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 Dhan-Tradehull ライブラリ（pip install Dhan-Tradehull）を使用して Python のアルゴ取引コードを書く、デバッグする、または構築するときはいつでもこのスキルを使用する。トリガー：Tradehull、Dhan_Tradehull、tsl.、get_ltp_data、order_placement、ATM_Strike_Selection、get_option_chain、get_historical_data、super order、forever order、conditional trigger、OI scalping、Dhan を使用したオプション戦略、place order Dhan Python、Tradehull authentication、get_positions、get_holdings、enable_pnl_based_exit、get_option_greek、margin_calculator、または任意の TradeHull コースコードタスクへの言及。Tradehull のコードを書く前には必ず——単純なスニペットでも——このスキルを使用し、正しいメソッドシグネチャとパターンを確保する。
指定した企業向けに Dynatrace Gen 3 の **KPI ダッシュボード**（15〜20 個のビジネス KPI、必須の map tile、ブランド化されたセクション区切り）と、対応する 30 分間の BizEvents インジェクターを生成し、両方を `dtctl` でデプロイする。ユーザーが Dynatrace KPI ダッシュボード、ビジネスイベント KPI のデモ、BizEvents インジェクター、または「<company> の KPI ダッシュボード」を明示的に求めた場合にのみこのスキルを使用し、汎用的な Dynatrace ダッシュボード（SRE、インフラ、k8s、サービス、RUM）や既存の非 KPI ダッシュボードの編集には使用しない。トリガーとなるフレーズには「generate a KPI dashboard」「build a BizEvents demo for <company>」「spin up a KPI dashboard + injector」「/generate-kpi-dashboard」などがある。Dynatrace Gen 3 テナントに対して認証済みの `dtctl` が必要。
練習用 vault 内の採点済み IELTS Writing フィードバックを読み、バンドの推移、繰り返す誤り、推敲による伸び、次の優先事項、古い誤りの間隔を空けた再確認を含む定期的な進捗レポートを作成する。ユーザーが「summarise my IELTS progress」「how am I doing」「write a progress report」「track my band scores over time」「what errors keep coming up」「are my essays improving」「review an old error」と尋ねたとき、または月次・週次のライティングレポートを求めたときに使用する。ユーザーが `_dashboard/ielts-reprobe-ledger.yaml` に記録された再確認に回答したときにも使用する。既存のフィードバックを読むこと。新しい草稿を採点しないこと —— ielts-writing-task1 または ielts-writing-task2 を使用する。未採点の答案のバンドを捏造せず、最近の誤りが期限の来た古い誤りをレビューから締め出さないようにする。
Lenses MCP サーバーを使用して、すべての Kafka topic 設定を本番環境のベストプラクティスに照らして監査する。レプリケーション係数、保持期間、パーティション、コンパクション、命名規則、孤立した topic、欠落したメタデータをチェックする。ユーザーが "audit my topics"、"check topic configs"、"topic health check" と言う場合、または保持期間、レプリケーション、パーティション設定について尋ねる場合に使用。topic の作成、削除、変更には使用しないこと。
ユーザーが geogrid スキャンを実行したい、既存のスキャンレポートを確認したい、ランキングの推移を経時的に追跡したい、Falcon Guard で GBP の変更を監視したい、またはレビューを分析したいときに使用します。ユーザーが "run a scan"、"check my rankings"、"Local Falcon"、"how am I ranking"、"ranking heatmap"、"scan this keyword" と言う場合にも使用します。これは実行ツールです。結果を解釈するには geogrid-analysis も読み込んでください。
構築の体験：既存または新規の Nimble エージェントに基づいて抽出ワークフローを作成、テスト、検証、改善、公開する。特定のドメイン向けに耐久性があり再利用可能なワークフローに投資したいユーザー向け — すぐにデータを取得したいユーザー向けではない。トリガーフレーズ：「X サイトの抽出を設定して」「このサイトから定期的に抽出したい」「〜のためのエージェントを構築して」「再利用可能なスクレイパーを作成して」「Nimble エージェントを生成して」「自分のエージェントを改善して」「自分のエージェントにフィールドを追加して」、またはユーザーが大規模に抽出を実行したい場合。すぐにデータを取得したい場合は、代わりに nimble-web-expert を使用する。
地球科学アプリケーション向けのデータファイル取得とキャッシュ。自動キャッシュ、チェックサム検証、複数のダウンロード元を備えたサンプルデータセットのダウンロード。エージェントが次の作業を行う必要がある場合に使用する：(1) URL や DOI からデータセットをダウンロードする、(2) 自動検証付きでファイルをローカルにキャッシュする、(3) SHA256/MD5 ハッシュでファイルの完全性を検証する、(4) 圧縮アーカイブ（ZIP、TAR、GZIP）を展開する、(5) 再現可能なワークフロー用のデータレジストリを作成する、(6) Zenodo などのリポジトリから取得する。
ユーザーが製品品質の向上、品質管理システムの導入、欠陥の削減、品質データの分析を望んでいるときに使用する。ユーザーが "SPC"、"statistical process control"、"Six Sigma"、"DMAIC"、"control charts"、"process capability"、"Cp"、"Cpk"、"quality control"、"defect reduction"、"inspection"、"acceptance sampling"、"quality assurance" に言及したときにも使用する。リーン改善については lean-manufacturing を参照。プロセス最適化については process-optimization を参照。
結果が利用可能なコード、データ、設定、ドキュメントから実際に再現できるかを監査する。ベンチマークの主張を信頼したり、自分の成果を公開したりする前に使用する。再現、コード公開チェック、論文アーティファクトの健全性チェック、ラボの引き継ぎ、結果が引用される前に欠落したシード／設定／データを発見すること、あるいは「自分のマシンでは動く」がリスクとなるあらゆる場面に使用する。公開アーティファクトパッケージに何を含めるかを計画したい場合は、代わりに artifact-release-packager を使用する。このスキルの役割は、再現が可能かどうか、どこで破綻するかを検証することである。
個人データまたは観察的な時系列データ（健康指標、音声/テキストコーパス、行動ログ、日記、n-of-1 のセルフトラッキング）で統計実験を設計、実行、検証、監査するときにこのスキルを使用します。事前登録、正確な並べ替え検定、FDR 規律、データ検証ゲート、敵対的コードレビュー、外部モデルとの交差検証を徹底します。「design an experiment」「test this hypothesis on my data」「is this correlation real」「audit these findings」「pre-register」「validate this dataset」、または n-of-1 / 定量化セルフ分析のあらゆるリクエストでトリガーします。
出版品質の科学・技術図表を作成、スタイル設定、エクスポート、検証する。xy が推奨のデフォルト（matplotlib.pyplot 互換で移行が容易）。matplotlib/seaborn/plotly にも対応。ユーザーが「publication figure」「paper figure」「journal-ready plot」「scientific visualization」「SVG/PDF/TIFF export」「colorblind-safe palette」「multi-panel layout」「error bars / significance markers」を求める場合、または matplotlib、seaborn、plotly、xy をインポートする図表スクリプトを扱う場合に使用する。
ユーザーが検索ボリュームを含むキーワードリサーチ、競合キーワード分析、サイト監査データ、順位トラッキング、競合のオーガニック分析を求める場合。トリガー：「keyword research」「search volume」「keyword difficulty」「what keywords do they rank for」「site audit」「Semrush」「competitive analysis」。キーワードデータと競合インテリジェンスには Semrush を使用 — 被リンク中心の分析には Ahrefs を使用。
シニアバックエンド開発者の専門家として、システムアーキテクチャの設計、本番品質の API（REST、GraphQL、gRPC）の構築、最適化されたデータベーススキーマとクエリの作成、厳格なコードレビューの実施、エンジニアリングのベストプラクティスの徹底を行う。Node.js/TypeScript、Python、Java/Spring Boot、Go、Rust をサポート。本番対応のコード、Mermaid 図付きのアーキテクチャドキュメント、マイグレーションファイル、実行可能なコードレビューのフィードバックを生成する。ユーザーがバックエンドエンジニアリングの指針、コード生成、リファクタリング、アーキテクチャの意思決定を必要とする場合に使用。
適切な統計検定の選択、効果量の算出、検出力分析の設計、機械学習および AI 研究論文での統計の正しい報告を行う。2 つのモデルを統計的に比較する方法、結果が有意かどうか、シードを何回回すか、分散をどう報告するか、非正規データにはどの検定を使うか、多重比較をどう扱うか、統計的な妥当性を問う査読者にどう答えるかをユーザーが尋ねる場合に使用する。評価を計画し、実行前にシード / 試行回数を決める必要がある場合、または結果が境界線上にあり有意性を主張できるか知りたい場合にも使用する。機械学習論文で最もよくある統計的な誤りを防ぐ: 分散を示さず平均のみを報告すること、事後的にシードを選ぶこと、統計的有意性と実用的有意性を混同すること。
AI エージェント向けの Web 抽出。スクレイプ、クロール、マップ、バッチ、抽出、要約、diff、ブランド、検索、および 28 個のサイト専用抽出器で、任意の URL をクリーンな Markdown、テキスト、JSON に変換する。webclaw MCP サーバー経由でローカル実行できキーは不要。任意で WEBCLAW_API_KEY を設定すると、ボット対策や JavaScript レンダリングされたページも扱える。web_fetch がブロックまたは空の内容を返す場合や、構造化された LLM 向けの抽出が必要な場合に使用。
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。