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
Huawei Cloud DDS（Document Database Service）と DCS（Distributed Cache Service）の統合管理スキル。5 つの能力領域にまたがる 16 の操作を提供する：(1) クエリ — DDS/DCS インスタンス、DCS ノード情報、DCS カスタムテンプレートの一覧取得/取得；(2) 分析 — DDS のデプロイ構成と DCS のセキュリティ態勢を分析；(3) DDS 管理 — インスタンスの作成、読み取り専用/シャーディングノードの追加、バックアップの作成、インスタンスの削除；(4) DCS 管理 — インスタンスの作成、カスタムテンプレートの作成、インスタンスの削除、インスタンスの再起動；(5) マルチモード実行。利用可能な操作には hcloud CLI を使用し、フォールバックとして huaweicloudsdk Python SDK を使用する。認証は AK/SK 環境変数または hcloud profile による。すべての変更操作にはユーザーの明示的な確認が必要。トリガーには以下が含まれる："DDS"、"DCS"、"文档数据库"、"分布式缓存"、"数据库实例"、"缓存实例"、"MongoDB"、"Redis"、"Memcached"、"DDS实例"、"DCS实例"、"数据库运维"、"缓存运维"、"文档数据库查询"、"分布式缓存查询"、"DDS管理"、"DCS管理"、"缓存节点"、"自定义模板"、"document database"、"distributed cache"、"DDS instances"、"DCS instances"、"MongoDB cluster"、"Redis cache"、"dds-dcs"。
Claude Code のセッションログを分析し、生産性の改善点を明らかにする。thinking ブロック、ツール使用統計、エラーパターン、デバッグ軌跡を抽出し、親しみやすく実行可能な推奨事項を生成する。トリガー: introspect、session logs、trajectory、analyze sessions、what went wrong、tool usage、thinking blocks、session history、my reasoning、past sessions、what did I do、how can I improve。
Node.js の Redis クライアント ioredis v5 のリファレンス — 接続設定、RedisOptions、パイプライン、トランザクション、Pub/Sub、Lua スクリプト、Cluster、Sentinel。使用場面：(1) Redis 接続の作成・設定（スタンドアロン、クラスター、センチネル）、(2) ioredis での Redis コマンドの記述（get/set、パイプライン、multi/exec）、(3) Pub/Sub や Streams の設定、(4) retryStrategy、TLS、自動パイプラインの設定、(5) Redis Cluster オプション（scaleReads、NAT マッピング）の使用、(6) ioredis の接続問題のデバッグ。重要：NodeNext で正しい TypeScript 型を得るには名前付きインポート `import { Redis } from 'ioredis'` を使用する。
Light 研究本線の第 5 ステップ・研究計画と実験設計：idea-critique を通過した idea と data feasibility を、実際に実行でき、論文に書け、再現できる question/estimand、実験マトリクス、事前登録パッケージに分解する。使うとき：idea が審査を通り実装に移す、実験・アブレーション・比較・感度・汎化・ロバスト性を設計する、研究計画 PROJECT_PLAN を書く、primary outcome・除外／停止ルール・preregistration を固定する、サンプルサイズ・シード・統計的検出力を計画する、実験の計算資源予算を見積もる、既存論文を再現する、baseline が緩い、または仮説が反証できないことを懸念する。トリガーワード：研究計画 / 実験設計 / 実験マトリクス / 仮説 / 対照 baseline / アブレーション ablation / 公平な比較 / 反証可能 / 統計的検出力 power / シードはいくつ / 再現 / reproducibility / research plan / experiment design / 再現可能。中核の規律：比較が不公平（baseline が緩い）／反証不能 = critical の一票否决（spec §4.2、STAGE_GATES[5]=[fair_baseline,falsifiable]）、アブレーションが分離していない／検出力不足 = warn、検出力は計画段階で逆算するもので結果の検定ではない、lint はヒューリスティックで限界があり、公平性／反証可能性の最終判定は依然として人・領域の判断を要する。「対照が絶対に公平だと証明した」などと決して謳わない。
Light 研究本線の第 7 ステップ・結果分析：良し悪しを述べるのではなく「なぜ」を説明し、各結論を claim + 証拠の強さに厳密に結びつけ、p-hacking を防ぐ。使うとき：実験が終わり結果を解釈する、「この数字は何を意味するか」と問う、有意性検定 + 効果量 + 信頼区間 + 多重比較補正を行う、p-hacking（多重比較の未補正、選択的報告、HARKing）を懸念する、各 claim に証拠の強さを与え執筆時の表現を校正する、結果が仮説を支持するか・再現可能かを判断する。トリガーワード：結果分析 / データの解釈 / この結果は何を意味するか / 有意性 / p 値 / 効果量 effect size / Cohen's d / 信頼区間 CI / 多重比較 / BH-FDR / Bonferroni / 補正 / p-hacking / 選択的報告 / garden of forking paths / HARKing / 証拠の強さ / claim と証拠の結びつけ / SHAP / アブレーション分析 / スライス分析 / 対応のある検定 / result analysis。中核の規律：統計的誤り / p-hacking = critical（spec §4.2、STAGE_GATES[7]=[stat_validity,evidence_strength]）、過度な解釈／効果量の欠落 = warn、有意性は p ではなく q を見る、非有意は「有意差は見られなかった」としか報告できない、表現の強さは証拠の強さに一致させなければならない、統計的検査には限界があり「手法の有効性／因果関係を証明した」などと決して謳わない。本スキルは 7→5（仮説を支持しない）／7→6（再現不能）の差し戻しの起点である。
エビデンスに基づく現状の棚卸しから、品質属性、アーキテクチャ選択肢、API とスキーマの契約、移行・ロールバック計画、ADR、検証に至るまで、ソフトウェアシステムを設計またはモダナイズする。グリーンフィールドや既存のモノリス、モジュラーモノリス、サービス、システム/API/データベース設計、スキーマ移行レビュー、データフローの信頼性、テナント/PII の統制、アーキテクチャの進化に使用。既存システムは、ユーザーが選択肢を選び、正確な変更を承認するまで読み取り専用。未知の事実は UNKNOWN のままとする。これは DAG 外のエンジニアリングスキルである：findings を出力したり、STAGE_GATES、ROUTES、ステージ、バックエッジを捏造したりしないこと。
ユーザーがモデル性能の評価、検証、比較、説明、デバッグを求めたときに使用するこのスキル。以下の場合に積極的に有効化する：(1) 分類、回帰、ランキング、NLP、CV、推薦、予測、生成 AI の指標選択、(2) 訓練/検証/テスト分割、交差検証、グループ化または時系列の検証、(3) 混同行列、ROC/PR 曲線、キャリブレーション、閾値、誤差分析、(4) アブレーション研究、統計的有意性、信頼区間、bootstrap 検定、(5) バイアス、公平性、説明可能性、ロバスト性、リーク検出。提供：厳密な評価方法論と本番投入前のチェック。
ユーザーがハイパーパラメータの調整、スイープの実行、探索空間の最適化、AutoML の利用を求めたときに使用するこのスキル。以下の場合に積極的に有効化する：(1) Optuna、Ray Tune、FLAML、AutoGluon、Hyperopt、Nevergrad、KerasTuner、W&B sweeps、(2) グリッドサーチ、ランダムサーチ、ベイズ最適化、TPE、ガウス過程、進化的探索、(3) ASHA、Hyperband、逐次半減、マルチフィデリティ最適化、集団ベース学習、(4) 学習率ファインダー、バッチサイズ探索、早期停止、プルーニング、(5) 再現可能なスイープ設計と実験分析。提供：予算を考慮したハイパーパラメータ探索戦略。
ユーザーが ML モデルの訓練、デバッグ、スケール、改善を求めたときに使用するこのスキル。以下の場合に積極的に有効化する：(1) PyTorch、TensorFlow/Keras、JAX、Flax、Hugging Face Trainer/Accelerate の訓練ループ、(2) 分散訓練、DDP/FSDP/DeepSpeed、TPU/GPU のセットアップ、(3) 混合精度 AMP/bf16、勾配蓄積、チェックポイント、シード設定、(4) 過学習、不均衡、損失関数、正則化、学習率スケジュール、warmup、(5) メモリ最適化、勾配チェックポイント、オフロード、量子化を考慮した訓練。提供：深層学習と古典的 ML にわたる再現可能な訓練のベストプラクティス。
スタースキーマ用の再利用可能なディメンション / ルックアップテーブル（国・地域、タイムゾーン、通貨、日付、プラン / プロダクト、その他の記述的属性）を、PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で構築する。ディメンションテーブル、ルックアップテーブル、スタースキーマ、コンフォームドディメンションをモデリングしたい場合、または JOIN を繰り返さずにイベント / 収益 / 利用状況を国、地域、タイムゾーン、プラン、通貨の属性で拡充したい場合に使用。ディメンションデータの入手（アップロード、ウェアハウスソース、イベントからの導出）、エイリアス付きの 1 エンティティ 1 行ビューへの整形（ディメンションはほとんど変化しないため、必要に応じて低頻度のスケジュールでマテリアライズ）、保存済み join または person join によるファクトへの接続（その列をネイティブフィールドとして読めるようにする）までを扱う。重要なルール: 通貨には独自のレートテーブルではなく組み込みの convertCurrency() を使用する。まず modeling-warehouse-foundations を読むこと。ここでのディメンションは収益、コンバージョン、アクティベーション、プロダクト利用のモデリングスキルで再利用される。
業界の R&D、AI、ML、アナリティクス、LLM、銀行、フィンテック、エンタープライズ向けソリューションのための実用的なパイロットと評価プロトコルを設計する。ユーザーに提案手法やソリューションの方向性があり、オフラインテスト、バックテスト、人手評価、A/B テスト、ベースライン、メトリクス、アブレーション、ガードレール、go/no-go 判断でそれを検証する必要があるときに使用する。特に publication-grounded-solution-design や industry-problem-framing の後に使用する。
pbi-cli を使って Power BI のテーブルパーティション、名前付き式（M/Power Query データソース）、カレンダーテーブルの構成を管理する。ユーザーが "partitions"、"data sources"、"M expressions"、"Power Query"、"incremental refresh"、"named expressions"、"connection parameters" に言及したとき、またはテーブルがデータを読み込む方法を構成したいときにこのスキルを呼び出す。より広範なモデリング作業（メジャー、リレーションシップ、階層）については、代わりに power-bi-modeling を参照。
Reddit リサーチ偵察ツール。実際の Reddit ユーザーの議論から越境 EC の商品機会を掘り起こし、詳細な分析レポート（複数の具体的な課題 + ユーザーの発言引用 + 商品仕様の提案 + データに基づく機会スコア）を生成する。Reddit API Key は不要で、Chrome cookies 経由でアクセスする。3 つのモード：広範/ターゲット/週報。ワンクリックで結果を飛書ドキュメント + 多次元テーブルに自動プッシュできる。ユーザーが「商品リサーチ分析を実行」「商品機会を探す」「Reddit 商品リサーチ」「リサーチレポート」「週報」を求めたときにトリガーされる。
データウェアハウステーブルまたはマテリアライズドビューから個人またはグループのプロパティを設定し、ウェアハウスの列をフィーチャーフラグ、コホート、インサイトで使えるプロパティにします。「Postgres の列を個人プロパティに同期したい」、「ウェアハウステーブルをユーザーにマッピングしたい」、「毎日の identify cron を置き換えたい」、「ウェアハウスから個人プロパティを更新したい」とユーザーが求めたとき、または PostHog へのリバース ETL を求めたときに使用します。テーブルと識別子列の選定、1 回の呼び出しでテーブル全体の列マッピングを提案すること、ID プロパティと予約プロパティの除外、既存プロパティとの衝突の確認、最初のバックフィルの実行を扱います。
SQL Server と Azure SQL Database。T-SQL、インデックス、ストアドプロシージャ、パフォーマンス最適化パターンを扱う。使用場面：ユーザーが "SQL Server"、"T-SQL"、"MSSQL"、"Azure SQL"、"SQL Server indexes"、"stored procedures"、"SQL Server performance" に言及するとき。使用しない場面：PostgreSQL——`postgresql` を使用；MySQL——`mysql` を使用；MongoDB——`mongodb` を使用
Web アナリティクスチーム向けにパスクリーニングルールを提案する自動 AI ヘルスチェックを実行し、その内容を推論する。チームまたはコホート向けのパスクリーニング提案の生成、提案チェックの実行、AI 提案ルールのレビュー/適用、path_cleaning_suggestions のヘルス問題の調査、提案パイプラインの拡張を求められたときに使用する。suggest_path_cleaning_rules 管理コマンド、path_cleaning_suggestions ヘルスチェック、コホートゲーティング（チームの事前計算）、および保存前に提案が実際のパスに対して検証される方法を扱う。ルールを手動で作成または直接適用する場合は、代わりに managing-path-cleaning-rules を使用する。
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。