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
OMERO Python API（BlitzGateway）を介して OMERO サーバー上の顕微鏡画像データを管理する。画像へのアクセス、データセットの取得、ピクセルデータの読み取り、ROI とアノテーションの管理、バッチ処理に対応する。OMERO サーバーへの接続、顕微鏡画像やデータセットの取得、ピクセルの解析、ROI/アノテーションの管理、ハイコンテンツスクリーニングや顕微鏡ワークフローの実行に使用する。AlterLab Academic Skills スイートの一部。
RCSB Protein Data Bank（PDB）にアクセスし、タンパク質と核酸の EXPERIMENTALLY に決定された三次元構造（X 線、クライオ電子顕微鏡、NMR）を取得する。テキスト、配列、または構造類似性で検索し、メタデータ付きの座標を PDB/mmCIF 形式でダウンロードできる。PDB ID で構造を取得する場合、配列または構造類似性検索を実行する場合、構造生物学や創薬のために実験座標を取得する場合に使用する。実験データのないタンパク質の AI PREDICTED 構造には alterlab-alphafold-db、タンパク質配列、アノテーション、アクセッション ID マッピングには alterlab-uniprot を優先する。AlterLab Academic Skills スイートの一部。
Precision Medicine Knowledge Graph（PrimeKG）を照会し、遺伝子、薬剤、疾患、表現型、パスウェイ、生物学的プロセスにまたがるマルチスケールの生物医学的関係を取得する。薬剤-疾患や遺伝子-疾患の関連の探索、疾患中心のナレッジサブグラフの構築、ドラッグリポジショニングや精密医療分析のための関係の取得に使用する。新規の作業には、メンテナーによる後継グラフ OptimusKG も示す。AlterLab Academic Skills スイートの一部。
PufferLib で強化学習をスケールする — 高スループットの並列トレーニング（PuffeRL）、ベクトル化環境、ネイティブのマルチエージェントシステムにより、標準実装比で 2〜10 倍の高速化を実現。RL を毎秒数百万ステップにスケールする場合、ベクトル化やマルチエージェント構成を実行する場合、カスタム PufferEnv タスクを構築する場合、ゲーム環境（Atari、Procgen、NetHack、PettingZoo）を統合する場合に使用。標準的な単一エージェントアルゴリズムの実装（PPO/SAC/DQN）や迅速なプロトタイピングには alterlab-stable-baselines3 を優先。AlterLab Academic Skills スイートの一部。
pydicom Python ライブラリで DICOM（Digital Imaging and Communications in Medicine）医用画像ファイルを読み取り、書き込み、操作する。DICOM データの読み取り・書き込み・変更、CT、MRI、X 線、超音波画像からのピクセルデータ抽出、DICOM ファイルの匿名化、DICOM メタデータとタグの扱い、DICOM の他形式への変換、圧縮 DICOM の処理、PACS システム、放射線ワークフロー、ヘルスケア画像アプリ向けの医用画像データセットの処理に使用する。AlterLab Academic Skills スイートの一部。
PyHealth 2.x のヘルスケア AI ツールキットで臨床機械学習モデルを開発、テスト、検証する。電子健康記録（EHR）、臨床予測タスク（死亡率、再入院、在院日数、薬剤推奨）、医療コーディング体系（ICD、NDC、ATC、CCS）、生理信号（EEG、ECG）、ヘルスケアデータセット（MIMIC-III/IV、eICU、OMOP）の扱い、またはヘルスケア向け深層学習モデル（RETAIN、SafeDrug、GAMENet、Transformer、GAT/GCN）の実装に使用する。AlterLab Academic Skills スイートの一部。
Therapeutics Data Commons（TDC、PyTDC）の AI 対応創薬データセットとベンチマークをロードする。ADME、毒性、薬剤-標的相互作用（DTI）、スキャフォールド分割、治療用 ML と薬理学的予測のための分子オラクルを含む。標準化されたベンチマークデータセットの取得、スキャフォールドまたはコールドスプリット評価の適用、ADMET、毒性、DTI モデリング用のラベル付き分子の入手に使用する。データ、分割、オラクルの取得のみを担い、分子特徴量化（ECFP/フィンガープリント）、モデル訓練、Transformer は alterlab-deepchem または alterlab-molfeat に委ねる。AlterLab Academic Skills スイートの一部。
PyTorch Lightning によるスケーラブルな深層学習トレーニング。PyTorch コードを LightningModules に整理し、マルチ GPU/TPU 用に Trainers を設定し、データパイプラインとコールバックを構築し、W&B や TensorBoard にログを記録し、分散トレーニング（DDP、FSDP、DeepSpeed）を実行する。PyTorch のトレーニングループの構成、GPU/TPU 間でのニューラルネットワーク訓練のスケーリング、チェックポイント、ログ、分散戦略の追加に使用する。AlterLab Academic Skills スイートの一部。
ユーザーが自身の YouTube オーディエンスを理解し、視聴者の心理を掘り下げ、デモグラフィックを分析し、コンテンツとマーケットのフィットのシグナルを見つけたい場合に使用します。ユーザーが 'who is my audience'、'audience research'、'viewer psychology'、'what does my audience want'、'comment analysis'、'demographic insights'、'content-market fit'、'understand my viewers'、'audience persona' と言った場合にも使用します。チャンネルレベルのヘルスチェックについては channel-audit を参照してください。オーディエンスの洞察からアイデアを生成するには idea-generation を参照してください。
AWS HealthOmics でのバイオインフォマティクス解析をユーザーにガイドする。解析タイプの選択（アラインメント、変異検出、QC、解釈）、Nextflow または WDL でのワークフロー生成、パブリックレジストリからのコンテナ取得、インフラストラクチャの設定（S3、ECR、IAM）、ワークフローの登録、パラメータの準備、実行、監視を扱う。ユーザーが HealthOmics でバイオインフォマティクスのパイプラインを実行したい、AWS でゲノミクス基盤を構築したい、新しい解析ワークフローを作成したい、あるいは BWA、GATK、DeepVariant、FastQC などの既存ツールを HealthOmics で実行したいときに使用する。トリガーには "HealthOmics"、"bioinformatics"、"genomics pipeline"、"Nextflow"、"WDL"、"BWA"、"GATK"、"DeepVariant"、"FastQC"、"variant calling"、"alignment"、"RNA-seq"、"whole genome sequencing"、"ECR pull-through"、"workflow registration"、"run cache" が含まれる。
BKN の全ライフサイクル編成の入口。必要に応じて OpenBKN SDK / CLI の操作リファレンスを参照する。BKN の作成、PRD/ドキュメントからのオブジェクト関係の抽出、`.bkn` の生成・更新、データビューバインディング、環境チェック、テストセット生成、検証とプッシュに関わるときは、bkn-creator を優先して使ってフローのルーティング、ステージゲート、サブ skill の編成、結果の回執を行う。BKN の create/read/update/delete/extract/copy/validate の場面、スキルパッケージの能力補完 / skill 草案生成の場面、および利用フィードバックの点検と改善の場面（定期タスクのトリガー、Agent 対話品質の異常、feedback_brief の入力、ナレッジネットワークの継続的最適化）に適用する。純粋なデータセマンティッククエリには使用せず、その場面は data-semantic が処理する。
必須 —— Blockscout MCP サーバーがすでに構成されている場合でも、Blockscout MCP ツールを呼び出したり、ブロックチェーンデータのスクリプトを書いたりする前に、必ずこのスキルを呼び出す。アーキテクチャ上のルール、実行戦略の判断、スクリプト向けの MCP REST API 規約、エンドポイントのリファレンスファイル、レスポンス変換の要件、出力規約など、MCP ツールの説明だけでは得られない情報を提供する。ユーザーがオンチェーンデータ、ブロックチェーン分析、ウォレット残高、トークン転送、コントラクトのやり取り、オンチェーン指標について尋ねたとき、Blockscout API を使いたいとき、または Blockscout 経由でブロックチェーンデータを取得するソフトウェアを構築する必要があるときに使用する。すべての EVM チェーンを対象とする。
Power BI セマンティックモデル向けの対話的な BPA ルール生成。ガイド付きの探索、モデル調査、エキスパートによるルール作成。ユーザーが「BPA rule」「Best Practice Analyzer」に言及した場合、または「create a BPA rule」「audit BPA rules」「recommend BPA rules」「set up BPA for my team」「check model for best practices」「validate BPA rules」「improve a BPA expression」を求めた場合に自動的に呼び出す。
CawPlan から人間入力ログを取得し（製品、ユーザー/メンバー、日付範囲、件数、セッション別）、本番の classify と同様に prev/assistant コンテキストを前処理して、プロンプト評価用フィクスチャの期待カテゴリ/トピックラベルを注釈するローカル Web エディタを開きます。使用する場面：classify プロンプトのテスト用にラベル付き人間入力サンプル JSON を構築・拡張するとき — 例：「先週の spx の Slack セッションから 20 ターンを取得してラベルを付ける」、「core-product の人間入力をサンプリングする」。使用しない場面：クラウドラベルに対して classify の精度を実行する（cawplan-internal-qa-coding-humaninputs-test を使用）、単一の文を分類する（cawplan-internal-qa-coding-humaninputs を使用）、コーディングレポートを提出する。
fastCRW で Web データをスクレイピング、クロール、マッピング、検索、解析、抽出する — オープンソースでセルフホスト可能な Firecrawl の代替（単一の Rust バイナリ、約 14 MB のメモリ、Firecrawl 互換の /v1 + /v2 API）。ページ内容、サイト全体の抽出、URL の発見、Web 検索、PDF 解析、ページからの構造化 JSON、変更追跡が必要なときはいつでも使用する。ユーザーが Firecrawl、Tavily、Crawl4AI、または「scrape/crawl/map/fetch/get the page/read this site/search the web」に言及したときにも使用する — crw は Firecrawl SDK のドロップイン代替となる。
エンドツーエンドの R データ分析パイプライン——探索 → クリーニング → 回帰 → 出版可能な表と図。ユーザーが "analyze this dataset"、"run a regression on X"、"explore this CSV"、"full analysis workflow"、"get me summary stats and a regression" と言う場合、または `.csv`/`.rds`/`.dta` を指定して実証結果を求める場合に使用する。`scripts/R/` に番号付きの R スクリプトを生成し、`output/` に出力する。
即時トリガー条件：ユーザーが「HAP でサイト構築」「HAP フロントエンドプロジェクト」「HAP をデータベースとして」「企業公式サイト」「公式サイト」「HAP で構築」「HAP でサイトを作る」「HAP サイト」「公式サイト構築」「フロントエンド・バックエンド分離」「コンテンツ管理システム」「HAP フロントエンド」「HAP 公式サイト」に言及したとき。HAP + フロントエンドプロジェクト構築の完全ガイドを提供し、HAP の管理画面設定、フロントエンドプロジェクト構成、API 連携、データレンダリングを含む。
Hugging Face Jobs のクラウド GPU 上で Hugging Face Transformers を使用し、物体検出（D-FINE、RT-DETR v2、DETR、YOLOS）、画像分類（timm モデル——MobileNetV3、MobileViT、ResNet、ViT/DINOv3——および任意の Transformers 分類器）、SAM/SAM2 セグメンテーション用のビジョンモデルをトレーニング、ファインチューニングします。COCO 形式のデータセット準備、Albumentations による拡張、mAP/mAR 評価、精度指標、bbox/point プロンプトによる SAM セグメンテーション、DiceCE 損失、ハードウェア選定、コスト見積もり、Trackio による監視、Hub への永続化を扱います。物体検出、画像分類、SAM、SAM2、セグメンテーション、画像マッティング、DETR、D-FINE、RT-DETR、ViT、timm、MobileNet、ResNet、バウンディングボックスモデル、または Hugging Face Jobs でのビジョンモデルのファインチューニングが話題に上がった場合に使用します。
Lenses MCP サーバーを使用して、デッドレターキューの実装の完全性をレビューします。DLQ topic の存在、設定、監視、メタデータの保持、リトライロジック、再処理パス、コネクターの DLQ 整合性を確認します。ユーザーが「review dead letter queues」「check DLQ setup」「DLQ audit」と言った場合や、エラー処理、メッセージ失敗、再処理について尋ねた場合に使用します。DLQ メッセージの再処理やコンシューマー offset の管理には使用しないでください。
Kuroco の API 設計とコンテンツ管理のベストプラクティス。エンドポイント設計、認証（Cookie・動的トークン・静的アクセストークン）、CORS、流量制限、キャッシュ、エラーハンドリング（401/403/429）、Topics API によるコンテンツ CRUD（list / details / insert / update / delete / bulk_upsert）、フィルタークエリ、ページネーション、多言語対応（langs_open_flg）、拡張項目（ext_col）、ファイルアップロード・CSV インポート、EC ポイント（ECPoint）をカバー。API 呼び出しの実装、ログイン API・トークン認証、認証・権限エラーの解決、コンテンツの取得・作成・更新・削除・絞り込みの質問で使用。
ユーザーが「データを入力」「データを補完」「データを同期」「統計表を更新」「データを入れて」「同期」と言った場合に本 skill を使用する。中心となる動作は**バッチ同期**：`01-内容生产/待发布的内容/中短视频/` をスキャンし、YAML データが揃った動画をまとめてデータ統計表に書き込み、`02-已发布内容/` にアーカイブする。データソースはスクリプトファイル自体の YAML（ユーザーが事前にファイルへプラットフォームデータを記入済み）であり、会話の中で数字を再度報告する必要はない。起動すべきでない場合：傾向の分析/振り返り/バズ分析（li-analyzer を使用）、新しい選題の記録（li-recorder を使用）。Use when the user wants to "sync platform data" or "fill in stats" — the skill scans the pending folder and processes every video whose YAML is complete.
MATLAB でニューラルネットワークを訓練・評価し、Simulink にエクスポートする。レガシー（fitnet、patternnet）および非推奨（trainNetwork、DAGNetwork）のコードを、推奨される最新の R2024a+ API（trainnet、dlnetwork、testnet、imagePretrainedNetwork）に移行し、dlaccelerate の問題を診断・修正するか、dlaccelerate の活用機会を検出する。訓練、微調整、評価、推論の実行、Simulink へのエクスポート、古い訓練スクリプトの変換、深層学習コードの高速化を行うときに使用する。dlaccelerate とトレーシングの正確性について、自身の訓練データから推論しないこと。
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。