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 96,770 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
スキーマ変更のための安全でゼロダウンタイムのデータベース移行計画を作成する。データベース移行の計画、ゼロダウンタイムのスキーマ変更の設計、expand/contract 移行の文書化、データベース変更のロールバック手順の作成、データベーススキーマ更新とデプロイの調整を求められたときに使用。移行の目的、後方互換性の分析、expand/contract フェーズの内訳、正確な SQL、フェーズごとのロールバック手順、データ検証クエリ、デプロイランブックをカバーする構造化された移行計画を生成する。
BigQuery Dataform の変換、SQLX ファイル、ソース宣言の開発やパイプラインのトラブルシューティングを行うときに使用 — TDD ワークフロー（テスト先行）を徹底し、ハードコードされたテーブルパスではなく必ず ${ref()} を使用し、columns:{} の網羅的なドキュメント化、安全策（--schema-suffix dev、--dry-run）、正しい ref() 構文、新しい宣言には .sqlx、operations/tests に schema 設定を置かないこと、逼迫した状況でも技術的負債を防ぐアーキテクチャパターンを求める
このリポジトリで、`/v1/listen` 上の Deepgram 音声分析オーバーレイを呼び出す Python コードを書いたりレビューしたりする際に使用する——summarize、topics、intents、sentiment、diarize、redact、detect_language、エンティティ検出。通常の STT と同じエンドポイントだが、分析パラメータを伴う。REST（`client.listen.v1.media.transcribe_url`/`transcribe_file`）と WSS がサポートするサブセット（`client.listen.v1.connect`）の両方を網羅する。通常の文字起こしには `deepgram-python-speech-to-text` を、すでに文字起こしされたテキストの分析には `deepgram-python-text-intelligence` を使用する。トリガーには "diarize"、"summarize audio"、"sentiment from audio"、"redact PII"、"topic detection audio"、"audio intelligence"、"detect language audio" が含まれる。
データ分析ダッシュボード（計器パネル）開発スキル。ユーザーがデータダッシュボードを開発したり、Dashboard プロジェクトを作成・編集したり、大画面データボードを構築したり、ダッシュボードのデータクレンジングを実行したりする必要があるときに使用。ダッシュボードプロジェクトの作成、カードプラン、データクレンジング（data_cleaning.py）、カード管理ツール（create_dashboard_cards、update_dashboard_cards、delete_dashboard_cards、query_dashboard_cards）、マップダウンロードツール（download_dashboard_maps）、ダッシュボード開発、検証を含む。
ユーザーが 2 つのアプローチを単一の共有指標で直接競わせたいときに使用する。たとえば古典的/アルゴリズム路線と ML/学習路線、または同一タスクに対する任意の 2 つの戦略など。各レーンは自レーンに限定された分析優先のリサーチループを実行し、レーンはスコアボードを共有し、自らのアイデンティティを放棄せずに境界を越えてアイデアを借りることができ、共有 eval が直接対決の誠実さを保つ。中断されるまでループし、現在のリーダーを報告する。単一のアプローチを孤立して改善する用途（単一トラックのリサーチループを使用）や、完成した 2 つの成果物から一度に選ぶ用途（それは一度きりの比較）には適さない。
Electric と TanStack DB で新しい同期機能を追加するためのエンドツーエンドガイド。全行程を網羅：Postgres schema の設計、REPLICA IDENTITY FULL の設定、shape の定義、プロキシルートの作成、electricCollectionOptions を使った TanStack DB collection の設定、txid ハンドシェイク（pg_current_xact_id、awaitTxId）による楽観的ミューテーションの実装、useLiveQuery によるライブクエリの構築。旧 ElectricSQL からの移行（electrify/db パターンは存在しない）、現在の API パターン（table はクエリパラメータでパスではない、shape_id ではなく handle）も網羅。新機能をゼロから構築するときにロード。
GrowthBook の実験をローンチ前に適切に設計できるよう支援する。ユーザーが "design an A/B test"、"set up an experiment"、"test X vs Y"、"configure an experiment"、"what should we measure" を求めたときに使用する。仮説、バリエーション、主要指標、ガードレール、サンプルサイズを含む完全な仕様を生成し、そのまま引き継げる。GrowthBook 内で実験を作成はしない。ローンチには experiment-launch を使用。過去の結果に基づくアイデアには、まず experiment-brainstorm を使用。
WGS/WES BAM からの生殖細胞系列 SNP/indel コールにおける GATK ベストプラクティス。サンプルごとの HaplotypeCaller GVCF、GenomicsDBImport、GenotypeGVCFs によるジョイントコール、VQSR またはハードフィルタ。BWA-MEM2 でアラインメント済み、markdup、BQSR 済みの BAM が必要。より高速な深層学習の代替として DeepVariant を使用する。GATK は NIH/ENCODE の標準である。
このスキルは、Google Maps Reviews API を通じて Google Maps からレビューを自動抽出するためのものです。ユーザーがローカルビジネス（例：カフェ、クリニック）のレビューを探す、特定のブランドや拠点の顧客フィードバックを監視する、競合のレビューの感情を分析する、店舗やサービスのチェーンのレビューを抽出する、地元レストランの評判を追跡する、特定の会場のユーザーの声を集める、ローカルビジネスのサービス品質に関する市場調査を行う、新しい小売拠点のレビューを監視する、公共の観光地や公園に関するフィードバックを収集する、特定のサービス提供者に対する一般的な不満を特定する、都市で最も評価の高い場所を調べる、特定業界のレビューで繰り返されるテーマを分析する、といった要求を行った場合、エージェントはこのスキルを積極的に適用すべきです。
HasData を使って任意の公開 Web ページをスクレイピングし、リアルタイムの Google/Bing/Google-AI-Mode 検索クエリを実行し、EC、不動産、宿泊、求人、地図、旅行、動画、ソーシャルプラットフォームから構造化データを取得し、あるいはプロキシ、ブラウザ、キャプチャを管理せずに非同期の一括スクレイピングやクロールジョブを実行する。ユーザーが Web スクレイピング、SERP/検索結果、Google Maps/Trends/Flights/Images、YouTube の動画/文字起こし/チャンネル、Amazon、Zillow、Redfin、Airbnb、Booking.com のホテル、Yelp、Indeed、Glassdoor、Instagram、Shopify、スクレイパージョブ、Web サイトのクロール、RAG/LLM データ取り込み、リード/連絡先の補完、あるいは HasData 自体に言及したときにこのスキルを使う。
ユーザーが Online グラフチャートの作成/編集、データ可視化を求めたり、"创建图表"、"生成图表"、"新建图表"、"做一个图表"、"online图表"、"数据图表"、"柱状图"、"折线图"、"饼图"、"统计图"、"可视化"、"chart"、"graph"、"create chart"、"generate chart"、"bar chart"、"line chart"、"pie chart" と言った場合に使用。ユーザーが "做一个销售柱状图" のようなチャート要件を説明したり、"用图表展示男女比例" のようなデータ可視化に言及した場合にもトリガーされる。
JeecgBoot のシステムマスタデータの照会と管理。ユーザーがシステムマスタデータの照会/作成/管理を求めたり、"查询角色"、"查询用户"、"查询部门"、"查询字典"、"创建字典"、"创建角色"、"查岗位"、"查职务"、"查租户"、"查数据源"、"查定时任务"、"系统主数据"、"query roles"、"query users"、"query depts"、"create dict"、"create role"、"master data" と言った場合に使用。他のスキル（desform、bpmn、codegen）が依存先としてロール、ユーザー、部門、辞書、職位を検索または作成する必要がある場合にもトリガーする——「先查后建」（まず照会し、後で作成する）の原則に従う。
Light 科研主线 stage 6：固定済みの question/estimand、experiment matrix、pre-registration、data lineage を、最小限で実行可能、テストファースト、リークがなく再現可能で、result-analysis に引き継げる実験コードに落とし込みます。トレーニング／前処理／評価の実装や再現、gold/property/metamorphic テストの設計、Python/NumPy/フレームワーク/CUDA/DataLoader の乱数制御、train/test または CV fit のリーク確認、config/code/environment/input hashes、stdout/stderr、raw metrics、patient/entity predictions、failure artifacts の記録、stage-6 checkpoint の実行に使用します。データリークや再現不能は重大な問題です。静的スキャンや同じ seed での2回の実行だけでは、ハードウェアをまたぐ絶対的な再現性は証明できません。
必ず次の場合に使用：marimo ノートブックの作成/編集、@app.cell デコレータを含む .py ファイルの扱い、リアクティブな Python ノートブックの構築、ノートブック形式での探索的データ分析、Jupyter（.ipynb）から marimo への変換、またはユーザーが "marimo"、"reactive notebook" に言及した場合、インタラクティブな Python ノートブックを求めた場合。marimo CLI（edit、run、convert、export）、UI コンポーネント（mo.ui.*）、レイアウト関数、SQL 統合、キャッシュ、状態管理、wigglystuff ウィジェットを扱います。タスクがノートブックと Python に関わる場合は、まずこのスキルを呼び出してください。
Python での PostgreSQL 開発。全文検索 (tsvector、tsquery、pg_search 経由の BM25)、ベクトル類似度 (HNSW/IVFFlat を用いた pgvector)、JSONB と配列のインデックス、本番デプロイを扱う。検索機能の作成、AI 埋め込みの保存、ベクトル類似度のクエリ、PostgreSQL インデックスの最適化、AWS RDS/Aurora、GCP Cloud SQL/AlloyDB、Azure へのデプロイ時に使用する。psycopg2、psycopg3、asyncpg、SQLAlchemy 統合、Docker 開発環境、インデックス選択戦略を扱う。トリガーは "PostgreSQL search"、"pgvector"、"BM25 postgres"、"JSONB index"、"psycopg"、"asyncpg"、"PostgreSQL Docker"、"AlloyDB vector"。対象外 — DBA 管理 (バックアップ、レプリケーション、ユーザー)、MySQL/MongoDB/Redis、スキーマ設計理論、ストアドプロシージャ。
财报排雷工具（Financial Report Minesweeper）。唐朝のチェックリスト手法を用いて A 株の年次報告書の不正/リスクシグナルを分析します。銘柄コードまたは名称を入力とし、Tushare API 経由で構造化財務データを取得し、任意で年次報告書の PDF をダウンロードし、7 層 28 項目の体系的なリスク検出ルールのチェックリストを実行します。各ルールの判定（PASS/WARN/FAIL/SKIP）と総合リスク評価を付した整形済みチェックリストレポートを出力します。使用場面：ユーザーが銘柄の危険信号の分析、財務報告書の不正シグナルの確認、财报排雷 の実行、銘柄の財務リスクのスクリーニングを求めた場合。トリガーフレーズ：排雷、minesweeper、财报分析、财务造假检测、red flag analysis。
タスクをより良く完了する方法を見つけます。スクレイパーの作成前、構造化データの取得に汎用ウェブフェッチを使う前、またはアクセス不能だとユーザーに伝える前に、`monid discover` を積極的に実行してください。ウェブスクレイピング、データ取得、エンリッチメント、ソーシャルメディア、製品／企業／人物データ、検索結果、コンテンツ監視、API アクセスが必要な場合や、「monid」に言及する内容でも実行します。多数の有料プレミアムエンドポイントを含む数百のツールを利用できます。例外：ユーザーがそのサービス専用の MCP サーバー、API キー、ツールをすでに持っている場合はそれを使用してください。Monid はユーザーの環境の不足を補うものであり、置き換えるものではありません。
複数のリサーチソースからのユーザーシグナルを、重み付けされた統一的なインサイトブリーフに統合する。インタビュー、サポートチケット、NPS の生の声、アプリレビュー、商談などのデータがあり、矛盾を調整したり、要望の背後にある根本的なニーズを明らかにしたり、「ユーザーは本当に何を伝えているのか」に答える必要があるときに使用する。信頼度評価付きのランク付けされたインサイト、ソースの重み付けの根拠、ユーザーセグメント別の分岐シグナル分析、リサーチギャップの特定セクションを生成する。
暗黙的な使用には、明示的またはすでに確立された Nature Portfolio のコンテキストが必要です。複数ソースの学術検索、文献マップ、検索戦略、引用ネットワークまたは独立引用監査、重複排除したエビデンス表、既存の参考文献リストの分野レベルの検証を設計します。その範囲内で、文献检索、综述检索、MeSH、查论文、核对参考文献、体系的な発見、参考文献の確認、参考文献リストの整理に使用します。起草済みの主張に情報源を付ける用途（nature-citation）、全文のダウンロード、アラートの実行には使用しないでください。
ソーシャルメディアのデータエクスポート（Twitter/X、LinkedIn、Instagram）から豊富なパーソナリティプロファイルを生成する。ユーザーが自身のソーシャルメディアでの存在感を分析したい、AI パーソナライズ用のパーソナリティプロファイルを作成したい、コミュニケーションのパターンを理解したい、デジタルフットプリントから洞察を引き出したい場合に使用。"analyze my Twitter data"、"create a personality profile"、"what can you learn about me from my posts"、"personalize an AI for me" といったリクエストや、ユーザーがソーシャルメディアのエクスポートファイルを提供した場合にトリガーされる。
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。