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 96,981 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
aipa CLI を使用して生の OHLCV 価格データを取得する。ユーザーが価格データ、ローソク足データ、OHLCV データ、過去の価格、株価、暗号資産価格、移動平均、出来高データ、または AI 分析なしの生の市場データを求めた場合は常にこのスキルを使用する。以下にも使用する: 好調銘柄、不調銘柄、有望株、値上がり率上位、値下がり率上位、市場の変動、価格変化 / 出来高 / 売買代金 / MA スコア / 資金フローによるティッカーのランキング（`aipa performers`）、出来高プロファイル、POC、コントロールポイント、バリューエリア、出来高によるサポート/レジスタンス、価格帯別出来高ヒストグラム（`aipa volume-profile`）。ファンダメンタルデータにも使用する: 企業情報、財務比率、PE、PB、ROE、NPL、CAR、ファンダメンタルランキングとスクリーニング（`aipa fundamentals info/ratios/rank/screen`）。ユーザーが利用可能なデータを確認したい、チャートを作成したい、自分で計算したい、スプレッドシート用の数値が欲しい場合にも使用する。ユーザーが "aipa" に言及していなくても、生の金融データ、ファンダメンタルデータ、市場ランキングのリクエストにはこのスキルをトリガーする。
aipa CLI を使用して、包括的な市場分析のためのマルチエージェント深掘りリサーチを行う。ユーザーが深掘りリサーチ、徹底的な市場分析、セクター全体の調査、包括的な銘柄比較、詳細な財務レポートを求めた場合にこのスキルを使用する。supervisor → 並列ワーカー → aggregator → reviewer のパイプラインを実行し、時間はかかるが単純な analyze より徹底した結果を生む。"research banking sector"、"deep dive into real estate stocks"、"comprehensive market overview" といったリクエストでトリガーされる。技術面のリサーチと併せてファンダメンタル面の文脈をユーザーが求める場合は、`aipa fundamentals` を通じてファンダメンタル分析（PE、ROE、NPL、CAR、財務比率）も取り込める。
ブラウザー自動化によって Power BI Service に Azure Cost Management App（Microsoft Corporation 提供）をインストールして接続する。ユーザーが Power BI で Azure Cost Management テンプレートアプリのインストール、デプロイ、接続、構成に言及した場合、またはコストの可視化のために Power BI を EA（Enterprise Agreement）の登録に接続したい場合にこのスキルを使用する。Cost Management App で "connect your data" と言及した場合、Power BI で EA コストデータを設定したい場合、登録番号を Power BI のコストレポートに紐付けたい場合にもトリガーする。
CARTO でテリトリー均衡とロケーション割り当てを組み合わせたテリトリープランニングのワークフローを構築します。ユーザーがテリトリー均衡、テリトリープランニング、営業テリトリー、サービスゾーン、作業量配分、均衡したテリトリー、ロケーション割り当て、施設配置、最適なロケーション、カバレッジの最大化、コストの最小化、移動距離の最小化、デポ配置、ハブ配置、倉庫立地、応答時間の最適化、需要カバレッジに言及したとき、またはエリアを均衡した地域に分割したり最適な施設立地を見つけたいときにトリガーします。
Compose および Compose Multiplatform アプリの repository、データソース、マッピングを担当します。DTO、domain、UiModel 間の境界、Ktor クライアントと bearer 認証、WebSocket、SSE、Room、DataStore、Paging 3、オフラインファースト、データ層のテストを扱います。repository、データソース、DTO、mapper、HttpClient、bearer token、WebSocket、SSE、Room DAO、マイグレーション、DataStore、PagingSource、RemoteMediator、オフラインキャッシュ、MockEngine テストの作成やレビューに使用します。ViewModel や UI の接続（compose-feature）、composable（compose-ui）、MVI 契約やエラー階層（compose-architecture）、Gradle モジュール（compose-project）、commonMain とプラットフォームの分割（compose-platform）には使用しないでください。
Gmail の履歴をローカルのフラットファイル形式ナレッジベース（~/.cortex/）にマイニングする。"run the cortex"、"mine emails"、"cortex run"、"cortex dry run"、"set up the cortex"、"cortex from DATE"、"mine my inbox" を求められたときに使用。連絡先、クライアント、通信履歴、ナレッジの事実情報をポータブルな JSONL/JSON ファイルに抽出する。gws CLI と ANTHROPIC_API_KEY が必要。
Electric の同期問題をトラブルシューティングする。CDN/プロキシのキャッシュキー設定ミスによるファストループ検出、古いキャッシュの診断（StaleCacheError）、CORS 設定ミスによる MissingHeadersError、409 shape 期限切れの処理、SSE プロキシバッファリング（nginx proxy_buffering off、Caddy flush_interval -1）、ローカル開発での HTTP/1.1 の 6 接続制限（Caddy HTTP/2 プロキシ）、レプリケーションスロットによる WAL 増加（max_slot_wal_keep_size）、Vercel CDN のキャッシュ問題、onError/バックオフの挙動を扱う。shape が更新を受信しない、同期が遅い、コンソールにエラーが表示されるときに読み込む。
Electric の shape リクエストを安全に転送するサーバーサイドプロキシを設定する。ELECTRIC_PROTOCOL_QUERY_PARAMS の転送、サーバーサイドの shape 定義（table、where、params）、content-encoding/content-length ヘッダーのクリーンアップ、electric-offset/electric-handle/electric-schema/electric-cursor ヘッダー用の CORS 設定、認証トークンの注入、Bun fetch の同時実行上限（BUN_CONFIG_MAX_HTTP_REQUESTS のデフォルトは 256）、ELECTRIC_SECRET/SOURCE_SECRET のサーバーサイド限定、WHERE の位置パラメータによるテナント分離、onError 401 でのトークン更新、サブセットのセキュリティ（AND セマンティクス）を扱う。プロキシルートの作成、認証の追加、Electric の CORS 設定を行うときに読み込む。
新機能のために Postgres スキーマと Electric の shape 定義を一緒に設計する。単一テーブルの shape 制約、複数の shape を使ったテーブル間結合、テナント分離のための WHERE 句の設計、帯域幅最適化のためのカラム選択、レプリカモードの選択（デフォルトか old_value 用の full か）、WHERE 句での enum キャスト、楽観的書き込みのための pg_current_xact_id() による txid ハンドシェイクの設定を扱う。Electric の shape で使用するデータベーステーブルを設計するときに読み込む。
PostHog MCP の意図クラスターを探索する —— 意味的類似性でグループ化されたエージェントの目標。各クラスターのツール分布とエラー率、さらにツール中心の視点（意図ごとのキャプチャ率、宣伝されているカタログに対する発見率、説明の適合度、ツールの重複）を含む。ユーザーが "what are agents trying to do with the MCP?"、"group the intents"、"which goals fail most?"、"what does each cluster route to?"、"when agents have this intent do they find my tool?"、"which tools get mixed up?" と尋ねたとき、クラスタリングを再計算したいとき、または MCP 分析の意図クラスタリング URL を貼り付けたときに使用する。
個々の PostHog MCP セッションを調査する —— 1 回の実行で 1 つのエージェントが行ったツール呼び出しの連続、それが何をしようとしていたか、どこで失敗したか。ユーザーが "what did this MCP session do?"、"show me the tool calls for session X"、"what was the agent's goal?"、"which sessions had errors?"、"who is connecting to my MCP?" と尋ねたとき、または MCP 分析のセッション URL を貼り付けたときに使用する。
MCP ツールの出発点となる分類体系（ユーザーがそのツールにたどり着く前に何を成し遂げようとしていたか）を構築し、PostHog notebook として公開します。各セッションの冒頭のツール呼び出しから目標を再構築し、それらの目標を名前付きカテゴリにクラスタリングして、規模、割合、ファセットの構成を示します。ユーザーが「なぜ人はこのツールを使うのか」、「ユーザーは実際に何をしようとしているのか」、「どんな問題が人をここに導くのか」、「これらのセッションはどこから始まるのか」、「<tool> の利用を目標別にセグメント化する」と尋ねたとき、または Clio スタイルの MCP 利用分類体系を求めたときに使用します。セッションがなぜ始まったかではなく、呼び出しごとにエージェントが何をしたかをグループ化する exploring-mcp-intent-clusters を補完します。このスキルを実行するエージェントは目標ラベルを自ら書き、コーパスクエリの出力をセッションごとに読みます。同梱のスクリプトは機械的なファセットを網羅しますが、目標の高度を明らかに損なうため、そのフィールドをスクリプトに委ねないでください。
PostHog MCP のツール呼び出しの品質を調査する —— エラー率、レイテンシ、到達範囲、どのツールが失敗しているか、または遅いか。ユーザーが "which MCP tool has the highest error rate?"、"what's the slowest tool?"、"which tools fail most often?"、"how reliable is tool X?" と尋ねたとき、ツール品質マトリックスを求めたとき、または MCP 分析のツール品質／ダッシュボード URL を貼り付けてその内容を尋ねたときに使用する。
Replay Vision スキャナーの観察結果を取得し、その所見を読み、それに基づいて行動するようエージェントを導く — セッションをまたいだパターンの要約、個々の録画への掘り下げ、実際に裏付けられた問題を PostHog のタスク、インサイト、または investigating-replay への引き継ぎに変換する。\nトリガーする場合：ユーザーが Replay Vision の観察結果を取得/閲覧/トリアージしたい、\"what has my scanner found\" と尋ねる、スキャナーの所見に基づいて行動または要約したい、観察結果をタスク/作業に変換したい、または /replay-vision/<scanner-id> URL を指す場合。\nトリガーしない場合：スキャナーの作成や規模設定（creating-replay-vision-scanners を使用）、分析しない単発スキャンの実行、signals scout の作成。
現代の tidyverse + 計量経済学 R エコシステムにおける古典的なエンドツーエンドの実証分析ワークフロー——dplyr + tidyr + haven + fixest + sandwich + lmtest + clubSandwich + AER + ivreg + did + bacondecomp + HonestDiD + eventstudyr + rdrobust + rddensity + Synth + gsynth + synthdid + MatchIt + WeightIt + cobalt + ebal + grf + DoubleML + mediation + marginaleffects + modelsummary + kableExtra + gt + ggplot2 + ggpubr + cowplot + binsreg。**デフォルトでは経済学の実証論文スタイル**（AER / QJE / AEJ）——実行するたびに出版可能な出力セットを生成し、多列の回帰表（M1→M6 で統制変数/固定効果を段階的に追加）を中心に、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 + トレンドの図を備える。応用経済学者が論文ごとに実行する完全な 8 ステップの R パイプラインを網羅する——（1）データの読み込みとクリーニング（read_dta/read_csv、naniar、janitor、validate-merges）、（2）変数の構築（mutate/across/winsorize/group_by + dplyr による lag/lead）、（3）記述統計と表 1（gtsummary、modelsummary::datasummary、tableone）、（4）古典的な診断検定（shapiro/jarque.bera.test/bptest/dwtest/bgtest/vif/adf.test/kpss.test/Hausman）、（5）ベースラインのモデリング（fixest::feols、ivreg、did::att_gt、eventstudyr、sun_ab、did_imputation、synthdid、rdrobust、MatchIt、WeightIt、grf::causal_forest、DoubleML、mediation）、（6）頑健性のバッテリー（modelsummary stack、clubSandwich CRSE、fwildclusterboot、ri2、robomit Oster、bacondecomp、HonestDiD）、（7）さらなる分析（交互作用項 + marginaleffects、mediation::mediate、lavaan による gsem、用量反応スプライン、grf CATE）、（8）出版可能な表と図（modelsummary、kableExtra、gt、stargazer、texreg、flextable で LaTeX/Word/HTML へ出力、図は ggplot2 + ggpubr + cowplot + binsreg + iplot）。**さらに、同じ 8 ステップの骨組みを共有する 2 つの並行する領域モードも扱う**——**モード A——疫学/公衆衛生**（`WeightIt` / `gfoRmula` / `tmle` / `ltmle` による対象試験エミュレーション、IPTW + g-formula + TMLE の二重頑健トリプレット、`MendelianRandomization` / `TwoSampleMR` / `MRPRESSO` によるメンデルランダム化、`survival` / `survminer` / `flexsurv` による KM / Cox / AFT / RMST 生存分析、`EValue` による E-value 感度分析、主層化——STROBE / TRIPOD 報告）、および**モード B——機械学習による因果推論**（`DoubleML` による DML、`causalweight` / `grf` による S/T/X/R/DR メタ学習器、`grf::causal_forest` による因果フォレスト、`bartCause` / `bcf` による BART/BCF、`MCPanel` による行列補完、`policytree` による CATE 分布 + 方策木、オフポリシー評価、`conformalInference` / `cfcausal` による共形因果、`fairmodels` による公平性監査、`pcalg` / `bnlearn` / LLM 支援による DAG 学習）。ユーザーが完全な R 実証分析を求め、tidyverse スタイルの再現可能な R スクリプト / Quarto ワークフローを望み、reghdfe より fixest を好み、StatsPAI / 00.1 / 00.2 の R 版を必要とし、または特定の R ステップを単独で挙げた場合（「feols with cluster」「MatchIt nearest neighbor」「bacondecomp in R」「gtsummary table 1」「modelsummary to Word」）に使用する。モード A は「target trial emulation R」「tmle ltmle」「MendelianRandomization」「TwoSampleMR」「MRPRESSO」「survival cox AFT」「STROBE R」「EValue R」「公共健康 R」「流行病学 R」で起動する。モード B は「DoubleML R」「grf causal forest」「policytree」「bartCause bcf」「conformal causal R」「fairmodels」「pcalg NOTEARS」「因果機械学習 R」で起動する。
Gemini embeddings API（gemini-embedding-001）で RAG システム、セマンティック検索、ドキュメントクラスタリングを構築する。ベクトル検索用に 768-3072 次元の埋め込みを生成し、Cloudflare Vectorize と統合し、8 種類のタスクタイプ（RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT、SEMANTIC_SIMILARITY）を使って検索を最適化する。用途：Google の埋め込みによるベクトル検索の実装、検索拡張生成システムの構築、セマンティック検索機能の作成、意味によるドキュメントのクラスタリング、埋め込みと Cloudflare Vectorize の統合、次元サイズの最適化（128-3072）、次元不一致エラー、タスクタイプの選択ミス、レート制限の問題（無料枠 100 RPM）、ベクトル正規化の誤り、テキスト切り捨てエラー（2,048 token 上限）のトラブルシューティング。
kibana-cli コマンドラインを使って、Kibana 経由で Elasticsearch のアプリケーションログを検索、読み取り、集計します。サービス、レベル、trace id、テキスト、または期間内のフィールド値によるログ検索、ログドキュメント全体の表示、サービス別またはレベル別のエラー数、時系列の件数、Kibana のデータビュー、インデックスフィールド、ダッシュボード、保存済み検索に対応します。Kibana または ELK のログ、サービスのエラーや例外、trace id や request id、事象の発生頻度、既存のインデックスやフィールドについて尋ねられた場合に使用します。Kibana や Elasticsearch の変更（読み取りのみ）、メトリクスや APM ダッシュボード、ローカルディスク上のログファイルには使用しません。
streamlit-apps MCP ツールを介して PostHog で Streamlit アプリを作成、デプロイ、運用する — アプリの作成、ソースの設定、コードの読み取りとパッチ、サンドボックスの起動と停止、ステータスのポーリング、バージョンの一覧表示、削除、PostHog URL を介したユーザーとのアプリ共有。"create a streamlit app"、"deploy a data app"、"ship a dashboard app"、"restart/stop my app"、"why is my app not running"、"give me a link to the app" と求められた場合に使用。
エンドツーエンドの Metabase BI 開発：ダッシュボード、質問（カード）、スニペット、コレクションをコードとして（ダッシュボードを YAML + SQL ファイルとして保持し pull/diff/push する）設計・構築・管理する。構築結果を確認できるようチャートとダッシュボードの画像および PDF を提供し、アラートとメール/Slack 購読、変更履歴とリバート、ブラウザーサインインにも対応する。ユーザーが metabase、ダッシュボード作成、BI ダッシュボード、分析ダッシュボード、metabase question、metabase card、MBQL クエリ、ネイティブ SQL の質問、metabase snippet、metabase collection、可視化設定、ダッシュボードフィルター、パラメーターマッピング、ダッシュボードのスクリーンショット/PDF、ダッシュボード購読、metabase アラートに言及したとき、または Metabase のコンテンツを作成/編集/管理したいときは常にこのスキルを使用する。SQL データベースを基盤とするレポーティングダッシュボード、KPI スコアカード、データ探索ツールを構築したい場合にも使用する。チャートの書式、数値の書式、条件付き書式、ダッシュボードのレイアウト、および要件 → 設計 → SQL → 構築 → 目視確認 → テスト → 共有というライフサイクル全体を網羅する。複数の Metabase インスタンスで動作する。Metabase 関連のあらゆるタスクで常にこのスキルを使用する。
ユーザーが ML システムの本番化、追跡、バージョン管理、ガバナンス、監視、自動化を求めたときに使用するスキル。以下の場合に積極的に有効化する：(1) MLflow、Weights & Biases、Neptune、Comet、ClearML による実験追跡、(2) モデルレジストリ、モデルのバージョン管理、アーティファクトの系譜、再現性、(3) Kubeflow、SageMaker Pipelines、Vertex AI Pipelines、Azure ML pipelines、Databricks workflows、(4) CI/CD、継続的なトレーニング/評価、A/B テスト、カナリア/シャドウデプロイ、(5) ドリフト検出、モデル監視、データ検証、責任ある AI ガバナンス。提供内容：エンドツーエンドの MLOps アーキテクチャと運用上の安全策。
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。