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
Defuddle CLI を使用してウェブページから余分な要素やナビゲーションを取り除き、トークンを節約しながらクリーンな Markdown コンテンツを抽出します。ユーザーがオンラインドキュメント、記事、ブログ投稿、その他の標準的なウェブページを読む、または分析するために URL を提示した場合、WebFetch の代わりに必ずこのスキルを使用してください。すでに Markdown として提供されているコンテンツには使用しないでください。URL の末尾ではなく、レスポンスのコンテンツタイプと実際の本文で判断し、WebFetch または curl で直接読み取ってください。
ユーザーが Google Analytics / GA4 に言及しているがリクエストが曖昧な場合（"take a look at our GA"、"how's our data?"、"GA 좀 봐줘"、"우리 데이터 어때?"）、使い始めの段階（"where do I start?"、"뭐부터 해야 해?"、インストール直後）、これらのスキルで何ができるかの質問、あるいは接続・イベント分類体系・分析にまたがる多段階のリクエスト（例："parse our taxonomy sheet and analyze last month"、"정의서 올리고 지난달 분석해줘"）の場合に使用する。.ga4/ のジャーニー状態を診断し、ga-auth、ga-taxonomy、ga-use スキルのいずれかに正しい順序でルーティングする。目的が明確な単一用途のリクエスト（特定の分析、分類ファイルの解析、ログイン）はそれらのスキルが直接処理する——本スキルは使用しない。
GeoPandas、Rasterio、GDAL、Xarray、Shapely、Laspy、PDAL、Google Earth Engine、STAC/Planetary Computer を使った地理空間および地球観測のワークフローを提供します。Sentinel、Landsat、MODIS、SAR、高ハイパースペクトル画像、スペクトル指数、地形・ネットワーク解析、点群、COG、CRS の処理、空間 ML を扱い、Python、R、Julia、JavaScript、C++、Java、Go、Rust のコードに対応します。衛星画像から NDVI などの指数を計算する場合、Shapefile、GeoJSON、GeoPackage データに対してベクターオーバーレイ、再投影、空間統計を行う場合、STAC カタログの検索やクラウド最適化 GeoTIFF の読み込み、地球観測データの土地被覆分類や ML モデルの学習、地形・水文学・点群の解析に使用します。一般的な非空間データ分析や表形式データの ML には使用しません。
競合の公開 GitHub リポジトリの URL を受け取り、GitHub REST API で open issue を取得し、ローカルでノイズを除外し、issue を 6 つの需要カテゴリにクラスタリングし、issue ごとおよびクラスタごとの需要スコアを計算し、GTM メッセージングブリーフ付きのランキング形式の需要ギャップレポートを出力する。競合の GitHub issue をスキャンする、ユーザーが何を強く求めているかを見つける、GitHub の不満をプロダクトポジショニングに変える、競合の機能ギャップを特定する、実際のユーザー需要からメッセージングを生成するよう求められた場合に使用。「競合の issue をスキャン」「X リポジトリでユーザーは何を求めているか」「Y の需要ギャップを見つける」「GitHub issue をメッセージングに変える」「競合の不満から何を構築すべきか」と言われたときにトリガーする。
本 Skill は、BrowserAct Google Maps API を使って Google Maps からビジネスデータを自動的にスクレイピングするのを支援する。特定の都市のレストランを探す、歯科クリニックの連絡先を抽出する、地元の競合を調査する、コーヒーショップの住所を収集する、特定業界のリードリストを生成する、ビジネスの評価とレビューを監視する、地域サービスの営業時間を取得する、専門店（例：トルコ風レストラン）を探す、ある地域のビジネスカテゴリを分析する、地元ビジネスのウェブサイトリンクを抽出する、営業アウトリーチ用の電話番号を収集する、特定の国のサービスプロバイダーを洗い出す、といったニーズに対して、Agent は本 Skill を主体的にトリガーすべきである。
Grafana インスタンスを操作します——ダッシュボードの検索と読み取り、データソースクエリ（Prometheus、Loki、PostgreSQL など）の実行、アラートルールとサイレンスの確認、アノテーションの投稿、フォルダの管理。ユーザーが Grafana のダッシュボード、パネル、アラートに言及したとき、Grafana の URL を貼り付けたとき、「このダッシュボードは何を表示するか」「このメトリクスを Grafana でクエリする」「このアラートは発火しているか」「このアラートをサイレンスにする」と尋ねたとき、またはダッシュボードの作成/エクスポートを望んだときに使用します。「API」と言わなくても使用してください。このサービスとやり取りするときは常にこのスキルから始めてください。同梱のスクリプトとレシピが最短経路です。
階層的マッチングシステムの設計、実装、レビュー、デバッグに関する専門知識。以下を扱う場合に使用します：(1) 二者間マッチング（Gale-Shapley、hospital-resident、student-school）、(2) 割り当て/最適化問題（ハンガリアン法、二部マッチング）、(3) 多層階層マッチング（組織図、タクソノミー、ネストされたカテゴリ）、(4) 階層をまたぐエンティティ解決とレコードリンケージ。トリガー：マッチ品質問題のデバッグ、マッチングアルゴリズムのレビュー、ビジネス要件の制約への変換、マッチの正確性の検証、新しいマッチングシステムの設計、不安定なマッチの修正、制約違反の解決、選好のミスマッチの診断。
InfraNodus MCP サーバーによるテキストネットワーク分析とナレッジグラフ：テキスト構造の分析、コンテンツギャップの発見、リサーチクエスチョンとアイデアの生成、テキストの比較、SEO/GEO 向けのコンテンツ最適化、Google 検索結果の分析、GraphRAG 検索、構造化メモリ。テキスト、URL（YouTube の文字起こしを含む）、保存済みグラフを受け付ける。コードリポジトリや Obsidian vault のナレッジグラフも構築する：プロジェクトフォルダ内で呼び出すと（「graph this repo」「analyze this vault」「/infranodus」）、ドキュメント、PDF テキスト、docstring、WHY/NOTE コメント、commit/PR/issue の履歴を掘り起こし、レポート付きの保存済みグラフを生成し、変更されたファイルの記述をその場で置き換えて最新の状態に保つ。プロジェクトルートに infranodus/manifest.json が存在する場合、テーマ、決定、根拠、ギャップについての質問には、ファイルを読む前にまず既存のグラフを照会して回答する。ソース（wiki ページ、キュレーションされたオントロジー）から構築された LLM 作成のナレッジベースには、llm-wiki skill を優先する。
Lightの研究メインライン第9段階・図表：図を論旨に役立てる（各図がどの主張を支え、削除すると何が欠けるか）；出版品質の仕様を定める（段組幅、フォントサイズ、色覚多様性への配慮、エラーバー、n、統計的有意性）；視覚的誠実さを守る（y軸をこっそり切り取らない、二重y軸で見せかけの相関を作らない、jet-rainbowを使わない）；レンダリング後にマルチモーダルで「実際によく見る」；論文のデータ図は必ずプログラムで生成し、AI画像生成は絶対に使わない。使用場面：結果分析後に論文図表を作成する／図の一式を計画する（図のリスト、予算、重複防止）／図の種類を選ぶ／出版品質の図を作る（段組幅、フォントサイズ、dpi、色覚多様性に配慮した配色）／「図が誤解を招く、または有意でない結果を主図にしている」懸念に対処する／レンダリング後にラベルの重なりや、データにかぶる凡例を確認する／フレームワーク図や模式図を作る（プログラムによる生成、AI画像生成ではない）。トリガー：画图 / 图表 / figure / 配图 / 出图 / 论文图 / 主图 / 图注 caption / 误差棒 error bar / 色盲 colorblind / viridis / 截断 y 轴 / 双 y 轴 / 热力图 / 框架图 / 组图 panel / display item / 栏宽 column width / 出版级 publication / 图型推荐 / 渲染回看 / plot / chart / matplotlib / seaborn。基本規律：**視覚的な不誠実さ（y軸の切り取り／二重y軸による見せかけの相関）= criticalゲート**（spec §4.2、STAGE_GATES[9]=[visual_honesty]）；エラーバー不足／jet-rainbow／図一式の予算超過／重複 = warn；**有意でない結果を主図にする／図と本文の不一致 = critical → 9→7のやり直しを開始**；**論文のデータ図は必ずプログラム（matplotlib/seaborn/R）で生成し、AI画像生成は絶対に使わない**（恒久ルール）；静的lintは疑わしい形式を検出するだけで、実際に誤解を招くかどうかの最終判断には図注と人間／査読者の確認が必要です。本スキルは **9→7（有意でない結果を主図にする／図と本文の不一致 → result-analysis）のやり直しを開始します**。
MATLAB で表形式データの分類をエンドツーエンドで行います。データセットの読み込み、準備とクリーンアップ、有望な分類器の選択と学習、交差検証、ホールドアウト、またはハイパーパラメーター最適化と統計検定による精度比較を行います。トリガー条件：表形式データの分類、データセットに適した分類器の選定、分類器の精度比較、交差検証やホールドアウト評価の実行、または統計的不確実性を考慮した最適モデルの探索を求める場合。非トリガー条件：入力が表形式以外（画像、系列、時系列）の場合、回帰モデルを求める場合、特定のニューラルネットワークアーキテクチャを学習する場合（matlab-train-network を使用）、またはコスト重み付き学習や任意のクラス事前確率ベクトルを求める場合（このスキルは不均衡データ向けの組み込み均一事前確率切り替えのみをサポート）。
Database Toolbox を介して JDBC ドライバーで MATLAB を Databricks に接続する。Databricks クラスターや SQL Warehouse への JDBC 接続の作成、Databricks 認証（PAT、OauthU2M、OauthM2M）の構成、Simba と OSS の JDBC ドライバーの選択、databricks.JDBCConnection、StandaloneJDBCConnection、databricks.SQLWarehouse.connect() の使用、Databricks の書き込み性能の最適化に使用する。
ログファイル（MDF/MF4/DAT、BLF、ASC/TXT）から車両データをインポート／エクスポートする場合、DBC、ARXML、LDF データベースを使って CAN/CAN FD/LIN メッセージを信号にデコードする場合、timetable データを MDF または BLF ファイルに書き込む場合、または blfread、blfinfo、blfwrite、mdfRead、mdfWrite、mdfCreate、mdfInfo、canSignalImport、canMessageImport、canMessageTimetable、canFDMessageTimetable、canSignalTimetable、linMessageTimetable を呼び出す場合に使用します。
Yahoo H2H Categories の対戦における全 10 計測カテゴリ（R、HR、RBI、SB、OBP、K、ERA、WHIP、QS、SV）の週次カテゴリ状態を計算する。Yahoo から現在の累計を取得し、ロースターと日程から週の残り各カテゴリの予測を構築し、対戦および各カテゴリの勝率計算を `matchup-win-probability-sim` に DELEGATES する。そのシミュレーションの `per_cat_win_probability` と `matchup_win_probability` を消費して cat_position、cat_pressure、cat_reachability、cat_punt_score を導出し、waiver、streaming、lineup の意思決定を駆動する "push 6, punt N" プランを出力する。ユーザーが "category state"、"where am I winning"、"should I punt"、"matchup score"、"cat pressure"、週次のカテゴリ計画、またはどのカテゴリを推進しどのカテゴリを放棄するかを尋ねたときに使用する。
Multimodal Embedding Serving マイクロサービスをデプロイして利用します — setup.sh + docker compose で起動し（リポジトリのクローン、またはクローンがない場合は同じファイルを GitHub から取得）、事前ビルド済みの intel/multimodal-embedding-serving イメージを使用して、ポート 9777 の REST 経由でテキスト/画像/動画を埋め込み、19 のモデル（CLIP/SigLIP/MobileCLIP/CN-CLIP/Blip2/QwenText）から選択するか、Python SDK wheel を介してインプロセスで統合します。アプリが類似検索や検索のための埋め込みを必要とする場合に使用します。サービスのソースを変更する用途ではありません — それは multimodal-embedding-serving-dev です。
newrelic CLI で New Relic のオブザーバビリティデータを監視、クエリ、管理。NRQL クエリ、AI Monitoring テレメトリ、APM のパフォーマンス調査、デプロイマーカー、読み取り専用のアラートとインシデントの確認、インフラ監視、エージェント診断、ID・アクセス管理を扱う。LLM トークン使用量や AI アプリケーションのテレメトリ、アプリケーション性能、エラー率、遅いトランザクション、デプロイ追跡、インシデント確認、New Relic の設定、ユーザー、グループ、ロール、権限、アクセス付与について尋ねられたときに使用。
ウェブサイトを一度探索し、安定したデータパスを見つけ、再利用可能でパラメータ化された Notte Function（スケジュール実行して大規模に動かせる呼び出し可能な HTTP エンドポイント）としてデプロイする。ユーザーがあるサイト向けの再利用可能なスクレイパーやブラウザ自動化を forge、build、generate、または「bake」したい、動作するスクレイプを API/エンドポイント/ジョブに変えたい、あるいは「後で N 個のキーワードを実行する」「これを再利用可能にして」「すべてのリスティングを取得して」「このサイトを毎日自動化して」「Y から X を抽出する関数を作って」といったことを言うときに使用する。サイトが変わったときに forge 済みの Function を修復する notte-functions-doctor と組み合わせて使う。
opendataloader-pdf（ODL）で PDF から構造化データを正しく抽出するための手順：インストール済みツール自身のヘルプを読んで現在のオプションを把握し、ユーザーの目的に応じた最小限のコマンドを組み立て、抽出が実際に成功したことを検証し、ツールが報告しないサイレント障害を診断する。ユーザーが opendataloader-pdf/ODL を使って PDF の内容をテキスト、markdown、JSON、HTML に抽出、解析、変換しようとしている、評価している、または検討しているときに使用 — スキャン PDF の OCR、表、バウンディングボックス、PDF 上の RAG パイプラインを含む。PDF の結合/分割/回転、Office 形式への変換、フォーム入力、PDF/UA アクセシビリティ準拠のタグ付けには使用しない。
オペレーションズリサーチの最適化モデルを定式化して実装する——LP、MIP/QP、制約プログラミング、ネットワークフロー、割り当て、VRP、スケジューリング、リソース配分、在庫/生産計画；ヒューリスティックとメタヒューリスティック；感度分析と実行不可能性の診断；ソルバー統合（OR-Tools、Gurobi、CPLEX、HiGHS、PuLP、Pyomo）；本番向け OR API（タイムアウト、ウォームスタート）。オペレーションズリサーチ、OR エンジニア、最適化モデル、線形計画法、混合整数計画法、MIP、VRP、車両ルーティング、スケジューリング最適化、OR-Tools、Gurobi、制約プログラミング、リソース配分最適化、実行不可能なモデル、メタヒューリスティックに使用する——ML 予測（data-scientist）、最適化の数理を含まない SCM 戦略（supply-chain-manager）、WMS 機能（wms-developer）、シミュレーションプラットフォーム（simulation-software-engineer）、汎用バックエンド（senior-software-engineer）、dbt/ウェアハウス（analytics-data-engineer）には使用しない。
PostgreSQL の運用、最適化、管理。用途：スキーマ設計、インデックス選択、EXPLAIN ANALYZE によるクエリチューニング、postgresql.conf の設定、バックアップとリストア（pg_dump、pg_basebackup、WAL、PITR）、vacuum と autovacuum のチューニング、コネクションプーリング（pgBouncer、pgPool）、レプリケーション（ストリーミング、論理）、パーティショニング、監視（pg_stat_statements、pg_stat_activity）、JSONB 操作、全文検索（tsvector、tsquery）、行レベルセキュリティ（RLS）、拡張（PostGIS、pg_trgm、timescaledb）、GiST/GIN/BRIN インデックス、マテリアライズドビュー、外部データラッパー、LISTEN/NOTIFY。
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。