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
CIM、オファリングメモランダム、SEC 提出書類、ウェブ検索、MCP サーバーなど、さまざまな情報源から金融サービス向けの専門的なデータパックを作成します。財務データを抽出、正規化、標準化し、一貫した構成、適切な書式、文書化された前提を備えた、投資委員会向け Excel ワークブックにまとめます。M&A のデューデリジェンス、プライベートエクイティ分析、投資委員会資料、ポートフォリオ企業間の財務報告の標準化に使用します。単純な財務計算や、完成済みデータパックの作業には使用しないでください。
Python プロジェクトにローカルなデータ永続化を追加するとき——キャッシュ、リレーショナルストレージ（単純、複雑/OLTP、分析/OLAP）、ドキュメントストレージ、全文検索、ベクトル/埋め込み検索、バックグラウンドジョブキュー、cron/定期タスク、pub/sub/イベントストリーミング、グラフデータ、blob ストレージ、時系列データ——で、\"これに最適な DB を評価する\"という明示的な依頼がない場合に使用。カテゴリごとのデフォルト技術を示し、寛容なライセンス、docker/cloud なしで pytest によりローカルでテスト可能、低ボイラープレートで LLM エージェントに扱いやすい API を基準に選定することで、セッションごとにぶれずプロジェクト間で選択が一貫する。
Martin Kleppmann による Designing Data-Intensive Applications（DDIA）の要点リファレンスガイド。以下の場合に必ず読み込むこと: データベーススキーマの設計、ストレージエンジンの選択、レプリケーションやパーティショニングの実装、分散トランザクションの処理、バッチ/ストリーム処理パイプラインの構築、一貫性モデルの選択、コンセンサスの実装、データフローアーキテクチャの設計、可用性と一貫性のトレードオフの評価、エンコーディング/シリアライゼーションの決定、データモデリング（リレーショナル vs ドキュメント vs グラフ）、フォールトトレラントシステムの構築、またはデータ集約型アプリケーションに関するあらゆるシステム設計とアーキテクチャの議論。トリガー: データベース設計、レプリケーション、パーティショニング、シャーディング、トランザクション、分離レベル、一貫性、コンセンサス、CAP 定理、バッチ処理、ストリーム処理、MapReduce、Kafka、イベントソーシング、CDC、OLTP、OLAP、B-tree、LSM-tree、データウェアハウス、スキーマ進化、エンコーディング形式、分散システム、フォールトトレランス、リーダー選出、クォーラム。
TensorFlow と Keras の問題を体系的にデバッグする。このスキルは、テンソル形状の不一致、GPU/CUDA 検出の失敗、メモリ不足エラー、損失関数の NaN/Inf 値、勾配消失／爆発、SavedModel の読み込みエラー、データパイプラインのボトルネックなど、機械学習の問題の診断と解決を支援する。tf.debugging のアサーション、TensorBoard プロファイリング、eager execution のデバッグ、バージョン互換性のガイダンスを提供する。
R/Bioconductor の DESeq2 によるバルク RNA-seq の差異発現解析。負の二項 GLM、経験ベイズ収縮、Wald/LRT 検定、多因子デザイン、Salmon からの tximeta インポート、apeglm による LFC 収縮、MA/ボルケーノ/ヒートマップの可視化。R におけるゴールドスタンダード。Python には pydeseq2-differential-expression、TMM 正規化には edgeR を使用する。
すでにカバレッジ対象となっている企業の四半期業績を分析する、専門的な株式リサーチ業績アップデートレポート（8～12ページ、3,000～5,000語）を作成します。ビート／ミス分析、主要指標、予想の更新、投資テーゼの修正に焦点を当てた迅速対応形式です。サマリー表1～3点、チャート8～12点を含みます。"earnings update"、"quarterly update"、"earnings analysis"、"Q1/Q2/Q3/Q4 results"、または決算後レポートを依頼された場合に使用します。
Feishu Bitable のライフサイクル全体の管理：ゼロからの構築と日々の CRUD 操作。**この Skill を次の場合に使用**：(1) ユーザーが「多维表格を構築する」「XX 表を作る」「XX システムを作る」と言った場合 (2) ユーザーが業務要件を説明し、Bitable で実現したい場合 (3) Bitable のレコードの検索、追加、変更、削除が必要な場合 (4) フィールド、ビュー、データテーブルの管理が必要な場合 (5) データの一括インポートや一括更新が必要な場合 (6) ユーザーが「多维表格」「bitable」「数据表」「记录」「字段」に言及した場合
生物学、化学、物理学、天文学、気候、ゲノミクス、材料科学、医学、生態学、工学、数学、創薬、タンパク質設計、気象モデリング、単一細胞解析、PDE 求解、および関連する研究領域における科学的 AI/ML の発見と実装に使用する。厳選された Hugging Science と Hugging Face のリソースを見つけて利用するのに役立つ。`datasets` によるデータセット、`transformers` または HF Inference API によるモデル、`gradio_client` による Spaces、方法論に関するブログ記事を含む。ユーザーが科学データセット/モデル、ファインチューニングデータ、科学的 ML ベンチマーク、領域別 ML ツール、研究用 AI ツールを求めたときにトリガーする。
適切なモデル変種（DDM、FCFE、FCFF）と設定可能な成長段階を用いて割引キャッシュフロー評価を実行する。年度ごとのキャッシュフロー予測、ターミナルバリュー、エクイティブリッジ（負債の控除、現金の加算、オプション価値の控除）、1 株当たりの本源的価値、感度分析を生成する。企業を本源的価値で評価する場合、DCF モデルを構築する場合、適正価値を推定する場合、またはユーザーが DCF、割引キャッシュフロー、本源的価値、ターミナルバリュー、フリーキャッシュフロー評価に言及した場合に使用する。
キャッシュ、サーバーサイドセッション、レート制限、その他のキーバリュー状態のために Litestar の stores と store registry を設定する。明示的なバックエンド選択、バイト安全なデータ処理、TTL と更新ポリシー、名前空間、registry の接続、ライフサイクルのクリーンアップを含む。Litestar アプリが `MemoryStore`、`FileStore`、`RedisStore`、`ValkeyStore`、`StoreRegistry` に依存する場合に使用。リレーショナルな永続化、ドメインリポジトリ、データベースやキャッシュ系の skill に属するレスポンスキャッシュポリシーの詳細には使用しない。
MFS のデータソースを登録・更新・再同期して検索可能にする — postgres / mysql / mongo / snowflake / bigquery、github / jira / linear / notion / hubspot / zendesk、slack / discord / gmail / feishu、s3 / gdrive / web / file。MFS に新しいデータソースを追加したい、既存のコネクタの設定を変更したい、ソースを再取り込み／再インデックスしたい、登録済みのコネクタを一覧表示したい、データを取り込まない同期をトラブルシュートしたいときに使用する。トリガーフレーズには "add X to MFS"、"ingest my [postgres/slack/github/etc]"、"register this repo / database / workspace"、"make X searchable"、"re-sync Y"、"update the slack token"、"what connectors do I have" が含まれる。使用しない場合：コンテンツの検索／発見／閲覧（`mfs-find` を使用）；ソース自体の生の変更（MFS は読み取りのみ）。
Neon のサーバーレス Postgres と Vercel Postgres（Neon 上に構築）を Web アプリとエッジアプリに統合する：@neondatabase/serverless および @vercel/postgres の HTTP ドライバーと WebSocket ドライバー、プールあり/なしの接続文字列、sslmode の要件、neonctl による git ライクなデータベースブランチ、Drizzle ORM と Prisma の統合、マイグレーション、ポイントインタイムリストア。Cloudflare Workers、Vercel Edge Functions、Next.js、Node.js サーバーレス関数向けにサーバーレス Postgres をセットアップするとき、エッジランタイム向けに接続プーリングを設定するとき、データベースブランチを作成するとき、D1/SQLite や従来の Postgres からサーバーレス Postgres へ移行するとき、または connection pool exhausted、サーバーレスでは TCP 接続がサポートされない、トランザクションタイムアウト、sslmode required といったエラーをデバッグするときに使用する。
構造化されたエージェントメモリと組み合わせ可能なスキル向けの型付きナレッジグラフです。エンティティ（Person、Project、Task、Event、Document）の作成／検索、関連オブジェクトのリンク、制約の適用、複数ステップの操作のグラフ変換としての計画、またはスキル間で状態を共有する場合に使用します。「覚えておいて」「〜について何を知っている？」「X と Y をリンク」「依存関係を表示」、エンティティの CRUD、スキル間のデータアクセスをきっかけに動作します。
物流ネットワーク向けの予測モデルを構築・運用します—SKU/拠点/レーン粒度の需要予測、在庫配置と安全在庫最適化のインターフェース、ETA とリードタイムの予測、キャパシティと混雑のシグナル、モデル統合レベルでのルートとネットワークフローの予測、コールドチェーンと生鮮品、プロモーションと季節性、運用 KPI（充足率、OTIF、WMAPE/MAPE）に対するモデル監視、ドリフト、バックテスト。予測物流、物流需要予測、ETA 予測、在庫配置、安全在庫最適化、OTIF 予測、レーン需要、WMAPE、物流 ML、物流キャパシティ予測、コールドチェーン予測に使用します。物流ドメインを伴わない純粋な OR/MIP（operations-research-algorithm-developer）、サプライチェーン戦略のみ（supply-chain-manager）、WMS の機能開発（wms-developer）、車両テレマティクスの取り込み（geospatial-telematics-developer）、物流を伴わない汎用 ML（data-scientist）、EDI 文書マッピング（edi-engineer）には使用しません。
PyGraphistry Python SDK タスク向けの目次ルーター。"plot a graph"、"visualize my edges"、"load a dataframe into graphistry"、"import graphistry"、"run UMAP on my graph"、"query my graph with GFQL or Cypher"、"pick an execution engine"、"make my GFQL query faster"、"connect graphistry to Neo4j/Splunk/Kusto"、または任意の Python SDK グラフワークフローを求められたときに使用する。"graphistry.register"、"g.plot()"、".gfql()"、"chain-list"、"hypergraph"、"engine='polars'"、"polars-gpu"、"cudf"、"pygraphistry" でもトリガーされる。pygraphistry-core（認証/ETL/プロット）、pygraphistry-gfql（クエリ、エンジン、インデックス）、pygraphistry-visualization（スタイリング/共有）、pygraphistry-ai（UMAP/DBSCAN/埋め込み）、pygraphistry-connectors（外部 DB）にディスパッチする。ユーザーがエッジ/ノードの DataFrame を共有し、グラフ分析や可視化について尋ねたときは積極的に提案する。
PyGraphistry のグラフ ML/AI：UMAP、DBSCAN、埋め込み、異常検知のワークフロー。"run UMAP on my graph"、"cluster nodes"、"find anomalies in my network data"、"embed nodes"、"fit-transform pipeline"、"semantic search over graph nodes"、"graph AI" といった依頼で使用する。また "graphistry umap"、"dbscan clusters"、"node embeddings"、"featurize"、"anomaly triage" でも発動する。ユーザーがノード特徴量の列を持ち、UMAP や DBSCAN をまだ使わずに外れ値、クラスタ、類似性について尋ねた場合に積極的に提案する。
PyGraphistry でチェーンリスト構文または Cypher 文字列を使って GFQL グラフクエリを構築して実行する。"query my graph with GFQL"、"MATCH pattern in graphistry"、"find paths between nodes"、"hop constraints"、"let bindings"、"GRAPH constructor"、"run Cypher on my graph" といった依頼で使用する。また "g.gfql()"、"n() e_forward() n()"、"chain-list query"、"subgraph extraction"、"remote graph query"、"pattern matching in graphistry" でも発動する。ユーザーが PyGraphistry にすでに読み込んだグラフでマルチホップ走査やパターンマッチングを望む場合に積極的に提案する。
Clay プラットフォームのヘルプ — Waterfall Enrichment（150 以上のデータプロバイダー）、Claygent（AI Research Agents）、Sculptor（ワークフロービルダー）、Signals（異動、インテント）、Audiences、Ad Sync（LinkedIn/Meta/Google）、Email Sequencer、CRM Sync（Salesforce/HubSpot/Dynamics）、HTTP API アクション、webhooks。エンリッチメントデータに欠落や低いマッチ率がある、Claygent が有用な調査結果を返さない、Sculptor ワークフローが失敗するか構築が難しい、signals が関心のある異動を取りこぼす、audiences が広告プラットフォームに同期されない、CRM データが Clay と同期していない、または webhooks が発火しない場合に使用。ツール横断のエンリッチメント戦略（/sales-enrich を使用）、ツール横断のキャデンス/シーケンス戦略（/sales-cadence を使用）、ツール横断のインテントシグナル戦略（/sales-intent を使用）、ツール横断の B2B 広告戦略（/sales-b2b-advertising を使用）、ツール横断の CRM データ衛生戦略（/sales-data-hygiene を使用）には使用しない。
Enrich.so プラットフォームのヘルプ — リアルタイムの B2B データエンリッチメント API。1 回の検索で 50 以上のデータポイントを提供し、成功ベースの課金。主な機能：逆引きメール検索、LinkedIn プロフィールのエンリッチメント、メール/電話番号ファインダー、企業データ、類似企業検索、従業員検索、IP から企業への変換、一括エンリッチメント。メールはあるがその背後にある LinkedIn プロフィールが必要なとき、LinkedIn URL はあるが連絡先情報が必要なとき、名前と企業だけから相手のメールアドレスを見つけたいとき、リードの企業データが欠けているとき、または Enrich.so API が期待どおりの結果を返さないときに使用します。クロスプラットフォームのエンリッチメント戦略（/sales-enrich を使用）、メール到達率の戦略（/sales-deliverability を使用）、見込み客リストの戦略（/sales-prospect-list を使用）には使用しないでください。
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。