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
NVIDIA ハードウェア上で科学計算向け Python を GPU で高速化し、結果が正しく、より速いことを検証します。CUDA/GPU の最適化、CPU がボトルネックとなる NumPy、SciPy、pandas、scikit-learn、NetworkX、scikit-image、ベクトル検索、画像処理、グラフ、シミュレーション、ファイル I/O のワークロード、CuPy、cuDF、cuML、cuGraph、cuVS、cuCIM、KvikIO、Warp、Newton、Numba-CUDA、RAFT に関する質問、プロファイリング、メモリ転送、カーネル、マルチ GPU のボトルネックに使用します。大規模なデータ並列 Python コードが遅く、GPU 高速化が有効そうな場合は、ユーザーが CUDA と明示していなくても使用します。
PBIR JSON の生成前に、Power BI レポートのレイアウト設計、グラフの種類の選択、ページ構成の計画、テーマの選択、データストーリーテリングの適用を行います。`power-bi-report-authoring` に渡す設計仕様書と公式標準の `Design Brief:` 契約（設計アイデンティティ、ページアーキタイプ、機械的な layout_contract）を作成します。Microsoft の `powerbi-report-cli` の `design` モード（トーン、シグネチャー、アーキタイプルーター、グラフ選択、色、タイポグラフィ、レイアウト、インタラクティビティ、アクセシビリティ、既存レポートの再設計、事前チェックリスト）を対象とします。レポートの設計、ダッシュボードレイアウトの計画、ビジュアライゼーションやグラフ種類の選択、テーマやパレットの選択、ナビゲーションの計画、既存レポートの再設計や評価、要件に基づく設計仕様書の作成を求められた場合に使用します。PBIR JSON の生成、レポート構造の検証、セマンティックモデルの構築には使用しないでください（`power-bi-report-authoring` / `power-bi-semantic-model` を使用）。
DICOM（Digital Imaging and Communications in Medicine）ファイルを扱うための Python ライブラリです。DICOM 形式の医用画像データの読み取り、書き込み、変更、医用画像（CT、MRI、X 線、超音波）からのピクセルデータ抽出、DICOM ファイルの匿名化、DICOM メタデータやタグの操作、DICOM 画像の他形式への変換、圧縮 DICOM データの処理、医用画像データセットの処理に使用します。医用画像解析、PACS システム、放射線診療ワークフロー、医療画像アプリケーションに関するタスクに適しています。
pymoo を使って Python で単一目的および多目的最適化問題を解きます。NSGA-II、NSGA-III、MOEA/D、SPEA2、RVEA、GA、DE、PSO を使用します。カスタム問題（Problem、ElementwiseProblem、FunctionalProblem）、制約処理、混合変数問題、ZDT/DTLZ/WFG ベンチマーク、遺伝的演算子、並列評価、パレートフロントの可視化、多基準意思決定を扱います。競合する目的間のパレート最適なトレードオフを見つける場合、制約付きまたは混合変数問題を定義して進化アルゴリズムを選ぶ場合、標準テスト問題でアルゴリズムを評価する場合、交叉または突然変異演算子をカスタマイズする場合、パレートフロントから解を選ぶ場合に使用します。勾配ベースまたは凸最適化のソルバーには向きません。
[非推奨] これは、MCP 経由で CloudBase リレーショナルデータベースを操作するエージェントに必要なドキュメントです。`queryMysqlDatabase`、`manageMysqlDatabase`、`queryPermissions`、`managePermissions` を用いた標準的な SQL 管理フローを定義し、MySQL のプロビジョニング、破棄フロー、非同期ステータス確認、安全なクエリ実行、スキーマの初期化、権限の更新を含みます。新しい環境では PostgreSQL を使用してください —— 代わりに postgresql-development スキルを参照してください。
代理店クライアント向けに、アウトバウンドへの返信（肯定的な反応、異議、返信途絶）を徹底的に調査し、既定の9セクション形式で構造化ページにまとめます。アウトリーチ返信の一群を共有して分析を求められた場合（「analyze these replies」「audit the replies」「what's wrong with our responses」「why are leads ghosting」「analyze positive responses」など）、Google Sheet／CSV／Notion テーブルへのリンクがある場合、または LinkedIn 自動化やコールドメールキャンペーンへの返信に言及された場合に使用します。Google Sheet、CSV、Notion テーブル、貼り付けたテキスト、アウトリーチプラットフォームの MCP など、あらゆるソースに対応します。必ず根本原因（ターゲティング／データの問題か、SDR／提案の問題か）を診断し、すべての返信を分類し、データから模範的な返信テンプレートを抽出して、9セクションの監査結果を作成します。単一指標のベンチマーク（「返信率は良いか」）には使用しません。その場合は outbound-analyst を使用します。
scikit-learn（sklearn）を使った Python の古典的機械学習を扱います。分類・回帰推定器、クラスタリングと次元削減、前処理、Pipeline と ColumnTransformer、交差検証、評価指標、GridSearchCV によるハイパーパラメーター調整を含みます。表形式またはテキストデータで分類器や回帰器を学習・比較する場合、データをクラスタリングしてクラスタ数を選ぶ場合、データリークのない前処理パイプラインを構築する場合、交差検証と評価指標でモデルを評価する場合、ハイパーパラメーターを調整する場合に使用します。ディープラーニングには向きません。専用のニューラルネットワークフレームワークを使用してください。
B2B サービス代理店向けに、既存の企業属性アカウントベース（CSV、Google Sheet、Notion DB、CRM エクスポート）を対象にシグナル調査を実行します。この ICP で探すシグナルを決め、最も低コストの情報源からアカウントごとに検出し、見つかった各シグナルの証拠 URL と日付を記録します。アカウントをスコアリングして熱度別に分類し、期限切れのシグナルには再スキャンのフラグを付け、情報源ごとの実際のシグナル検出状況を示すカバレッジレポートと、情報を補完したリストを返します。ユーザーが「знайди сигнали по базі」「прогони базу на сигнали」「ресерч сигналів」「signal research」「у нас є список компаній — хто зараз гарячий」「перескануй базу, сигнали вигоріли」「which accounts have a live trigger right now」「enrich this list with signals」と言う場合や、企業リストを渡して最初に連絡すべき相手を尋ねる場合に使用します。既存のベースが必要です。このスキルはリストを作成せず（data-research、niche-data-finder を使用）、シグナルライブラリも作成しません（`resources/signals-catalog.md` にあります）。アウトリーチ文案の作成も行いません。
STAC、プロバイダーの XML または JSON、オブジェクトストレージのプレフィックス、COG ファイルツリーから Tilebox のシーンカタログインジェスターを設計・実装します。新しいメタデータソースのオンボーディング、その正規 schema と collections の設計、レコードの STAC 1.1 セマンティクスへの正規化、Python または Go コンバーターの作成、Assets、Links、Storage、Authentication メッセージの構築、変換済みデータポイントの検証と取り込みを行うときに使用します。
複数のソースのデータを組み合わせてソフトウェアプロジェクトに費やした時間を分析・可視化する：WakaTime のコーディング時間、git コミットセッションの検出、Claude Code の使用状況、Codex CLI の使用状況、Cursor IDE の使用状況。インタラクティブな HTML ダッシュボード（ダークテーマ、Chart.js）と ASCII チャート付きの Markdown レポートの両方を生成する。ユーザーが以下を求めたときに使用する：作業時間の分析、プロジェクトに費やした時間の算出、作業時間レポートの生成、コーディング活動の可視化、プロジェクトの時間内訳の作成、日付範囲ごとの開発工数の要約。
Treg を通じてクリエイター自身の Instagram アカウントを監査します。必要に応じて Treg をインストールし、Instagram を接続して、プロフィール、直近 30〜50 件の Reels の実際の統計（再生数、リーチ、平均視聴時間、保存、シェア、コメント）、および過去 28 日間のアカウントリーチを取得します。自身の中央値を上回る投稿を特定し、最良・最悪の Reels の冒頭数秒を確認して、効果がある点、ない点、実施すべき 3 つの変更を video-agent/audit.md に記録します。「監査」「Instagram を監査して」「アカウントを分析して」「自分の統計」「Reels がうまくいかない理由」「自分のアカウントで効果があるもの」「ベストな Reels」「Instagram インサイト」「Instagram を接続して」などの依頼で使用します。
ユーザーが Web 3 Data Spaces (W3DS) または MetaState プロトタイプを基盤に構築する場合に使用します。post-platform の構築、eVault の統合、eVault GraphQL API（createMetaEnvelope、updateMetaEnvelope、removeMetaEnvelope、bulkCreateMetaEnvelopes、uploadFile、bindingDocument*）の呼び出し、Web3 Adapter の接続、/api/webhook 用 webhook コントローラーの作成、mapping.json ファイルの作成、wallet-sdk の使用、w3ds://auth または w3ds://sign フローの実装、Registry による W3ID / eName の解決、Ontology サービスの利用、新しい ontology の提案、Binding Documents の処理、w3ds://file URI の参照解決、eVault のプロビジョニング、公開鍵の同期、GitW3（W3DS 対応の Git forge）でのプラットフォームのホスティング（`.w3ds/platform.json`、プラットフォーム eName、バージョン eName、PPA 認証、デプロイ記録、既存アプリの移行、`w3ds-deployment-key.json`）、ローカル開発環境のデバッグ（Registry、Provisioner、eVault-core、Dev Sandbox、pnpm dev:core）を扱います。W3DS プラットフォーム上のデータの保存場所に関する設計判断（テーブル、エンティティ、モデル、フィールドの追加、ローカルにキャッシュする内容の決定、データベースと eVault のどちらに格納するかの判断）にも使用します。会社の署名委任（取締役、役職、委任と再委任を備える会社 eVault、会社を代表した署名、verifyDelegatedSignature / buildDelegatedSignRequest / buildGrantSignRequest）にも使用します。eVault、W3ID、eName、MetaEnvelope、Envelope、Ontology、Web3 Adapter、Awareness Protocol、Awareness-as-a-Service の説明を求められた場合にも使用します。
企業ドメインから、氏名が特定された意思決定者と検証済みの業務用メールアドレスを見つけます。または、既存の連絡先のメールアドレスを検索します。ドメインをキーにした人物検索ノードと、連絡先1件あたりの費用が明確な複数ソースのメール検索カスケードを使います。リストのエンリッチメント、連絡先やメールアドレスの検索、LinkedIn URL を使った調査、パターンを推測せずに検索率を高めるよう依頼された場合に使用します。トリガー：「заенрич」「знайди персон」「потрібні пошти」「find contacts」「who do we write to at these companies」。
クライアント向けの標準的な週次アウトリーチレポートを、ダッシュボードの羅列ではなく、独立したナラティブページとして作成します。正確な 7(+2) セクション形式を採用します。クライアントのアウトリーチプラットフォーム（LinkedIn の自動化ツールやメール送信ツール）からライブデータを取得し、既知のプラットフォーム上の注意点を適用して、すべての返信を根本原因とともに分類し、有望なリードとすぐに送信できる文案で締めくくります。次の語句で起動します：“weekly report”“outreach report”“analyse this week's results”“build the report from our template”。返信の一括フォレンジックだけを行う用途（reply-audit を使用）や、単一指標のベンチマークには使用しません（outbound-analyst を使用）。
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。