートするとき、または Lanelet2 から RRHD への変換結果を視覚的に検証するときに使用する。roadrunner-core の rrApp ハンドルが必要。
Stream Activity Feeds アプリのライブ v2 アクティビティとリアクションをサンプリングして v2 -> v3 同期マッピングを生成します。アプリの v2 統合コードを利用できる場合は書き込み経路を読み取り、そのコードをもとに v2 から v3 への移行計画を立てます。Feeds v2 から v3 への移行設定、v3 同期マッピングの作成・レビュー・デバッグ、「アプリに必要なマッピングは何か」という質問、アプリの v2 Feeds コードを v3 に移植する方法の質問、または移行後のアクティビティでテキストや添付ファイルが欠落する、コメントがコメントとして扱われない、ブックマークが消える場合に使用します。v3sync、v2 to v3、feeds migration、activity feeds migration、sync mapping、extra_context、reaction kinds、comments and bookmarks mapping、porting plan に反応します。同じマッピングがライブ同期ツールと一括エクスポーターの両方で使われます。
サーバーサイドの Stripe webhook 冪等パターン。以下の場合に積極的に有効化：(1) Stripe webhook ハンドラーの設計、(2) stripe_processed_events によるトランザクション内での重複排除、(3) credit_transactions.idempotency_key の UNIQUE 部分インデックス、(4) Idempotency-Key ヘッダーの優先順位（ヘッダー > ボディ > サーバー UUID）、(5) ハンドラー入口での冪等キーの形式/文字セット/長さの検証、(6) UPDATE が先行する SELECT に依存する場合の FOR UPDATE による行ロック、(7) webhook 署名検証（stripe.webhooks.constructEventAsync、許容値、生のボディの読み取り）、(8) randomUUID フォールバックによるリトライ安全なエンドポイント、(9) 耐久性のあるチェックポイント行の順序（チェックポイントが先、変更が後）。提供：完全な webhook ハンドラーの骨組み、Idempotency-Key バリデータ、重複排除 SQL、FOR UPDATE パターン、署名検証の例。
検証可能で引用に裏付けられた情報を、AI での利用と検証パイプラインに最適化した構造化 JSON 形式で抽出するための包括的な Wikipedia リサーチスキル。必須トリガー：Wikipedia research、Wikipedia citations、verify Wikipedia claims、extract Wikipedia references、fact-check with sources、research topic with citations、gather verifiable information、Wikipedia API、collect research data、build knowledge graph、entity extraction、research timeline。使用場面：(1) 出典検証が必要なトピックの調査、(2) 根拠となる引用とともに Wikipedia の内容を抽出、(3) AI 検証用のリサーチデータセットの構築、(4) 構造化された書誌データの収集、(5) 主張を原典までたどる、(6) エンティティと関係のナレッジグラフの構築、(7) 伝記・歴史データからの年表の作成、(8) 複数ソース間での事実のクロス検証。
CLI 経由で Alibaba Cloud Apsara Data Agent for Analytics を呼び出し、企業データベースの自然言語によるデータ分析を実行します。Data Agent for Analytics は Alibaba Cloud Database チームが企業ユーザー向けに開発したインテリジェントなデータ分析エージェントです。自然言語の説明に基づき、要件分析、データ理解、分析インサイト、レポート生成を自動で行います。このツールは、DMS で管理されるデータリソース（インスタンス／データベース／テーブル）の検出、クエリまたは詳細分析セッションの開始、リアルタイムの進捗追跡、分析結果と生成レポートの取得に対応します。データベースのクエリ、データ傾向の分析、データレポートの生成、自然言語での質問が必要な場合や、「Data Agent」「data analysis」「database query」「SQL analysis」「data insights」に言及した場合にこの Skill を使用します。
matplotlib Python ライブラリ（pyplot とオブジェクト指向の Figure/Axes API）でプロットを構築し、完全な低レベルカスタマイズを行い、PNG/PDF/SVG にエクスポートする。個々のプロット要素を細かく制御する必要がある場合に使用する——カスタムの折れ線／散布／棒／ヒストグラム／ヒートマップ／等高線／箱ひげ／バイオリン／3D プロット、rcParams とスタイルシートの調整、科学技術計算の Python ワークフロー内での GridSpec サブプロットレイアウト。投稿向けの規範的なマルチパネル図のワークフロー（Nature/Science/Cell の書式、色覚多様性に配慮したパレット、有意差注釈）は対象外。これらには代わりに alterlab-scientific-viz を推奨する。AlterLab Academic Skills スイートの一部。
Azure SQL Database コンテナを sidecar サービスとして既存の Docker Compose スタックまたは Dev Container に追加します。ローカルの Azure SQL Database エンジンを compose や devcontainer.json に組み込む場合、アプリがサービス名（localhost ではない）経由で SQL バックエンドを必要とする場合、または "add SQL to my compose"、"add a database service"、"depends_on database"、"devcontainer SQL sidecar"、"compose healthcheck for SQL"、"wait for the database before starting the app" といったプロンプトに使用します。プラットフォーム linux/amd64、プライベートレジストリのログイン、準備完了まで待機する healthcheck、および appdb を作成するワンショットの init サービス（このエンジンはデータベースを自動生成しません）を扱います。SQL Server イメージではありません。compose や Dev Container の SQL 接続には本項目を優先してください。
中国にフォーカスしたプライベートエクイティファンド向けに、A 株の投資先企業のパフォーマンスを追跡・報告する。KPI、財務、戦略的マイルストーンを監視する。元の portfolio-monitoring skill を中国の投資先企業向けに改変したもの。「A股投后管理」「基金投后监控」「portfolio monitoring China」「monitor portfolio company」「投后报告」「portfolio company review」でトリガーされる。
Next.js App Router アプリ内で PostgreSQL に対して Drizzle ORM を使う。クライアントの構築（HMR をまたぐ globalThis シングルトン、サーバーレスのプールサイズ、PgBouncer/Supavisor 背後での `prepare:false`、インタラクティブトランザクションが必要な場合のドライバ選択、`server-only`）、Next.js 16 Cache Components における Server Components での読み取り（`unstable_cache` に取って代わる `use cache` と `revalidate`/`dynamic` のセグメント設定、Suspense 境界、React `cache()` による重複排除）、Server Actions（action 内での認可、`updateTag` と `revalidateTag`、`after()`）、Postgres スキーマ型（timestamptz、identity と serial、jsonb、numeric-as-string、bigint モード）、drizzle-kit マイグレーション（generate と push、マイグレータ外での CONCURRENTLY、NOT VALID 制約、リネームのプロンプト）、トランザクションとプール接続、Postgres クエリの落とし穴（keyset ページネーション、count のコスト、ドライバ依存の `db.execute()` の形、NOT IN の null、プリペアドステートメント）。Next.js で Drizzle + Postgres のコードを書くまたはレビューする際に使用する。
Alibaba EasyExcel（com.alibaba:easyexcel:4.0.3）に基づく Excel データ読み取りスキル。リスナーモード（ReadListener/AnalysisEventListener/PageReadListener）、同期読み取り（doReadSync）、マルチシート読み取り、@ExcelProperty(index/name) のマッチング、複数行ヘッダー（headRowNumber）、日付・数値のカスタムコンバーター（@DateTimeFormat/@NumberFormat/Converter）、リスナーの例外処理（onException + ExcelDataConvertException）、追加情報の読み取り（コメント/ハイパーリンク/結合セル、extraRead + CellExtra）、数式とセル型（CellData<T>）、オブジェクトを生成しない読み取り（ReadListener<Map<Integer,String>>）、Web アップロード読み取り（MultipartFile→InputStream）を扱います。ユーザーが Excel を解析する必要がある場合（データ取り込み/一括登録/照合ファイル/ユーザーアップロード/Excel からオブジェクト/Excel から Map）にこのスキルを使用します。既製テンプレートへの埋め込みには適していません（代わりに easyexcel-fill）。Excel のプログラム的生成にも適していません（代わりに easyexcel-write）。
公正なベースライン、明示的な対照、測定可能な成功基準を備えた、最小限で意思決定に直結する実験を設計する——そしてすでに失敗した訓練実行を診断する。大規模な実装や高コストな訓練の前に使う（ベンチマーク、ハイパーパラメータ探索、大規模モデル訓練、または研究上の主張に厳密な実証的検証が必要なとき）。また、実行がおかしいときにも使う——「my loss diverged」「training collapsed」「the model won't overfit a tiny batch」「these gains look too good」「is this data leakage」「which hyperparameter should I try next」「how do I summarize these runs into a decision」「is more data/compute still buying anything」（最後のものは、両対数プロットを目視するのではなく、同梱の scripts/fit_scaling_law.py でフィットする）。
データ収集前に実験や研究を設計します。設計の選択、ランダム化、ブロック化、処理の組み合わせの配置を行い、結果を解釈可能にします。研究の計画、被験者／サンプルのグループ分けについての質問、ランダム化、ブロック化、層別化、対照、要因計画または一部実施要因計画、実験計画法（DOE）、多数の要因のスクリーニング、応答曲面最適化、クロスオーバー／反復測定／分割区計画、クラスター／グループランダム化、ラテン方格、プレート配置、バッチ／実行順序の影響、反復と疑似反復、逐次／適応／群逐次計画に関する場合に利用します。「この実験をどう設定すればよいか」「交絡をどう避けるか」「この 6 要因を試す最善の方法は何か」「これらのマウスを条件に割り当てて」などのくだけた表現でも対象です。計画決定後のサンプルサイズや検出力の計算には statistical-power、収集済みデータの分析には statistical-analysis を使用してください。
Epiphan AI ウェアハウス（execute_sql / query_dataset）経由で HubSpot のレベニュー分析を行う — ICP 検証、リードスコアリング、競合の勝敗、アクティビティ分析、パイプライン予測 — リストを生成するユースケースは qualify_lead でゲートする。使用時："hubspot analytics"、"revops dashboard"、"lead scoring"、"pipeline forecast"、"ICP analysis"、"hubspot SQL"、"hubspot warehouse"、"win/loss by competitor"、"revenue analytics hubspot"。基本的な CRM CRUD（crm-integration-skill）や汎用ダッシュボード（data-analysis-skill）には使用しない。
Sentry における outbox ベースの結果整合性操作の作成と保守に関するガイド。クロス silo のデータレプリケーションに最もよく使われるが、結果整合性が必要なあらゆる場面に適用できる。単一 silo の遅延副作用、監査ログ、イベントファンアウトなどが含まれる。"add outbox"、"add outbox replication"、"replicate model to control silo"、"replicate model to cell"、"add outbox category"、"write outbox signal receiver"、"debug stuck outboxes"、"outbox not processing"、"data not replicating"、"test outbox"、"migrate model to use outboxes"、"backfill outbox data"、"outbox coalescing"、"ReplicatedCellModel"、"ReplicatedControlModel"、"OutboxCategory"、"OutboxScope"、"outbox_runner" を求められたときに使用する。モデル mixin、カテゴリ登録、シグナルレシーバー、テスト、バックフィル、デバッグのワークフローを扱う。
ユーザー自身のワークロードで Kev 意思決定モデル（オープンな Jev スタイルの System One モデル）をファインチューニングし、キャリブレーション済みの確率で提供する。ユーザーへのヒアリングを行い、そのコードベース内の既存の Jev/TypeSafe の質問やラベル付きデータを見つけ、ゲインを測定するのに十分な合成トレーニングデータを生成し、Modal 上でトレーニングとキャリブレーションを行い、公開済みチェックポイントに対してスコアリングし、TypeSafe 互換のエンドポイントをデプロイし、すべてを撤去する。誰かが自分のドメイン（ルーティング、トリアージ、モデレーション、分類、スコアリング）で noul/choice/score の質問への回答を求めたり、自動化しきい値のためのキャリブレーション済み信頼度を求めたり、Jev、TypeSafe、System One、Kev に言及したり、Kev のファインチューニング、評価、デプロイ、クリーンアップを依頼したりする場合に使用。
Live Artifact としてレンダリングされる Notion スタイルのチームダッシュボード。KPI、7 日間のスパークライン、リアルタイムのアクティビティフィード、リンクされたデータベースのタスクテーブルを備えた、単一ページで自己完結型の HTML ダッシュボード——Composio コネクタカタログ経由で Notion に接続する。オンデマンドで、また artifact を開いたときに更新される。コネクタがバインドされていない場合はシード済みのモックデータにフォールバックするため、オフライン / スクリーンショット / ピッカープレビューでも動作する。
ユーザーが Modal.com の永続化や共有状態を扱いたい場合にこの skill を使用する。以下の場合に積極的に有効化：Modal Volumes、vol.commit、Dict、Queue、CloudBucketMount、S3 または GCS のマウント、secret に基づくストレージ認証情報、モデルキャッシュの永続化、データセットのステージング、共有キュー、分散状態、ボリュームの一貫性、ストレージのトラブルシューティング。提供：ストレージプリミティブの選択マトリクス、コミット/一貫性のパターン、マウント設定のレシピ、トラブルシューティングのチェックリスト。
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。