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
RevOS MCP サーバーを通じて、指標カードで構成された RevOS ダッシュボードを読み取り、作成、修正します。カードは 1 つの指標（数値の測定値）を表し、セグメントの行またはカード独自の条件で集計し、必要に応じてディメンション別に分割します。ユーザーがダッシュボードの内容を確認したい場合（「営業ダッシュボードには何がある？」「パイプラインカードには何が表示される？」）、指標や KPI を追加したい場合（「未決パイプラインをボードに追加」「ステージ別売上をドーナツグラフに」）、カードの変更、並べ替え、移動、削除、ダッシュボードの作成、名前変更、削除をしたい場合、またはカードが「利用不可」と表示される理由や数値が不自然な理由を尋ねる場合に使用します。「ダッシュボード」や「カード」と言っていなくても対象です。`dashboards` または `dashboard-cards` に対して最初の api_write または api_delete を行う前に読み込んでください。
チャート選択、色彩理論、注釈のベストプラクティスを扱うデータ可視化。チャートタイプ（棒、折れ線、散布図、ヒートマップ）、軸のルール、データによるストーリーテリングを網羅します。用途：チャート、グラフ、ダッシュボード、レポート、プレゼンテーション、インフォグラフィック、データストーリー。トリガー: data visualization、chart、graph、data chart、bar chart、line chart、scatter plot、data viz、visualization、dashboard chart、infographic data、data presentation、chart design、plot、heatmap、pie chart alternative
DataLad と git-annex で科学データセットを取得、バージョン管理、公開し、datalad run、rerun、containers-run で計算の来歴を記録します。OpenNeuro、DANDI、datasets.datalad.org、または任意の DataLad データセットのクローンやデータ取得、データセット内のファイルが実データではなく壊れたシンボリックリンクや小さなポインターとして表示される場合、各出力の生成方法を再実行可能な形で記録する必要がある分析、または GitHub リポジトリとストレージリモートなどの複数の送信先にデータセットを公開する場合に使用します。データを含むリポジトリに DataLad と通常の Git のどちらを使うか判断する際にも使用します。
DFlow 上の既知の Kalshi 予測市場の市場データを読み取ります。オーダーブック、約定、最良気配値、ローソク足、予測パーセンタイル履歴、Kalshi の試合中ライブデータを、ワンショットの REST スナップショット、過去の範囲、またはライブ WebSocket ストリームで取得します。ユーザーが "show me the orderbook for X"、"get last hour of trades"、"build a live price ticker"、"stream orderbook depth"、"pull 1-minute candles for the last day"、"watch in-game scores for this sports market"、"alert me when the orderbook moves" と求める場合に使用します。条件に合う市場の検出（`dflow-kalshi-market-scanner` を使用）、注文の発注（`dflow-kalshi-trading` を使用）、ユーザー自身のポジション/P&L の読み取り（`dflow-kalshi-portfolio` を使用）には使用しないでください。
kit、seed、validators、Effect ドライバーを用いて Drizzle ORM 1.0 RC（0.x ではない）を構築、レビュー、デバッグ、設定、移行、指導、計画します。drizzle-orm@rc、drizzle-kit@rc、drizzle-seed@rc、defineRelations RQBv2、pgTable/mysqlTable/sqliteTable、generate migrate push pull studio、drizzle-orm/zod|valibot|typebox|arktype|effect-schema、Effect 4 上の drizzle-orm/effect-postgres およびその他の effect-* ドライバー、kit --output json/--hints/drizzle-kit/cli SDK、codecs、snakeCase、InferSelectModel、0.x から 1.0 へのアップグレードに使用します。
DUV Ultramarathon Statistics データベース（statistik.d-u-v.org、1,000 万件以上の結果、240 万人以上のランナー、11 万 5,000 件以上の大会）のデータを検索、取得、分析します。ユーザーがウルトラマラソンの結果、ランナー、レース、ランキングについて尋ねたときに使用します。対象は、国別・大陸別・年代別の記録とその推移、自己ベスト、レース結果とコース記録、レースの履歴と優勝者、レースカレンダー、IAU 選手権のメダリスト、直接比較、生涯または年間のウルトラ走行距離、最年長完走者、総合優勝した女性、ドーピング事例です。例：「ハンガリーの 100 km 記録」「Spartathlon 2024 の結果」「2024 年の 24 時間走女子上位」「Ultrabalaton のコース記録」「2025 年に最も多く走った人」「ランナー A と B の比較」。ハンガリー語の「országos csúcs」「magyar rekord」「pályacsúcs」「ultrafutó eredmények」「ki futott a legtöbbet」「VB-érmesek」にも対応します。Garmin/Strava のトレーニングデータや ITRA のトレイルスコアには使用しません。
libredwg をソースからコンパイルし、DWG を DXF に変換し、すべてのエンティティ種別（測量点、ユーティリティ構造物、等高線、地番境界、施工キーノート、造成データ）を解析することで、AutoCAD DWG ファイルから建設インテリジェンスを抽出します。ユーザーが .dwg ファイルをアップロードまたは参照したとき、AutoCAD 図面、Civil 3D ファイル、DWG 形式の造成計画や敷地計画に言及したとき、または CAD ファイルからデータを抽出したいときに、このスキルを使用してください。.dwg ファイルを含むプロジェクト文書を処理するとき、またはユーザーが「DWG を読んで」「CAD から抽出して」「図面ファイルを解析して」「土木図面を処理して」「DWG の中身は」「図面から測量点を」「CAD のユーティリティデータを」と言ったときにもトリガーされます。このスキルは、バイナリ DWG から構造化 JSON データまでのパイプライン全体を処理します。
ローカルの科学的な CSV、TXT、XLS、XLSX データを分析し、公開を意識したグラフと中国の科学向けパレットを提案し、再現可能な計画を確定し、物理的な Windows 10/11 x64 上で呼び出し可能なローカル Origin/OriginPro インストールを通じて編集可能な図を自動生成する。初心者向けの「ファイルを入れるだけで描画」という要望、XPS、XRD、XAS、PL/TRPL、DSC、NMR、FTIR/IR、UV-Vis、電気化学、医療/AI エビデンス、分布、関係、エラーバー、棒、積み上げ、円、Sankey、レーダー、ヒートマップ、または検証済みの 3D ワークフロー、プロジェクトローカルの Python セットアップ、パレット選択、OPJU/PNG/PDF/TIF の検証に使用する。macOS、Linux、WSL、Wine/CrossOver、Parallels、その他の VM では使用しないこと。Origin のインストールや変更、参照画像の再配布、検証されていない Origin 経路の主張にも使用しないこと。
学術研究向けの実験実行者およびモニター。コード実験（ML トレーニング、統計分析、ETL、シミュレーション）と人間研究（アンケート、フィールド研究、インタビュー）を扱う 2 エージェントシステム。4 つのモード：run（コードの実行 + 監視）、manage（人間研究の追跡）、validate（統計的解釈 + 再現性の検証）、plan（ソクラテス式の実験設計）。研究者が研究実験を実行・監視したい、被験者研究を管理・再開したい、研究結果の統計や再現性を確認したい、実験や研究を設計したいときに使用する。英語または中国語に対応（例：跑實驗、管理研究、驗證結果、規劃實驗）。
Spring Boot アプリケーション向けの Flyway データベースマイグレーション。マイグレーションスクリプト、バージョン管理、コールバック、ロールバック戦略を扱う。castellino および gestionale-presenze プロジェクトの本番パターンに基づく。使用場面：ユーザーが "flyway"、"database versioning"、"Java migrations"、"Spring Boot migrations"、"V1__"、"migration checksum" に言及した場合。使用しない：一般的なマイグレーション戦略 — 代わりに `migrations` を使用、Liquibase — 専用のツールスキルを使用、Prisma/TypeORM — それぞれのスキルを使用。
Excel/スプレッドシート形式で、稼働指標、評価倍率、統計ベンチマークを用いた機関投資家水準の類似企業分析を構築します。**特に向いている場面：** - 上場企業の評価（M&A、投資分析） - 業界平均との業績ベンチマーク - IPO や資金調達ラウンドの価格設定 - 評価の異値（割高・割安）の特定 - 投資委員会向け資料の準備 - セクター概況レポートの作成 **向いていない場面：** - 比較できる上場企業がない非公開企業 - 事業が大幅に分散したコング Bioinformatics - 経営難・破綻中の企業 - 収益計上前のスタートアップ - 独自ビジネスモデルの企業
ゲノム区間の座標規約を変換し、バリアント表現を正規化して比較し、解析に影響が出る前にアセンブリやコンティグ名の不一致を検出します。座標が形式、ツール、アセンブリ間をまたぐ場合に使用します。BED、GFF/GTF、VCF、SAM/BAM、WIG、PSL、genePred、Picard interval_list、領域文字列間の変換、0-based 半開区間と 1-based 閉区間の調整、indel の左寄せやトリミング、2 つのバリアントレコードが同じ変化を表すかの確認、ゲノム位置から転写産物・CDS・タンパク質位置へのマッピング、BED/GTF/VCF の規約違反の監査、GRCh37・hg19・GRCh38・T2T、chr 接頭辞、liftover の問題の診断に対応します。「off by one」「0-based」「1-based」「half-open」「coordinate system」「left-align」「normalize variant」「bcftools norm」「chr prefix」「wrong genome build」「liftover」「REF mismatch」「HGVS」などが手掛かりです。
リモートセンシング、GIS、空間分析、地球観測のための機械学習、30 以上の科学領域を網羅する包括的な地理空間科学スキル。衛星画像処理（Sentinel、Landsat、MODIS、SAR、ハイパースペクトル）、ベクターおよびラスターデータ操作、空間統計、点群処理、ネットワーク分析、クラウドネイティブなワークフロー（STAC、COG、Planetary Computer）、8 つのプログラミング言語（Python、R、Julia、JavaScript、C++、Java、Go、Rust）と 500 以上のコード例をサポートします。リモートセンシングのワークフロー、GIS 分析、空間 ML、地球観測データ処理、地形分析、水文モデリング、海洋空間分析、大気科学、その他あらゆる地理空間計算タスクに使用します。
このスキルは、Google Maps の検索結果からビジネスデータを自動的に抽出するために設計されている。ユーザーが次のようなリクエストをした場合、エージェントはこのスキルを積極的に適用する：特定の都市のカフェを検索する、近くの歯科医院や医療クリニックを探す、あるエリアの競合の所在地を追跡する、Google Maps のリストからビジネスリードを抽出する、市場調査のためにレストランのデータを収集する、ある地域のホテルや宿泊施設を探す、コワーキングスペースやジムなどの特定のサービスを特定する、近隣の新規開業を監視する、営業開拓のために連絡先情報と住所を収集する、地元飲食店の価格帯と料理ジャンルを分析する、一連のビジネスの評価とレビュー数を取得する、地元ビジネスのデータを CRM やデータベースにエクスポートする。
構造方程式モデリング（SEM）を適用し、測定モデル（CFA）と構造モデル（パス解析）を組み合わせて仮説上の因果構造を検証する。ユーザーが潜在構成概念を妥当性確認し、媒介または調整のパスを検証し、CFI/TLI/RMSEA/SRMR でモデル適合度を評価する必要があるとき、または 'do these variables form a causal chain'、'how do I test my theoretical model'、'is my measurement model valid' と尋ねたときにこのスキルを使用する。
Apache ECharts v6 を使用してデータ可視化チャート（棒、折れ線、面、円、ドーナツ、散布、レーダー、ツリーマップ）を PNG で生成します。デフォルト 1080×1080px、5 つのスタイルプリセット、ハイライト注釈。ユーザーが「create a chart」「visualize data」「make a bar chart」「line graph」「pie chart」「data visualization」「chart this data」「plot」「graph」「visualize these numbers」と言ったときにトリガーします。
ユーザーが Online レポート、SQL レポート、データレポートの作成／編集／照会を依頼したとき、または "创建报表"、"生成报表"、"新建报表"、"查询报表"、"online报表"、"SQL报表"、"数据报表"、"统计报表"、"create report"、"generate report"、"data report" と言ったときに使用する。ユーザーが "做一个销售统计报表" のようにレポート要件を説明したとき、JeecgBoot の cgreport/online report に言及したとき、または "查看现有报表" / "列出所有报表" と言ったときにも発火する。この skill は Online 报表（SQL 駆動のデータ表示／レポート）を扱い、Online フォーム（cgform）やデザイナーフォーム（desform）は扱わない。
`confluent-kafka-python` を使って、本番運用可能な Python の Kafka プロデューサーとコンシューマーを、Schema Registry、グレースフルシャットダウン、冪等プロデューサー、テスト、完全なプロジェクト構成とともにスキャフォールドする。ユーザーに尋ねる前に、接続済みの任意の Kafka MCP サーバー（Lenses MCP、Confluent の MCP、Aiven のもの、カスタム）を通じて、対象 topic、パーティション数、登録済みの JSON Schema をライブクラスタから直接検出する。ユーザーが「Python の Kafka コンシューマーを構築して」、「Python で Kafka クライアントをスキャフォールドして」、「自分の Python サービスに Kafka を追加して」、「Python で `<topic>` から消費して」、「Kafka プロデューサーを書いて」と言うときに使用する。Kafka Connect コネクタ、スキーマ進化のレビュー、非 Python クライアントには使用しない。
ユーザーが MySQL DDL、CREATE TABLE 文、テーブル構造のスクリーンショットを提供した場合、または Kysely のデータベース型、DB インターフェース、Insertable / Updateable 型、バルクインサート、バルク更新、upsert、query/modify メソッドの補完を求めた場合にこの skill を使用します。重点は DDL を本リポジトリの Kysely 型と対応する service メソッドへ正確に変換することであり、ToGenerated、null/default の判定、camelCase/snake_case のマッピングでの誤りを避けます。
LinkedIn の GDPR データエクスポートを解析、検索、分析し、構造化 JSON または RLAMA に取り込んでセマンティック検索を行います。メッセージ、つながり、プロフィールデータ、Markdown エクスポートを対象とします。LinkedIn の GDPR ZIP ファイルが必要です。'LinkedIn data'、'search messages'、'analyze connections'、'LinkedIn export'、'GDPR download' でトリガーされます。
PyTorch、ONNX、または Keras 3 / TensorFlow 2.16+ の深層学習モデルを dlnetwork オブジェクトとして MATLAB にインポートする。.pt2 でエクスポートしたプログラム、トレース済みの .pt ファイル、.onnx モデル、または matlabsaver 経由の Keras 3 モデルをインポートする場合に使用する。importNetworkFromPyTorch、importNetworkFromONNX、importNetworkFromKeras、importNetworkFromTensorFlow、torch.export.export、PyTorchInputSizes、InputDataFormats、matlabsaver、tf_keras のダウングレード、PyTorch または ONNX Runtime に対する数値検証、プレースホルダー/カスタム層の実装を扱う。ユーザーがこれらの関数やファイル形式に言及した場合、またはインポートエラー、未対応オペレーターの警告、学習可能パラメーターが 0 個、未初期化のネットワークに遭遇した場合に適用する。
MPyReq を使用して、GitHub リポジトリまたは pip でインストール可能なパッケージの Python 画像処理・コンピュータービジョンモデルに接続する MATLAB インターフェースを作成します。MATLAB と Python の CV／画像モデル（セグメンテーション、深度推定、物体検出、画像生成、超解像など）の接続、画像／ビジョンモデルの GitHub リポジトリ URL が提示された場合、または深層学習ビジョンパイプライン用の MPyReq デモ作成を求められた場合に利用します。汎用的な Python-MATLAB 接続、非ビジョンモデル（NLP、表形式データ、音声）、モデルのデプロイ／サービング、MATLAB のみを使う画像処理ワークフローには使用しないでください。
ocr() 関数を使用して MATLAB で OCR パイプラインを構築する。ユーザーが画像、ドキュメント、標識、メーター、ディスプレイ、ナンバープレート、ゲージ、レシート、7 セグメントディスプレイからテキストを読み取りたいときにこのスキルを使用する。画像前処理、テキスト検出（CRAFT、MSER）、ROI ベースの認識、多言語 OCR、カスタムモデルトレーニングを扱う。使用時：OCR、テキスト認識、画像からテキストを抽出、文字認識、ドキュメントスキャン、メーター読み取り、ゲージ読み取り、レシートスキャン、写真からテキストをデジタル化。
RevOS MCP サーバーを通じて RevOS の指標を検索・確認します。指標とは、アプリの「指標」ページに掲載される組織のセマンティックモデルの測定値です。存在する指標、各指標が集計する内容と形式、使用しているテーブル、セグメント、ダッシュボードカード、そして現在の値を確認します。値はセグメントまたはいくつかの条件で集計し、必要に応じてディメンション別に分割できます。「どんな指標がある？」「勝率／ARR／未決パイプラインの指標はある？」「この指標はどこで使われている？」「EMEA セグメントの未決パイプラインはいくら？」「ステージ別の取引額は？」と尋ねる場合や、ダッシュボードカードと同じ方法で指標の値を確認したい場合に使用します。「指標」と言っていなくても対象です。指標をダッシュボードに追加する場合は dashboards 機能を使用してください。この機能を基盤として構築されています。
Yahoo Fantasy Baseball 2K25 リーグ向けに、単一の MLB 選手（打者または投手）を詳細分析する。FanGraphs（ATC 予測）、Baseball Savant（xwOBA/xBA/xERA）、MLB.com（打順、予告先発）、RotoWire（天気、怪我）、RotoBaller（クローザーの層の厚さ）をウェブ検索し、シグナルフレームワークで定義された構造化選手シグナル一式を生成する。打者には form_score、matchup_score、opportunity_score、daily_quality、regression_index、obp_contribution、sb_opportunity、role_certainty を、投手には qs_probability、k_ceiling、era_whip_risk、streamability_score、two_start_bonus、save_role_certainty を出力する。選手を分析する、daily_quality を計算する、回帰指数を計算する、選手シグナルを生成する、打者分析を実行する、投手分析を実行する、またはラインナップオプティマイザーの先発/ベンチ入力を作成する必要があるときに使用する。
MLflow で機械学習実験を追跡し、モデルのライフサイクルを管理します。mlflow.log_param、log_metric、log_artifact、scikit-learn、PyTorch Lightning、XGBoost、HuggingFace Transformers の自動ログ記録、バージョンとステージ遷移を備えた Model Registry、実行検索、ローカルまたはクラウドでのモデルサービングを扱います。学習実行のパラメーター・メトリクス・アーティファクトの記録、実験間の実行結果の比較、モデルバージョンの登録と Staging から Production への昇格、推論用の記録済みモデルのサービング、MLflow プロジェクトからの実験再現に使用します。ハイパーパラメーター探索ダッシュボードや一般的なデータバージョン管理には使用せず、専用ツールを使ってください。
MongoDB クライアントの接続設定（プール、タイムアウト、パターン）を、対応している任意のドライバ言語向けに最適化します。MongoDB クライアントを生成・設定する関数（`connect()` の呼び出しなど）の作成・更新・レビュー時、接続プールの設定、接続エラー（ECONNREFUSED、タイムアウト、プール枯渇）の調査、接続に関するパフォーマンス問題の最適化時に使用します。MongoDB を使ったサーバーレス関数の構築、MongoDB を利用する API エンドポイントの作成、高トラフィックの MongoDB アプリの最適化、長時間実行タスクと並行処理の作成、接続関連障害のデバッグなどが対象です。
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。