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
パイプライン前段のアグリゲーター。AI エージェントのキャッシュディレクトリ（.claude、.cursor、.antigravity、.openclaw）またはユーザー指定の任意のディレクトリを走査して実験ログを探し、知見と数値結果を抽出し、PaperOrchestra で使える入力（idea.md + experimental_log.md）として整形する。トリガー：ユーザーが "aggregate my agent logs for paper writing"、"extract experiments from my coding agent history"、"prepare PaperOrchestra inputs from my cache"、"turn my agent logs into a paper" と言った場合、論文の基礎として使いたいフォルダやディレクトリに言及した場合、または PaperOrchestra を実行したいが構造化された入力ではなく散在するエージェント実験履歴しかない場合。paper-orchestra の前にこれを実行する。workspace/inputs/idea.md または workspace/inputs/experimental_log.md が存在しない場合、paper-orchestra から自動的に呼び出されることもある。
結果報告の透明性を、鉄則 "NO RESULTS CLAIM WITHOUT REPORTING EVERY ANALYSIS RUN" に基づく規律ゲートとして強制する——番号付きの Gate Function（IDENTIFY で主張を特定し、LIST で実際に実行したすべての検定を "work" しなかったものも含めて列挙し、CHECK で仮定が報告されたか、95% CI 付きの効果量があるか、事前登録からの逸脱が開示されているかを確認し、ONLY THEN で文を書く）、さらに選択的報告、チェリーピッキング、裸の p 値に対処する Excuse-vs-Reality 表と Red-Flags-STOP リストを備える。Results を執筆するとき、分析の一部のサブセットから知見を主張するとき、効果量や信頼区間なしに p 値を報告するとき、事後的に外れ値を除外するとき、うまくいかなかった分析を省略するときに使用。alterlab-statistical-analysis（検定、効果量）、alterlab-preregistration-discipline（凍結された計画）、alterlab-open-science（TOP、開示）を編成するが、検定自体は実行しない。AlterLab Academic Skills スイートの一部。
salmon 2.x（Rust による書き直し版。選択的アラインメントまたは --sketch）と kallisto（v0.52.0、kb-python ワークフロー）で bulk RNA-seq の転写産物存在量を定量し、decoy-aware gentrome インデックスを構築し、--gcBias -l A を付けて quant を実行し、tx2gene マップとともに tximport/tximeta で推定値を取り込み、差異発現を alterlab-pydeseq2 に引き渡します。salmon 2.0 は C++/pufferfish インデックスを読み込めないこと（すべてのインデックスを再構築）、--validateMappings は現在受け付けられるが無視されること、'salmon alevin' が削除されたこと（シングルセルは現在 piscem + alevin-fry を使用）を警告します。RNA-seq の転写産物存在量の定量、salmon や kallisto の実行、decoy-aware インデックスの構築、tximport から DESeq2 への接続に使用します。差異発現には alterlab-pydeseq2、FASTQ から VCF へのバリアント検出には alterlab-nf-core-sarek を使用してください。AlterLab Academic Skills スイートの一部です。
過去のデータを使って、暗号資産および従来型の取引戦略をバックテストします。パフォーマンス指標（Sharpe、Sortino、最大ドローダウン）を計算し、エクイティカーブを生成して、戦略パラメーターを最適化します。ユーザーが取引戦略のテスト、シグナルの検証、または手法の比較を希望する場合に使用します。「backtest strategy」「test trading strategy」「historical performance」「simulate trades」「optimize parameters」「validate signals」などのフレーズで起動します。
フィードおよび出版物全体の取り込み：ブログ、ニュースレター、RSS/Atom アーカイブ全体を brain のソースページに変換します。フィードの検出、ページネーションの走査、共通の記事形式への正規化、canonical URL による重複排除、冪等な再実行、429 のペーシング、空の殻の修復を扱います。これは出版物スコープのスキルです。単一の記事 URL は代わりに idea-ingest に振り分けます。記事ごとの情報強化は brain-ingest-gate スキルに引き継ぎます。公開投稿のみを対象とし、アクセス制限付きコンテンツはスキップし、回避はしません。
実データに基づく指標可視化を備えた Coval ダッシュボードを構築または改善する。利用パターン、指標の頻度、データ密度を分析して、新しいダッシュボードをゼロから作成したり、既存のものを再構築したりする。ユーザーが「create a dashboard」「build a dashboard」「improve my dashboard」「add widgets」「visualize my metrics」「make a performance dashboard」「dashboard for my runs」と言ったときに使用する。
取り込んだコーパスに、単なる埋め込みではなく、型付きの引用／参照グラフを構築します。単純な類似度検索では、文書 A が B を「覆す」、C を「区別する」、D に「依存する」といった関係を判別できません。このスキルは文書間の参照をすべて抽出し、LLM の判断でエッジの型を分類して、`gbrain link` で第一級の型付きエッジを書き込みます。これにより `gbrain graph-query --type` で論旨をたどれます（「このブリーフが依拠するすべてのものから、その後覆されたものを除く」）。引用の多いコーパスは、法律、学術論文、特許、規制当局への提出書類、書籍の参考文献など、同様の構造を持ちます。
このリポジトリで `/v1/listen` 上の Deepgram 音声分析オーバーレイを呼び出す JavaScript/TypeScript を書いたりレビューしたりするときに使用 — summarize、topics、intents、sentiment、diarize、redact、detect_language、エンティティ検出。通常の STT と同じエンドポイントだが、パラメータが異なる。`client.listen.v1.media.transcribeUrl` / `transcribeFile` による REST と、`client.listen.v1.createConnection()` / `connect()` 上の WebSocket 対応サブセットを扱う。通常の文字起こしには `deepgram-js-speech-to-text` を、すでに文字起こしされたテキストの分析には `deepgram-js-text-intelligence` を使用。トリガーには "audio intelligence"、"summarize audio"、"diarize"、"sentiment from audio"、"redact PII"、"detect language audio" が含まれる。
StreamSets Data Collector エンジンと StreamSets 環境のリファレンス — StreamSets 環境構成、StreamSets エンジンデプロイ（Docker/Podman）、StreamSets ジョブ実行、StreamSets エンジンの通信方式（tunneling/direct）、StreamSets の高可用性とフェイルオーバー、StreamSets の監視とリソース管理。ユーザーが StreamSets、Data Collector、または StreamSets 固有の懸念を明示的に言及した場合にのみ使用します。
LandingAI の Agentic Document Extraction (ADE) を用いたインテリジェントなドキュメント処理とコンテンツ抽出に本スキルを使用します。次のような場合にトリガーします：(1) ドキュメント（PDF、画像、スプレッドシート、プレゼンテーション）をレイアウトを理解して構造化 Markdown に解析する、(2) スキーマを使ってドキュメントから特定の構造化データを抽出する（請求書のフィールド、フォームデータ、テーブルデータなど）、(3) 複数ドキュメントのバッチを種類別に分類・分離する（請求書と領収書、明細書とフォームなど）、(4) 大きなドキュメントを非同期で処理する（最大 1GB/1000 ページ）、(5) 抽出したコンテンツの視覚的グラウンディング（バウンディングボックス、ページ番号）を取得する — ユーザーがバウンディングボックス、単語の位置、グラウンディング、抽出コンテンツのハイライト、ドキュメント内でデータが表示される場所の提示に言及したときに使用します。タスクが一連のドキュメントの内容を理解することを伴う場合に本スキルを使用します。特に本スキルは、一連のドキュメント上で実行するコードを書くのに役立ちます。単一のスクリプトで必要な情報を抽出できるため、速度が向上し、ドキュメントを Agent のコンテキストウィンドウに読み込むコストを削減できます。
Aurora DSQL で構築する——スキーマの管理、クエリの実行、マイグレーションの処理、クエリプランの診断、クラスター性能の診断、データのロード、そしてサーバーレス分散 SQL データベースでのアプリケーション開発。IAM 認証、マルチテナントパターン、MySQL から DSQL および PostgreSQL から DSQL へのスキーマ変換、外部キー制約、OCC リトライパターン、ORM マイグレーション（Django/EF Core/Hibernate/Rails/SQLAlchemy）、DDL 操作、クエリプランの可解釈性、CloudWatch AAS によるシステム診断、SQL 互換性検証、一括データロードを扱う。DSQL の制限やエラーコードに関する質問に答える前にロードする。公式ドキュメントが省いている制限を記載している。以下のような語句でトリガーする：DSQL、Aurora DSQL、distributed SQL database、serverless PostgreSQL-compatible database、migrate to DSQL、DSQL query plan、DSQL EXPLAIN ANALYZE、DSQL ENUM、DSQL foreign key、DSQL OCC retry、DSQL multi-region、DSQL JSONB、DSQL GIN index、load into DSQL、load CSV into DSQL、bulk load DSQL、aurora-dsql-loader、DSQL slow、DSQL performance、DSQL wait events、DSQL AAS。
Entity Framework Core モデルから D2 データベース図を生成する。用途：EF Core データベース図、Entity Framework Core ERD、DbContext 図、C# エンティティ関係図、PostgreSQL スキーマの可視化、EF Core エンティティから .d2 ファイルを生成、Fluent API マッピング図、マイグレーションベースのデータベース図、テーブル関係、owned 型、多対多の結合テーブル、インデックスと制約。用途外：実行時デバッグ、データベースマイグレーションの実行、スキーマのデプロイ、SQL パフォーマンスチューニング、draw.io の図。
現在のセッションで、有界な研究実験の分岐を 1 つ、ponytail-for-experiments のテイストで実行する。明示的に要求された場合、または構成が既知の一貫した実行のまとまり（1 手法 × 1 データセット × 1 予算、あるいはキャンペーンの 1 つのアブレーション分岐）に使用する。まずその分岐がすでに枝刈り済みか解決済みかを確認し、未解決の構成上の判断だけを問い詰め、環境とリソースを事前確認し、プロジェクトの慣例に従って実行し、指標を最終図がそのまま使える形で共有テーブルに記録する。アイデアがまだ曖昧で議論が必要なら exp-discuss、作業が分岐をまたぐ段階的な枝刈りを必要とするなら exp-campaign、一度きりのスポットチェックなら exp-probe を優先する。
研究者のアイデア、仮説、最適化の方向性に対して、段階的で枝刈り可能な研究実験キャンペーンを、ponytail-for-experiments のテイストで設計する。明示的に要求された場合、または研究者が多数の実験、アブレーション分岐、クロスファクターのスイープを必要とする方向性を提案した場合に使用する。既存の結果を観察し、研究者を問い詰めて共通理解に達し、最大の実験空間を列挙したうえで、安価なプローブ実験で枝刈りし、その結果によってどのセルを実行しないかを決める。観察ゲートを備えた決定木プランと最終的な指標・図の設計を提示し、実行はステージごとに exp-batch に引き渡す。単一の有界な実験分岐には exp-batch、一度きりのスポットチェックには exp-probe を使う。
従来の Python 計量経済スタックによる古典的なエンドツーエンドの実証分析ワークフロー——pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn。**デフォルトでは経済学の実証論文スタイル**（AER / QJE / AEJ）を採用し、実行ごとに出版可能な出力一式を生成する。中心となるのは多列回帰表（M1→M6 の段階的なコントロール/固定効果）で、加えて表 1（記述統計）、メカニズム／異質性／頑健性の表、イベントスタディ + 係数 + トレンドの図を含む。応用経済学者や定量的社会科学者がすべての論文で実行する全 8 ステップのパイプラインを扱う——(1) データクリーニング、(2) 変数の構築と変換、(3) 記述統計と表 1、(4) 統計的診断テスト、(5) ベースラインの実証モデリング、(6) 頑健性チェック一式、(7) さらなる分析（メカニズム、異質性、媒介、調整）、(8) 出版可能な表と図。**同じ 8 ステップの枠組みを共有する 2 つの並行ドメインモードも扱う**——**モード A——疫学／公衆衛生**（`zepid`／手書きの `pandas` によるターゲット試験エミュレーション、`zepid`／`econml`／`lifelines` による IPTW + g-formula + TMLE の二重頑健トリプレット、`pymr`／`mrtool`（または `rpy2` → `MendelianRandomization`/`TwoSampleMR`）によるメンデルランダム化、`lifelines` による KM／AFT／Cox 生存分析、E 値感度分析、主層別化——STROBE／TRIPOD 報告）、および**モード B——機械学習による因果推論**（`econml.dml`／`doubleml` による DML、`econml.metalearners`／`causalml` による S/T/X/R/DR メタ学習器、`econml.grf`／`causalml` による因果森、`causalml` による Dragonnet／TARNet／CEVAE のニューラル因果、`pymc-bart`／`bcf-py` による BCF、行列補完、`econml.policy`／`policytree-py` による CATE 分布 + 政策木、オフポリシー評価、`mapie` によるコンフォーマル因果、`fairlearn` による公平性監査、`causal-learn`／`cdt`／LLM 支援による DAG 学習）。各ステップでどのライブラリを使うべきかを示し、標準的なコードを提示し、バリアント固有のパターンについてはより詳しい `references/` ファイルにリンクする。ユーザーが Python での**完全な実証分析**を求める場合、応用経済学の論文をゼロから再現したい場合、単一の垂直パッケージに依存しない再現可能なワークフローを必要とする場合（StatsPAI と対比）、すべての推定量と診断を明示的に制御したい場合、または "how do I write a full empirical pipeline in Python?" と尋ねる場合に使用する。ユーザーが特定の古典的ステップを単独で挙げたときにも発動する——"winsorize at 1/99%"、"run Breusch-Pagan"、"build a Table 1 balance table"、"do a placebo test"、"event study plot"、"mediation analysis"——そしてそれをより広いパイプラインに組み込みたい場合。モード A は "target trial emulation"、"IPTW"、"TMLE"、"Mendelian randomization"、"STROBE"、"公共健康"、"流行病学" で発動する。モード B は "DML"、"double machine learning"、"causal forest"、"meta-learner"、"Dragonnet"、"BCF"、"policy tree"、"conformal causal"、"fairness audit"、"因果机器学习" で発動する。
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。