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
WeChat 公式アカウントの記事を取得してエクスポートします。mp.weixin.qq.com のログイン状態の取得と更新を自動で処理し、公式アカウントによる検索、記事一覧と本文の取得、日付ウィンドウによる Markdown / JSON / CSV へのエクスポートに対応します。ユーザーが WeChat 公式アカウントをクロールしたい、最近の記事をエクスポートしたい場合、または "wcx"、"微信公众号"、"公众号文章"、"mp.weixin"、"抓公众号"、"crawl wechat official account"、"wxmp"、"最近十天的文章" に言及したときにトリガーします。
モンテカルロシミュレーションまたはポアソン二項近似により、一対一のカテゴリ対決で P(カテゴリ N 個のうち少なくとも K 個に勝つ) を計算します。領域非依存 —— H2H Categories スコアリングを用いるあらゆるファンタジースポーツ（MLB、NBA、NHL）や、カテゴリごとのゼロサム競争に利用できます。matchup_win_probability、per_cat_win_probability、expected_cats_won、variance_estimate が必要なとき、またはユーザーが "matchup win probability"、"head to head simulation"、"Monte Carlo matchup"、"Poisson binomial matchup"、"P win 6 of 10"、"category matchup simulation"、"weekly win probability" に言及したときに使用します。
Classification Learner または Regression Learner を使用して機械学習モデルの訓練、比較、エクスポートを行いたい場合に使用する —— アプリの起動、データの読み込み、モデルの訓練、指標の評価、結果の比較、プロットの可視化、ホールドアウトデータでのテスト、モデルの解釈可能性の探索、訓練済みモデルのエクスポートを含む。AppController を介した Classification Learner および Regression Learner アプリへのプログラムによるアクセス。
mdtraj による分子動力学トラジェクトリ解析（Python）。DCD/XTC/TRR/NetCDF/H5/PDB のトポロジーとトラジェクトリを読み込み、時間に対する RMSD、回転半径、残基ごとの RMSF、残基間コンタクト頻度マップ、Ramachandran プロット用の phi/psi 二面角（一般 + Gly/Pro）、8 状態 DSSP 二次構造を計算する。モジュール：トラジェクトリ I/O、ジオメトリ（距離/角度/二面角）、構造解析（RMSD/Rg/RMSF/SASA）、コンタクト、水素結合、二次構造（DSSP）、NMR 観測量。より広範な原子選択文法には mdanalysis-trajectory を、MD シミュレーションの実行には OpenMM/GROMACS を使用。
任意の ML コードベース — 実験トラッキングがまったくないものや MLflow 2 時代のイディオムだらけのものも含む — を、dev/staging/prod 環境、registry ベースの昇格、サービングされるモデルを備えた本番グレードのオープンソース MLflow 3 構成へと導くガイド付きワークフロー。MLflow 3 の経験がまったくない開発者とともに 7 つのフェーズを進める — コードベースの評価（スクリプトによる読み取り専用監査）、registry ドメインのモデリング（環境ごとのモデル名、エイリアス、ゲート）、環境ごとのトラッキング構築、トレーニングコードの MLflow 3 イディオムへの再構成、評価ゲート付き昇格の接続、サービングとスモークテスト、そして継続的な MLOps ループの運用。MLflow のセットアップ、MLflow 3 への移行、モデルのトレーニングとサービングの本番化、dev/staging/prod の MLOps サイクルの設計を求められたときに使用。すべての API 判断について姉妹の mlflow-3 ルールパックと組み合わせる。
コレクションのスキーマ情報とサンプルドキュメントを踏まえ、自然言語から読み取り専用の MongoDB クエリ（find）または集計パイプラインを生成します。MongoDB クエリの作成や生成、MongoDB データのフィルタリング・クエリ・集計、「どうクエリすればよいか」といった質問、クエリ構文の支援、MongoDB ドキュメントの検索・フィルタリング・グループ化についての相談に使用します。SQL のようなリクエストを MongoDB 構文に変換する場合にも使用します。Atlas Search（$search 演算子）、ベクトル／セマンティック検索（$vectorSearch 演算子）、あいまい一致、オートコンプリートインデックス、関連性スコアリングには対応しません（search-and-ai を使用）。既存クエリの分析や最適化には対応しません（mongodb-query-optimizer を使用）。書き込み操作を含む集計パイプラインには対応しません。MongoDB MCP サーバーが必要です。
MongoDB のクエリ最適化とインデックス作成を支援します。ユーザーが最適化やパフォーマンスについて尋ねた場合のみ使用してください:「このクエリをどう最適化しますか?」「どうインデックス付けしますか?」「なぜこのクエリが遅いのですか?」「遅いクエリを直してもらえますか?」「クラスタ上有哪些哪些遅いクエリがありますか?」など。パフォーマンスやインデックスの支援を求められていない限り、一般的な MongoDB のクエリ作成には使用しないでください。最適化戦略としてはインデックス作成を優先します。利用可能な場合は MongoDB MCP を使用します。
Cloudflare Workers/Edge 向けに Neon または Vercel Postgres でサーバーレス Postgres をセットアップする。コネクションプーリング、プレビュー環境向けの git ライクなブランチ、Drizzle/Prisma 連携を含む。次の場合に使用：エッジの Postgres のセットアップ、データベースブランチの設定、または「TCP not supported」、コネクションプールの枯渇、SSL 設定（sslmode=require）、Prisma のエッジ互換性のトラブルシューティング。
ユーザーがネットワークフローを最適化したい、最小費用流問題を解きたい、またはフローネットワークを設計したいときに使用する。ユーザーが "min cost flow"、"maximum flow"、"network flow problem"、"transportation problem"、"transshipment problem"、"multi-commodity flow"、"supply chain flow optimization"、"network capacity planning" に言及したときにも使用する。施設立地については facility-location-problem を参照。配送ネットワークについては distribution-center-network を参照。
ターミナルまたはスクリプトから ul cloud コマンドライン（ul cloud RESOURCE OPERATION key=value、PyPI パッケージ ultralytics-platform）で Ultralytics Platform を操作するときに使用——プロジェクト、データセット、モデルの一覧表示・作成・更新・クローン・移動；データセット画像、統計、メタデータ、重複、類似画像の検査；クラウドトレーニング実行の開始と監視；画像ごとのモデル検証分析；重みのダウンロード；エクスポート、デプロイ、アップロード、ゴミ箱と復元、ストレージ統合、アカウントの使用量・ストレージ・請求；および Agent（YOLO、LLM、ゲート、アラートのワークフロー）の構築。Platform の Web UI やローカルの yolo コマンドについては yolo を参照；何をトレーニングしどう改善するかの選択については yolo-training と yolo-tuning を参照。
ローカルの Chrome 閲覧履歴を照会する — 検索、トピッククラスター(Chrome 自体の Journeys)、時間/生産性レポート、セッションタイムライン、ダウンロード、行動プロファイル — すべて読み取り専用でデバイス上で実行。トリガーフレーズ:`what have I been browsing`、`search my chrome history`、`what was that page I saw`、`my browsing journeys / topics`、`what did I download in chrome`、`what sites do I visit most`、`my browsing time report`、`my browsing profile`、`what was I researching last week`、`use chrome-history`、`run chrome-history-pp-cli`。
正しい Bright Data Python SDK コードを書くためのガイド。brightdata-sdk パッケージを使う、brightdata からインポートする、または Bright Data API と連携する Python コードを書く、変更する、デバッグする、レビューする際には常にこのスキルを使用する。ユーザーが Python で Bright Data を通じてウェブサイトのスクレイピング、Google/Bing 検索、データセットへのアクセス、ブラウザの自動化を求める場合に使用する。
オープンソースの Ray（2.57 に固定）上での LLM ワークロード — ray.serve.llm による OpenAI 互換のサービング（vLLM ベースの LLMConfig + build_openai_app）と、ray.data.llm によるバッチ推論（build_processor）。モデルが生成する古いデフォルト — アーカイブされた ray-llm リポジトリとその YAML 設定、素の Serve deployment 内で手書きした vLLM エンジン、削除された build_llm_processor という名前、非推奨のブール型 stage フラグ、トップレベルの LLMServer/LLMRouter インポート、自由形式のアクセラレータ文字列、LoRA アダプタごとに 1 つの deployment という設計 — を 2.57 のイディオム（stage 設定、手書きの PG ではなく placement_group_config、deployment_config による自動スケーリング、動的な LoRA 多重化、prefix-cache-affinity ルーティング、OpenAI エンドポイントの全体）で修正する。Ray 上で LLM サービングやバッチ推論を書く、レビューする、本番化するときに使用。古典的機械学習の Ray（Train/Tune/Data/Serve/クラスタ）は姉妹の ray skill にある。
ユーザーが強化学習をサプライチェーン問題に適用したい、最適方策を学習したい、または不確実性下の逐次意思決定を解きたいときに使用する。ユーザーが "reinforcement learning"、"Q-learning"、"deep Q-networks"、"policy gradient"、"actor-critic"、"RL for inventory"、"dynamic pricing with RL"、"warehouse robot control"、"sequential optimization" に言及したときにも使用する。予測については neural-networks-forecasting を参照。静的最適化については optimization-modeling を参照。
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。