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
シニア SaaS CFO / 財務アナリスト（15 年以上）。ブートストラップおよび VC 出資の SaaS 企業向けの財務モデリング、予測、イグジット戦略を専門とする。ユーザーが次を必要とする場合に有効化：(1) 収益予測（1〜5 年）、(2) イグジット評価額とマルチプル、(3) ユニットエコノミクス分析（CAC、LTV、回収期間）、(4) シナリオモデリング（保守／ベース／楽観）、(5) 財務的裏付けを伴う資金調達ナラティブ、(6) M&A デューデリジェンスの財務、(7) SaaS 指標のベンチマーク、(8) コホート分析とチャーン モデリング。トリガー："proyecciones"、"projections"、"exit"、"valuation"、"ARR"、"MRR"、"multiples"、"revenue forecast"、"financial model"、"exit strategy"、"CAC"、"LTV"、"unit economics"、"churn"、"fundraising"、"M&A"、"acquisition"、"5 year plan"。
Salesforce のレコード（Accounts、Contacts、Opportunities、Leads、Cases、カスタムオブジェクト）のクエリ、読み取り、作成、更新、describe を行う。ユーザーが Salesforce レコードの検索、SOQL クエリの実行、Opportunity の更新、オブジェクトの項目確認、または「Salesforce に何があるか」を尋ねるときに使用する——「API」と言わなくても使う。*.salesforce.com / *.lightning.force.com 配下の URL や、Salesforce レコード ID や SOQL への言及にも使用する。このサービスを扱うときは常にこの skill から始める——同梱のスクリプトとレシピが最速の道筋。
ユーザーが科学原稿（そのデータセット、図、任意の分析コードを含む）を持ち、品質基準を満たすまで反復的に改訂したいときに使用。5 名の専門審査員（図、科学的内容、スタイル、書式、コード）が原稿を批評し、新たな独立した peer_reviewer が同じ軸で採点し（各 1〜5 → パーセンテージ）、誠実性ガードレールを備える。scientific_writer が文章、図、コードを改訂し——ユーザーのプロットコマンドを実行して図を再生成——ピアレビューのスコアが閾値を超えるか予算に達するまで続ける。白紙からの論文執筆には使用しない。独立した文献調査にも使用しない。
SnpEff と SnpSift で VCF バリアントをアノテーションしフィルタリングする。SnpEff は機能影響（HIGH/MODERATE/LOW/MODIFIER）、遺伝子、転写産物、アミノ酸変化、HGVS を予測し、SnpSift はフィルタリングして ClinVar/dbSNP を追加する。Java のコマンドラインで、Python のサブプロセス連携に対応。複数データベースのアノテーションには ANNOVAR、REST API には Ensembl VEP、ビルド済みゲノムを使った高速なコマンドラインには SnpEff を使用。
ユーザーが雑然とした表形式データのダンプ（CSV/TSV/parquet/Excel/JSON）を持ち、それを推論されたデータ契約へ反復的にクリーンアップしたいときに使用——契約とは品質スコアではなく、決定論的な合否チェックのチェックリストである。単一のエージェントがテーブルをプロファイリングし、列ごとの契約を合成して二値チェック（型、null、重複、不整合なカテゴリ、形式/範囲の違反、外れ値）にコンパイルし、一度に 1 つの的を絞った変換を適用し、対象チェックの違反を減らし、回帰もガードレール違反もない場合にのみ保持する。すべてのチェックが通過するか、残るすべてのチェックが修正不能な残差であるか、予算に達した時点で決定論的に停止し、再実行可能なパイプラインと監査可能な台帳を出力する。すでにクリーンなデータセットの自由形式の分析、既知の異常 1 件の診断、情報源に対する主張の検証には使用しない——それらは分析ループである。本スキルはデータを契約へ書き換える。
NGC PyTorch コンテナ内のローカル NVIDIA GPU で任意の HuggingFace CV / VLM / LLM モデルをファインチューニングする。ユーザーが HuggingFace モデルのファインチューニング（フルまたは LoRA）、ビジョン / VLM / LLM モデルのエンドツーエンドトレーニング、再現可能な HF トレーニングパイプラインの生成、スケールアップ前のローカルでの HuggingFace モデルのスモークテスト、モデルカード付きでファインチューニング済みモデルを HF Hub へプッシュ、または既存の HuggingFace ファインチューニング向けの自己完結型再実行スキルの出力を望むときに使用する。画像分類、物体検出、セマンティック / インスタンス / パノプティックセグメンテーション、深度推定、画像-テキスト-to-テキスト VLM（SFT / LoRA）、LLM の SFT / DPO / GRPO をサポートする。6 ステップのワークフロー：検査と適格性判定、ハードウェアと NGC イメージ、調査、生成とスモーク、トレーニング + 評価 + 推論、プッシュと再実行スキルの出力。
生動画を VLM/LLM の蒸留によって思考連鎖の学習データに変換する、複数段階の動画アノテーションパイプラインです。複数レベルのキャプション、構造化された説明、推論トレース付きの QA ペア（MCQ、二択、自由回答）を生成します。ユーザーが「動画学習データを作成」「動画 QA データセットを生成」「動画から CoT 推論トレースを構築」「動画を自動ラベル付け」したい場合や、video_reasoning_annotation パイプラインを実行する場合に使用します。トリガーには「video annotation」「video CoT」「video QA」「chain-of-thought」「video captioning pipeline」「video distillation」などがあります。
HuggingFace のコンピュータービジョンモデルを NVIDIA TAO Toolkit エコシステム（tao-core 設定、tao-pytorch トレーナー、tao-deploy TensorRT パイプライン）に統合します。ユーザーが「HuggingFace モデルを TAO に統合」「HF モデルを TAO Toolkit に追加」「HuggingFace ViT/DETR/ SegFormer を tao-pytorch に接続」「HF CV モデル用の TAO トレーナーとデプロイパイプラインを構築」と依頼した場合や、HuggingFace モデルの URL/ID を提示して TAO モデル化を希望した場合に使用します。前提条件の確認、HuggingFace の調査と検証、コードベースの調査、tao-core の設定とネイティブトレーナーの実装、ONNX エクスポートと TensorRT デプロイの統合、パッケージ化と L0 テスト、コンテナベースのエンドツーエンド検証、（条件に応じた）精度・レイテンシの調整という全 7 フェーズを扱います。分類、物体検出、セマンティック／インスタンス／パノプティックセグメンテーション、ゼロショット検出、深度推定に対応します。
正規の NVIDIA AOI 三フェーズトレーニングパイプラインを実行する — フェーズ 1 AutoML ベースライン（HPO）、フェーズ 2 DEFT ループ（RCA → SDG → マイニング → plain-train 再トレーニング）、フェーズ 3 DEFT 拡張データセットでの AutoML リファインメント。これは「AOI ワークフローを実行」「PCB AOI モデルをエンドツーエンドでファインチューニング」「AOI ChangeNet モデルを改善」「AutoML を使った AOI ワークフロー」といったあらゆるリクエストのデフォルトのエントリポイントである — ユーザーが DEFT ループのみを明示的に要求した場合（例：「DEFT ループだけを実行」「AutoML をスキップして DEFT のみ」）を除き、tao-run-deft-aoi を直接使うのではなくここにルーティングする。非 AOI の DEFT アプリケーションでも同じ三フェーズパターンを処理する — AutoML ベースライン、次に AutoML の勝ち超パラメータからウォームスタートした DEFT ループ、その後イテレーション拡張データセットでの DEFT 後の AutoML リファインメント。トリガーフレーズには「AOI ワークフローを実行」「AOI エンドツーエンド」「AutoML + DEFT」「AutoML の後に DEFT」「ハイパーパラメータをチューニングしてから DEFT」「両端に AutoML を備えた DEFT」「DEFT をウォームスタート」「AOI モデルを改善」が含まれる。
NVIDIA TAO VisualChangeNet / ChangeNet PCB 検査モデル向けの完全な DEFT AOI 改善ループを実行する。ベースライン評価、RCA、顧客提供の事前生成済み AnomalyGen 画像の取り込み、k-NN マイニング、再トレーニング、および FAR / recall KPI 目標を満たすまでのデプロイゲーティングを行う。EA バリアント — AnomalyGen をインラインで実行せず、顧客が合成 NG/OK ペアを帯域外で事前生成し、ループがそれらを取り込む。"run the DEFT loop"、"fine-tune until FAR below 0.1% at recall=100%"、"improve my AOI ChangeNet model with RCA and pre-generated synthetic defects" などのプロンプトに使用し、単体の TAO トレーニング、単発の推論、汎用的な異常生成、RCA のみの分析には使用しない。
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。