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
ユーザーが次の情報を求めた場合に使用します：あらゆる資産の価格、ティッカー、オーダーブック、ローソク足、OHLCV、資金調達率、未決済建玉、OI 変化スキャナー、市場スクリーナー（値上がり上位、高出来高、新規上場）、マーク価格、指数価格、直近の取引、銘柄一覧、株式トークン、金属価格（金、XAU、XAG）、コモディティ（石油、OIL）、外国為替レート（EUR/USD、EURUSDT）、債券銘柄、非暗号資産、またはテクニカル指標（RSI、MACD、EMA、ボリンジャーバンド、KDJ、SuperTrend、AHR999、BTC レインボーなど 70 種以上）。すべてのコマンドは読み取り専用で、API 認証情報は不要です。口座残高／ポジション（okx-cex-portfolio）、注文の発注／キャンセル（okx-cex-trade）、ボット（okx-cex-bot）には使用しないでください。方向性の見通しをイベントコントラクトとして取引したい場合も使用しないでください。その場合は okx-cex-trade を使用します。資産価格の方向を尋ねるだけなら市場データに関する質問なので、このスキルが該当します。
'1000 Genomes Project データセット（全ゲノムシーケンス済みの 3,202 人、GRCh38）を、個々の参加者単位で検索します。1000 Genomes Project コホートの個人やバリアントに関する質問に使用します。特定の遺伝子や領域で条件に合うバリアントを持つ個人、ある位置でホモ接合参照型の個人、データセットに存在するバリアントや指定個人が遺伝子・領域内で保有するバリアント、指定された 2 人の血縁関係を調べられます。バリアントには 1000 Genomes のアレル頻度（AF）、gnomAD v4.1 のエクソームおよびゲノム AF、AlphaMissense スコア、HGVSp アノテーションが付与されます。
自由記述の科学ラベルをオントロジー用語 ID に対応付け、既存の CURIE を EBI Ontology Lookup Service（OLS4）で検証します。Bioregistry でのプレフィックス検索、Identifiers.org によるコンパクト識別子の解決、ZOOMA によるラボ内略称の対応付け、Ontobee 用語ページの作成にも対応します。組織、細胞型、疾患、表現型、アッセイ、化学物質、生物種、性別、発生段階のフィールドへのアノテーション、GEO、ENA、BioSamples、CELLxGENE、HCA、ISA-Tab への提出メタデータの準備、用語 ID を含むメタデータ表の監査、用語の廃止状況と置換先の確認、HPO と HP の選択など、オントロジー識別子の生成または確認が必要な場合に使用します。「ontology term」「ontology ID」「CURIE」「controlled vocabulary」「UBERON」「CL:」「MONDO」「HPO」「EFO」「ChEBI」「NCBITaxon」「GO term」「PATO」「Zooma」「Bioregistry」「Identifiers.org」「Ontobee」「この組織／細胞型／疾患にアノテーションを付ける」、および PREFIX:0001234 形式の識別子の出力・検証依頼などが手掛かりです。
観察された行動（ロスター構成、取引パターン、ラインナップの変更、トレード活動）に対するベイズ推論を用いて、対戦相手の選手、マネージャー、またはエージェントを、構成可能なアーキタイプ集合のいずれかに分類する。ドメイン中立のスキャフォールドであり、呼び出し側がアーキタイプの分類体系（名称、事前分布、特徴的な特徴量分布）と観察された特徴量を提供する。スキルは正規化された事後分布、MAP アーキタイプ、分類信頼度、特徴量寄与の内訳、最善応手のヒントを返す。対戦相手のモデリング、選手タイプの分類、ベイズアーキタイプ推論、対戦相手の事後分布の生成、またはユーザーが対戦相手のアーキタイプ、対戦相手の分類、ベイズアーキタイプ推論、選手タイプ分類、対戦相手のモデリング、アーキタイプの事後分布に言及したときに使用する。
マネージド型のサーバーレスベクトルデータベース Pinecone を、Python クライアントおよび LangChain、LlamaIndex との連携を通じて利用する方法を案内します。インデックスの作成、ベクトルの upsert とクエリ、メタデータフィルタリング、名前空間、密ベクトルと疎ベクトルのハイブリッド検索、インデックス管理、ベクトルの削除を扱います。ホスト型ベクトルストアで本番用 RAG システムを構築する場合、インフラを運用せずにセマンティック検索やレコメンデーションを追加する場合、名前空間でユーザー別・テナント別データを分離する場合、1 回のクエリで密ベクトルと疎ベクトルを組み合わせる場合、またはメタデータで結果を絞り込む場合に使用します。セルフホストまたはローカルのストア（Chroma、Weaviate）、オフライン類似検索（FAISS）には使用しないでください。
Pixeltable でマルチモーダル AI アプリを構築する。1 つのアプリケーションファイル（app.py）で TableModel テーブルと FastAPIRouter ルートを宣言する。pxt schema update でテーブルを作成する。pxt service update で HTTP を開始する。行を挿入するか POST してアプリを試す。LangChain、ストアとしての pandas、別個のベクトル DB ではなく、計算列を使う。RAG やツール呼び出しエージェントの構築、画像/動画/音声/ドキュメントの処理、API の提供に使用。一般的な Python や直接の PostgreSQL 管理には使用しない。
PyMCとArviZを使い、Pythonでベイズモデルの構築、適合、診断、比較を行います。階層（マルチレベル）モデル、NUTS MCMCサンプリング、変分推論（ADVI）、事前・事後予測チェック、収束診断（R-hat、ESS、発散）、LOO/WAICによるモデル比較を扱います。回帰、カウント、二値データ向けのPyMCモデルを記述する場合に使用します。部分プーリングを伴う階層モデルを適合する場合に使用します。発散、低いESS、高いR-hatを診断する場合に使用します。LOOで候補モデルを比較する場合に使用します。事前分布の選択や事前予測チェックに使用します。非ベイズ回帰には適しません。代わりにstatsmodelsまたはscikit-learnを使用してください。
PyTDCパッケージ（import tdc、Therapeutics Data Commons）を使って、tdc.metadataから治療関連のMLタスクを発見し、承認済みデータセットを計画・読み込み、タスクに応じた分割（random、scaffold、cold_split、combination、time）を適用し、評価指標を実行します。admet_groupなどのベンチマークグループを評価し、範囲を限定した分子オラクルスコアリングも行います。TDCタスクまたはデータセットの選択、ダウンロードなしの分割計画、TDC評価器による予測スコアリング、ベンチマークグループ評価、ダウンロード前のデータセットライセンスやキャッシュの影響確認に使用します。QEDなどのTDCオラクルで分子をスコアリングする場合に使用します。一般的なRDKitケモインフォマティクスや分子生成器の学習には適しません。
RELSA（RELative Severity Assessment）スコアとARIMAベースのfoRcast予測を用いて、実験動物研究の多変量重症度評価と人道的エンドポイント予測を行います。体重または体重減少、体温、臨床・巣作りスコア、バイオマーカー、活動量、心拍数、掘削、回し車運動などの福祉指標を統合し、動物ごと・日ごとの重症度スコアを算出します。人道的エンドポイントに達するリスクのある動物や到達時期の予測、カーネル密度推定による重症度尺度上の注意／危険ゾーンや閾値の定義、3Rs、苦痛軽減、動物福祉、EU Directive 2010/63/EUの重症度評価に関する報告に使用します。方向性（「turned」変数）、ベースライン正規化、参照セット、RELSAの重み、ARIMA予測区間、RMSE/PICP/MPIW評価を扱います。
リリースブランチ上の `rhdh-plugin-export-overlays` の git 履歴をあるリビジョン以降についてたどり、一般提供されているプラグインワークスペースに限定したうえで、各 CVE を Jira RHIDP、RHDHBUGS、RHDHPLAN から情報補完して "RHDH CVE Management - <version>-plugins.csv" エクスポートを生成する。"1.10.3 用のプラグイン overlay CVE CSV を生成する"、"1.10.2 以降にプラグインで修正された CVE は何か"、"ProdSec の CVSS スコアでプラグイン CVE リストを再構築する" に使用する。
Skrapp.io プラットフォームのヘルプ——B2B メール検索とデータエンリッチメント。2 億以上の連絡先と 4,000 万以上の企業プロファイルを備える。見込み客のメールが見つからない、LinkedIn プロフィールに連絡先情報が表示されない、リードの CSV にメールや企業情報が欠けている、メール検証でバウンスする連絡先が多すぎる、Chrome 拡張機能が LinkedIn からデータを取得しない、Skrapp API が結果を返さない場合に使用する。一般的なエンリッチメント戦略（/sales-enrich を使用）、到達性/ウォームアップ（/sales-deliverability を使用）、見込み客リスト構築戦略（/sales-prospect-list を使用）には使用しないこと。
MCP 経由でライブのセマンティックモデルをクエリし、組織の RevOS データに関する業務上の質問（「注文数は……」「……別の売上」「上位 N 件……」「時系列の推移……」「X と Y の比較……」など）にチャットで直接回答します。「セマンティックモデルには何がある？」「何をクエリできる？」「キューブ／データセット／フィールドを一覧表示」「キューブを説明」といったスキーマ探索や、「セマンティックモデルをクエリ」「キューブクエリを実行」「チャートを表示」「プロット」「グラフ化」と明示的に求められた場合にも使用します。`cubes` リソースに RevOS api_read ツールを直接呼び出す代わりに、必ずこの機能を使ってください。生の JSON を表示用テーブルに変換し、形式が適切ならチャートを作成し、複数のキューブにまたがるクエリでは安全な結合経路を選び、ツール結果をそのまま出す代わりに平易な説明を提供します。質問で HubSpot、Zammad、Exact Online などの特定のソースシステムが指定されていても、集計・分析の質問には直接のソースコネクターではなくセマンティックモデルを使って回答します。
Pythonのsentence-transformers（SBERT）ライブラリと、all-MiniLM-L6-v2、all-mpnet-base-v2、多言語版などの事前学習済みHugging Faceモデルを使い、文、テキスト、画像の埋め込みをローカルで生成します。エンコード、コサイン類似度、セマンティック検索、バッチエンコード、ファインチューニング、LangChain/LlamaIndexとの統合を扱います。RAG用の埋め込み構築、セマンティック検索や類似度スコアリング、テキストのクラスタリングや分類、APIを使わない多言語テキストの埋め込み、ドメインデータによる埋め込みモデルのファインチューニングに使用します。APIベースまたはマネージド型の埋め込みには、代わりにOpenAIまたはCohere Embedを使用してください。
ユーザーが集合被覆問題を解きたい場合、最小被覆集合を求めたい場合、施設のカバレッジを最適化したい場合に使用します。また、ユーザーが "set cover"、"minimum set cover"、"coverage optimization"、"facility coverage problem"、"service coverage"、"location set covering"、"maximal covering location problem"、"covering design" に言及した場合にも使用します。一般的な施設配置については facility-location-problem を参照してください。具体的な応用については warehouse-location-optimization または hub-location-problem を参照してください。
SimPy 4.1.2を使って、Pythonで範囲を限定したプロセスベースの離散イベントシミュレーションを構築、テスト、分析します。Environment、Timeout、Process、AnyOf/AllOf条件、中断、Resource、PriorityResource、PreemptiveResource、Container、Store、時間加重モニタリング、反復に基づく出力分析に対応し、安全なCLIも同梱します。ジェネレータプロセスでキュー、生産ライン、物流、サービス運営をモデル化する場合、エンティティが共有リソースを競合する場合やプリエンプションが必要な場合、キュー長や利用率を適切に計測する場合、シードと信頼区間を用いて独立反復を実行する場合、イベント順序やrun(until=)の境界をデバッグする場合に使用します。連続時間ODEやエージェントベースのモデリングフレームワークには適しません。
@DataJpaTest ではアサーションの前に TestEntityManager + flush()/clear() が必要 — これがないとテストは Hibernate L1 キャッシュを読み取り、誤って成功する。JPA テストを書く前に読むこと。トリガー:@DataJpaTest、JpaRepository、TestEntityManager、@ServiceConnection、Testcontainers、@Modifying、Hibernate 6/7、@AutoConfigureTestDatabase、テストでの flush と clear、テストでの @Transactional、jakarta.persistence.EntityManager。
最新ドキュメントを用いて TanStack Charts Alpha（0.18.x）のチャートを構築、レビュー、デバッグ、移行、または計画する。@tanstack/charts、@tanstack/charts/react、@tanstack/charts/react-native、@tanstack/charts/scales/*、defineChart、スケールレジストリ（scales.x/scales.y、名前付きスケール、複数軸）、svgAnimation、motion()、tooltip/portal、レイアウト stack/group、groupBy/binX/rollingWindow/rank/normalize/fold/waterfall/mosaic、lineY、areaY、barY（角丸）、boxY、violinY、waffleY、ridgelineY、differenceY、linearRegressionY、rect、cell、dot、hexagon、crosshair、whenFocused、decorative、facet、polar、geoShape、treemap、sunburst、sankeyDiagram、hexbin、contour、brushX、zoomX、keyedSelection、colorLegendItems、gradients、focusRing、Chart、Canvas、canvasChartRenderer、グラフィックスの文法のマーク/チャネル/スケール、および Recharts、Chart.js、ECharts、Observable Plot、アーカイブされた react-charts、@tanstack/react-charts、@tanstack/charts-scales、pre-Alpha 版 TanStack Charts 0.0.x–0.15.x（ルートの x/y スケール）からの移行に使用。
PyTorch SummaryWriterとTensorFlow/Kerasコールバックを使って、TensorBoardでMLの学習データを記録・表示します。スカラー、画像、テキスト、ヒストグラム、モデルグラフ、埋め込みプロジェクター、ハイパーパラメータ表、PR曲線、TensorFlowまたはPyTorchプロファイラーのトレースに対応します。学習中の損失・精度曲線の描画、1つのダッシュボードでの複数実行の比較、重みや勾配分布の確認、PCAまたはt-SNEによる埋め込みの投影、ハイパーパラメータ実験の追跡、学習ループの性能ボトルネックの特定に使用します。チーム協業を伴うホスト型実験トラッキングには適しません。専用のトラッキングサービスを使用してください。
umap-learn（UMAP）を使ってPythonで高次元データを削減・埋め込みます。2D/3D可視化、教師あり・半教師ありUMAP、DensMAP、AlignedUMAP、Parametric UMAP（Keras）、新しいデータへのtransform()、逆変換に対応します。高次元データの2Dまたは3D埋め込みによる可視化、HDBSCANクラスタリング用の特徴量前処理、一部のラベルによる埋め込みの誘導、時点やバッチ間の埋め込みの整列、未見サンプルの学習済み埋め込みへの投影に使用します。n_neighbors、min_dist、n_components、metricを調整します。線形PCAやt-SNE専用のワークフローには適しません。
Vaex を使用して、RAM に収まらない表形式データセットを処理・分析します。Vaex は、メモリマップされた HDF5 および Arrow ファイル上で遅延評価によるアウトオブコア DataFrame を扱う Python ライブラリで、CSV と Parquet のインポート／エクスポートにも対応します。仮想列、フィルタリング、groupby 集計、大規模データのヒートマップとヒストグラム、vaex-ml のトランスフォーマー、PCA、K-means を扱います。複数 GB の CSV/HDF5/Arrow/Parquet ファイルの読み込みや変換、数十億行の高速な統計計算、大規模データセットの可視化、メモリに収まらない ML パイプラインの構築、遅延評価と delay=True による遅い集計の高速化に使用します。データが RAM に収まる場合は polars、クラスター分散処理には dask を優先してください。
内蔵の JS 署名と Cookie/QR コードログインを使って、独立した小紅書（Xiaohongshu）データワークフローを実行する。ログイン、検索、抽出、エクスポート、クリエイターデータの収集に適し、元のリポジトリに依存せず Spider_XHS の中核機能を安定的に再利用したいとき、またはユーザーが小紅書の画像、動画、メディアファイルのダウンロードを明示的に求め、デフォルトで透かしなしのダウンロード経路を使うべきときに使用する。Use this skill to run a standalone Xiaohongshu workflow with bundled JS signing assets and cookie or QR login for authentication, plus search, extraction, export, and creator data collection when you need Spider_XHS-derived capabilities without depending on the original repository, especially when the user asks to download XHS images, videos, or media files and the workflow should default to no-watermark downloads.
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。