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
スタートアップの創業者やマーケティング責任者向けに Google Search Console データを戦略的に分析します。GSC のエクスポートを、収益インパクトの見積もり、競合上のポジショニング、優先順位付きのアクションプランを備えた実行可能な成長インサイトに変換します。ユーザーが GSC の zip/CSV を提供したときに使用し、(1) 収益への影響を伴うブランド/非ブランド分析、(2) ビジネスインパクトを規模評価した SEO 機会、(3) ファネルマッピングを伴うコンテンツギャップ分析、(4) 予算配分を伴う有料検索戦略、(5) 優先順位付きの提言を含む戦略サマリーに使用します。
ユーザーが特定のウェブサイトを挙げてそのデータを求めるとき（allbirds.com の価格、kayak のフライト、zillow の物件情報など）、または Hermai レジストリに新しいサイトを追加したいときに必須。オープンソースの schema による自己実行と、Hermai Cloud によるホスト実行をサポートする。ディスカバリー、セッションキャプチャ、schema の作成、プッシュ、本番環境のフェッチチェックを扱う。タスクに特定のウェブサイトがない場合、またはユーザーが一度きりのページの生 HTML を明示的に求める場合はスキップする。
中国市場の金融データと投資リサーチ情報を取得する。A 株、香港株、ファンド、指数、財務、公告、リサーチレポート、マクロ経済など 200 以上のインターフェースをカバーする。Use when: ユーザーが株価の推移、ファンドの基準価額、指数の相場、財務諸表、バリュエーション指標、公告・リサーチレポート、機関の見解、マクロデータ、セクター・テーマ、産業チェーン、市場統計を調べたい場合、または構造化された金融データの取得・エクスポート・比較を行いたい場合。Do not use when: ユーザーが直接の売買助言、自動発注、取引執行、非金融データの検索、システム運用の調査を求めている場合、またはデータがないときに結論の捏造を求める場合。
Azure Monitor、Sentinel、ADX、Application Insights 向けの Kusto Query Language の作成、デバッグ、最適化、翻訳、ツール支援。ユーザーが 'KQL'、'Kusto'、'Log Analytics query'、'Sentinel query'、'hunting query'、'ADX query'、'Application Insights query'、'translate SQL to KQL'、'Splunk to KQL'、'optimize query'、'KQL performance'、'.kql file'、'detection rule'、'analytics rule'、'threat hunting'、'Azure monitor query'、'log query'、'summarize operator'、'where TimeGenerated' に言及した場合、または Azure のログ/テレメトリデータのクエリに関するあらゆる要求の場合に使用。ユーザーが "KQL" と明示していなくても——Azure のログ、セキュリティイベント、テレメトリデータのクエリについて尋ねているなら、この skill が適用される。
Python による地形発達と地表プロセスのモデリング。侵食、水文、土壌移動、地形学の 2D 数値モデルを構築します。エージェントが次の作業を行うときに使用します：(1) 時間経過に伴う地形発達をモデル化する、(2) 河川/水流の侵食をシミュレーションする、(3) 地形上で水流を流路計算する、(4) 斜面の拡散プロセスをモデル化する、(5) 風化と土壌生成をシミュレーションする、(6) 水系網を分析する、(7) 複数の地形プロセスを組み合わせる、(8) モデリング用の DEM データを読み込み/保存する。
Light 研究公正・倫理のライフサイクル常駐レッドラインゲート：研究のトリアージ、承認、収集、変更、分析、投稿、公開、出版後の各段階で、学術不正/データ捏造/統計の自己整合性/結論の誇大/幻覚と撤回 引用/自己盗用/プライバシー/著作権/著者表示と AI 開示/ソフトウェア著作権・特許の帰属/論文工場によるリライトなどのリスクを検査し、「捏造するな、誇大にするな」を口頭の助言から**機械検査可能・ブロック可能・統括 run_checkpoint が集約可能な機械可読ゲート**(light.findings.v1 を生成、Critical fail → exit 1)へと落とし込む。使う場面：投稿/camera-ready 前、データやコード公開前、ソフトウェア著作権の提出前、人または動物を対象とする実験の設計時——これらはハードゲート；および任意の執筆/分析/引用タスクのバックグラウンド公正スキャン。トリガーワード：倫理 / 公正 / 学術不正 / 捏造 / p-hacking / 誇大 / SOTA / 撤回 / 剽窃チェック / 盗用 / プライバシー / IRB / インフォームドコンセント / 著者表示 / AI 開示 / 論文工場 / ソフトウェア著作権の帰属。核心の規律：**シグナル≠有罪判定**、AI は自己評価できない → 一律「機械ゲート + 人によるレビュー」；見つからない場合は「要確認/UNRESOLVED」と書き、決して捏造しない；全行程オンラインで確認、ローカルナレッジベースゼロ、有料 key ゼロ。
フィット済みの Meridian モデルから Scenario Planner データを生成し、Colab ハンドオフ経由で Looker Studio ダッシュボード作成用にエクスポートする。保存済みのモデルからシナリオプランニングデータ、予算グリッド、Looker Studio ダッシュボードを生成したいときに使用する。モデル結果の可視化（meridian-result-visualization を使用）や標準的な予算最適化の実行（meridian-budget-optimization を使用）には使用しない。
PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で、再利用可能なプロダクト利用・エンゲージメントモデル（リテンション、スティッキネス、ライフサイクル）を構築する。ユーザーが戻ってくるかどうか（リテンション / チャーン）、どれくらいの頻度で利用するか（スティッキネス / パワーユーザー / DAU-WAU-MAU 比率）、アクティブベースの構成（新規 / 復帰 / 復活 / 休眠のライフサイクル）をモデリング、定義、計算したい場合に使用。これら 3 つは開始イベント／復帰イベントの語彙とインターバル粒度を共有する 1 つのエンゲージメントファミリーであり、本スキルはそれらをまとめて扱い、適切な視点の選択を支援する。リテンションは復帰率コホートマトリクス、スティッキネスは頻度分布、ライフサイクルは成長の質に対応する。PostHog では HogQL でモデリングし（query-retention / query-stickiness / query-lifecycle に対応）、dbt ではテスト付きの fct_retention / fct_stickiness / fct_lifecycle マートを構築する。まず modeling-warehouse-foundations を読み、modeling-activation-metrics が使用するリテンション検証にデータを供給する。
PostHog で再利用可能なデータモデルを構築するための共通基盤。2 つのスタックのいずれかを使用する：PostHog ネイティブのデータウェアハウスビュー／マテリアライズドビュー（HogQL、view-* MCP ツール経由）、または外部 dbt プロジェクト（sources.yml + staging/marts + schema テスト）を自前のウェアハウスまたは PostHog のマネージドウェアハウスに対して実行する。具体的なビジネスモデルを書く前に読むこと — PostHog と dbt の選択、view-create → view-materialize → sync_frequency ワークフローと HogQL の列エイリアス規則、dbt プロジェクトの雛形と率直な「ネイティブな dbt 統合はない」状況、ウェアハウスの join とスタースキーマのディメンション、convertCurrency() による通貨換算、データカタログでのモデルの確認／登録と再利用を扱う。ドメインスキル modeling-revenue-metrics、modeling-conversion-metrics、modeling-activation-metrics、modeling-product-usage-metrics、modeling-dimension-tables の関連スキル。ユーザーが PostHog でビュー、マテリアライズドビュー、dbt モデルを構築する方法、またはどちらのスタックを使うべきかを尋ねたときに使用。
業界、プラットフォーム、クリエイターのティア、予算に基づき、ローンチ前にインフルエンサーキャンペーンの現実的な KPI ベンチマークを生成します。本スキルは、クリエイターキャンペーンのパフォーマンス期待値を設定する場合、ローンチ前にリーチ・エンゲージメント・コンバージョンのベンチマークを推定する場合、インフルエンサービジネスの KPI 目標を構築する場合、クリエイターのティアとプラットフォーム別にキャンペーンのパフォーマンスを予測する場合、キャンペーンブリーフ用の EMV と ROAS 目標を設定する場合、これから実施するクリエイター施策で「良い状態」とは何かを定義する場合、Instagram、TikTok、YouTube でのギフティングまたは有償キャンペーンの期待値を調整する場合、またはキャンペーン成功を測る基準フレームワークを作成する場合に使用してください。キャンペーン終了後に ROI を計算したい場合は campaign-roi-calculator を参照してください。実際の投稿データからエンゲージメント率を計算したい場合は engagement-rate-calculator-benchmarker を参照してください。業務目標に紐づく完全な KPI フレームワークを構築したい場合は campaign-goal-to-kpi-framework-builder を参照してください。
終了したキャンペーンについて、各クリエイターを一貫性、コンテンツ品質、エンゲージメント率、ブランド適合性の観点で採点し、今後のキャンペーン向けのランク付けされた継続起用リストを作成する。本スキルは、キャンペーン終了後にクリエイターを評価する、キャンペーン後のインフルエンサーのパフォーマンスを評価する、キャンペーン実績でクリエイターをランク付けする、トップクリエイターの継続起用リストを作る、次のキャンペーンで再起用するクリエイターを決める、ローンチ後にインフルエンサーの成果物を採点する、キャンペーン名簿全体でクリエイターのパフォーマンスを比較する、どのクリエイターが最も価値を生んだか監査する、クリエイターを再起用と単発起用のリストに階層分けする、といった場合に使用する。エンゲージメント率の算出と階層別のベンチマークには engagement-rate-calculator-benchmarker を参照。キャンペーン前のニッチ適合度の採点には niche-fit-scorer を参照。ROI の説明を伴う完全なキャンペーンレポートの作成には campaign-roi-calculator-narrative-builder を参照。
pbi-cli を使ってメタデータを抽出し、ドキュメントを生成し、すべてのモデルオブジェクトをカタログ化することで、Power BI セマンティックモデルを自動ドキュメント化する。ユーザーが "document this model"、"what's in this model"、"list everything"、"data dictionary"、"model inventory"、"audit contents"、"catalog"、"describe the model" と言ったとき、またはセマンティックモデルにどのようなオブジェクトが存在するかを理解したいときに、この skill を呼び出す。
pbi-cli を使って Power BI レポートのテーマと条件付き書式ルールを適用・検査・比較する。ユーザーが "theme"、"colours"、"colors"、"branding"、"dark mode"、"corporate theme"、"styling"、"conditional formatting"、"colour scale"、"gradient"、"data bars"、"background colour"、"formatting rules"、"visual formatting" に言及したとき、またはレポート全体の見た目を変更したい、特定のビジュアルにデータドリブンの書式を適用したいときに、この skill を呼び出す。
Quicknode 経由のブロックチェーン RPC とデータアクセス。エージェントが Base、Ethereum、Polygon、Solana、Unichain にまたがるオンチェーンデータ（残高、トークン価格、トランザクションステータス、gas 見積もり、ブロックデータ）を読み取る必要があるときに使用する。API key によるアクセスと、アカウント不要の x402 ウォレットベースの従量課金アクセスの両方をサポートする。トリガー：RPC、ブロックチェーンデータ、オンチェーンクエリ、トークン残高、gas 見積もり、ブロック番号、トランザクションレシート、Quicknode、x402。
`.R` スクリプト向けの読み取り専用 R コードレビュープロトコル。コード品質、再現性、ドメインの正確性、tidyverse のイディオム、専門基準をチェックし、編集せずにレポートを生成する。ユーザーが「この R スクリプトをレビューして」「R コードをチェックして」「分析コードを監査して」「R のコードレビューをして」と言ったとき、または論文投稿の一環として R ファイルが触れられたときに使用する。コードの実行用ではない——数値検証には `/audit-reproducibility` と組み合わせる。
営業向けのメールエンゲージメント追跡 — 開封追跡、クリック追跡、添付ファイルの閲覧、リアルタイム通知、フォローアップのタイミング、エンゲージメント分析。使用時：見込み客がメールを開いているか分からない、開封データが水増しされているか信頼できない（Apple MPP、ピクセルブロック）、エンゲージメントに基づくフォローアップの時期が分からない、追跡がまだ設定されておらずツールを選ぶ必要がある、クリック/添付ファイルの追跡が期待通りに動作しない。Yesware 固有のヘルプには /sales-yesware を使用する。次には使用しないこと：メール到達率（/sales-deliverability を使用）、ケイデンス設計（/sales-cadence を使用）、メール以外の購買意図シグナル（/sales-intent を使用）、SendGrid 固有の設定（/sales-sendgrid を使用）、Postmark 固有の設定（/sales-postmark を使用）、Customer.io 固有の設定（/sales-customerio を使用）、Mailgun 固有の設定（/sales-mailgun を使用）、Klaviyo 固有の設定（/sales-klaviyo を使用）、ActiveCampaign 固有の設定（/sales-activecampaign を使用）。
プロジェクトのデータカタログ（セマンティックレイヤー）を投入・維持する：正規メトリクス、ウェアハウスのテーブル/ビューに対する信頼マーク（認定）、およびレビュー済みのテーブル関係。データカタログまたはセマンティックレイヤーのセットアップ / シード / ブートストラップを依頼されたとき、プロジェクトのメトリクスをカタログ化するとき、データソースを認定または非推奨にするとき、テーブル結合を提案またはレビューするとき、提案レビューキューを処理するときに使用する。既存のカタログを*使用*してビジネス数値の質問に答える場合は、querying-posthog-data を参照。トリガー用語：data catalog、semantic layer、canonical metric、certify table、deprecate source、relationship proposal、metric drift、review queue。
Instagram または TikTok のストーリーズインサイトのスクリーンショットから生テキストを解析し、ラベル付きフィールドを持つ、スプレッドシートにそのまま使える 1 行に整形します。本スキルは、スクリーンショットからストーリーズ指標を解析する場合、スプレッドシート用にストーリーズインサイトを整形する場合、貼り付けたストーリーズのスクリーンショットから指標を抽出する場合、ストーリーズ分析データを整理する場合、ストーリーズインサイトのテキストを構造化データに変換する場合、ストーリーズの実績スクリーンショットをトラッカーの 1 行に変換する場合、ストーリーズ指標をスプレッドシートに記録する場合、ストーリーズのスクリーンショットデータを正規化する場合、貼り付けたストーリーズインサイトから数値を取り出す場合、クリエイターのスクリーンショットからストーリーズ指標を整理する場合、複数のストーリーズスクリーンショットを一括で行に処理する場合、スクリーンショットからストーリーズ指標トラッカーを構築する場合、またはスクリーンショットのストーリーズデータをシートに入力する場合に使用してください。複数のソースの指標を統一テーブルに正規化したい場合は metrics-normalization-formatter を参照してください。エンゲージメント率を計算してベンチマークと比較したい場合は engagement-rate-calculator-benchmarker を参照してください。
Windows Forms アプリでデータのグループ化、並べ替え、フィルタリング、集計を行う Syncfusion Grouping Engine を実装する。このスキルは、IList ソースからの表形式データを管理・表示するための包括的なデータ操作機能を提供する。Syncfusion.Grouping 名前空間、Engine クラス、TableDescriptor、または Windows Forms の高度なデータ編成機能を扱うときに使用する。
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。