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 97,222 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
PostHog エンドポイントの実行ログを調査・診断します。エラーメッセージ、実行失敗、キャッシュミス、実行の遅延、エンドポイント呼び出し時の予期しない行数などを確認します。「エンドポイントが失敗している」「エンドポイント X のログを見せて」「エンドポイント Y で発生したエラーは？」「エンドポイント Z が行を返さなかったのはなぜ？」「このエンドポイントはキャッシュを使っている？」「直近 N 回の実行を確認して」などの依頼に使用します。プロジェクト全体の監査やクエリのパフォーマンス分析ではなく、指定された単一のエンドポイントの実行時ログに特化しています。
Make Integrationサービスを使用して、請求書、料金明細、領収書、チケットなどの証憑ファイルを認識する依頼で使用。「发票内容」「识别发票」「票据 OCR」「ocr 这张图片」「验真发票」のような依頼でも起動する。Makeリソースの管理（makecliを使用）、DSLスキーマの設計（makedsl）、UI構築（makeui）、認証の実装（make-app-auth）、Service/APIコード（make-app-service）、ランタイムのパッケージ化（make-app-runtime）、またはmakecli統合コマンド外での非Make OCRには使用しない。
結果が異常、偏っている、空、または古く見える PostHog 実験の診断とヘルスチェックを実行します。露出数 0、サンプル比率の不一致、露出の欠落や偏り、複数のバリアントに入るユーザー、ID の不具合、有意差に関する落とし穴（データの覗き見、A/A、「目標達成」、ベイズ統計と頻度論、逐次検定、CUPED）、PostHog と SQL またはダッシュボードの不一致、実行中の編集、一時停止と凍結、アンケートによる定性的な追加調査を扱います。 起動条件：ユーザーが「実験は正常か／偏っていないか」「露出数が 0 なのはなぜか」と尋ねる、バイアスや不一致の警告、分割の偏り、異常に見えるバリアント、有意差の反転、SQL やインサイトと一致しない数値、編集後に変わった結果に言及する、または実験についてユーザーの意見を集めたい場合。 起動しない条件：実験の作成（creating-experiments を使用）、ロールアウト（configuring-experiment-rollout を使用）または指標（configuring-experiment-analytics）の設定のみ、あるいはライフサイクルに関する質問のみ（managing-experiment-lifecycle を使用）の場合
MAGeCK でプール CRISPR スクリーニングの FASTQ リードと guide-count 行列を解析し、ガイドライブラリとコントラストを検証し、リプリケートおよびライブラリの QC を測定し、効果量と FDR を伴う遺伝子ヒットランキングを生成する。新規のノックアウト、CRISPRi、CRISPRa スクリーニング解析、エンリッチメントまたは枯渇のコントラスト、MAGeCK count/test ワークフローに使用する。既存の公開依存性スコア検索は DepMap の担当。
Supabaseがメンテナンスする、あらゆる環境で稼働するPostgres向けのベストプラクティスです。Postgresデータベース内の内容を作成または変更する前に、このスキルを読み込んでください。対象は、テーブルや列の作成・変更（列型の選択を含む）、スキーマ設計、マイグレーションと宣言的スキーマファイル、RLSポリシーと検証テスト、インデックス、トリガー、データベース関数、キューとスケジュールジョブ（pg_cron、pgmq）、ベクトル／セマンティック検索（pgvector）、ダンプの復元（pg_restore）やデータのインポートです。遅いクエリ、CPU使用率の高さ、タイムアウト、EXPLAINプラン、接続枯渇、ロック、肥大化、または誤ったユーザーやテナントに表示される行の診断時にも読み込んでください。これは単なるパフォーマンスガイドではありません。スキーマ、マイグレーション、セキュリティ、SQL作成の作業にもこのルールが必要です。列を1つ変更する場合や単一のクエリでも同様です。
Bronze、Silver、Gold のメダリオンパターンに基づき、Fabric データプラットフォームをエンドツーエンドで計画・構築します。データ取り込みから分析、PySpark と Delta レイヤー、パイプラインのオーケストレーション、レイヤーごとの Spark チューニング、Silver と Gold での Materialized Lake View と notebook の選択、Direct Lake への引き継ぎを扱います。レイヤー化アーキテクチャの設計、計画、推奨に使用します。既存の Power BI レポートに関する質問には fabriciq を使用してください。
エンドポイントのバージョンを安全に扱います。playground でのドラフトのプレビュー、旧バージョンへのロールバック、クエリ履歴のバージョンを上げずに特定バージョンの設定を更新すること、特定バージョンの無効化が可能です。「エンドポイントをロールバックする方法」「公開前に変更をプレビューしたい」「バージョンを上げずに v5 を修正したい」といった質問や、バージョン履歴に関する内容で使用します。現状の制約も正確に説明します。ポインターの切り替え機能はなく、「ロールバック」とは古いクエリをフォークして新しい最上位バージョンを作ることです。
MathModel LaTeX サンドボックスで、組み込みの科学可視化テンプレートの再現をユーザーが求めた場合にこのスキルを使用します。特に Improve タブで、$mathmodel-figure-templates、科研绘图模板、SHAP蜂群柱状图、配对云雨图、交叉验证ROC、泰勒图、相关矩阵组合图、预测真实值边缘分布图、TPE调参3D曲面、下三角相关矩阵半边小提琴图、分组环形热图、城市公园降温组合图、Nature和弦图に言及するプロンプトが対象です。スキルに同梱された、すぐに実行できる Python スクリプトを提供します。
NeuroConv と PyNWB を使用して神経科学の取得データを Neurodata Without Borders ファイルに変換し、メタデータとタイムベースを保持し、エビデンスに基づくクロック整合性を確認し、スキーマ検証、NWB Inspector の検出結果、ラウンドトリップチェックを生成します。平面的な単一チャネルの二光子 TIFF イメージングとタイムスタンプ付き行動位置 CSV の NWB 変換および同期に使用します。本 Skill はスパイクソーティングを行わず、任意の取得フォーマットに対する検証済みサポートを主張しません。
アプリケーションコードから Web Scraper API、SERP、Web Unlocker、Scraper Studio を呼び出すための Bright Data の Python および Node.js SDK です。ユーザーが定期実行またはパイプライン内で Bright Data を呼び出すコードを作成して保守する場合、同じ処理を繰り返し実行する場合、Python または Node.js で Bright Data パッケージをインポートする場合、Bright Data を基盤に独自の API やサービスを構築したい場合（「スクレイパー API を作って」「これをエンドポイントでラップして」）、または SDK を指定した場合に使用します。シェルで入力する単発の確認には適しません。それは brightdata-cli の担当です。実行時にツールを選択する AI アプリには適しません。それは brightdata-mcp の担当です。インストール、ログイン、API キーの問題には適しません。それは agent-onboarding の担当です。
Databricks 上の Apache Iceberg テーブル——マネージド Iceberg テーブル、External Iceberg Reads（旧 Uniform）、互換モード、Iceberg REST Catalog（IRC）、Iceberg v3、Snowflake 相互運用、PyIceberg、OSS Spark、外部エンジンアクセス、認証情報の提供に対応します。Iceberg テーブルの作成、Delta テーブルでの External Iceberg Reads（uniform）の有効化（互換モードによる Streaming Tables と Materialized Views を含む）、Unity Catalog IRC 経由で Databricks テーブルを読み取る外部エンジンの設定、Snowflake カタログとの連携による Foreign Iceberg テーブルの読み取りに使用します。
LLMのファインチューニング、カスタムモデルのトレーニング、または特定のタスクに合わせた基盤モデルの調整に使用します。LoRA/QLoRAアダプターの設定、JSONLトレーニングデータセットの準備、ファインチューニング実行時のハイパーパラメーター設定、アダプタートレーニング、転移学習、Hugging Face PEFTによるファインチューニング、OpenAIのファインチューニング、指示チューニング、RLHF、DPO、ファインチューニング済みモデルの量子化とデプロイに活用できます。トリガー語：LoRA、QLoRA、PEFT、finetuning、fine-tuning、adapter tuning、LLM training、model training、custom model。
REST APIまたは公式MCPサーバーを通じて、Fintel（fintel.io）の機関投資家向け市場データを照会します。ユーザーがFintelに言及した場合、または空売り残高、空売り比率や買い戻し所要日数、ショートスクイーズデータ、貸株料率や借株コスト、貸借可能株数、日次空売り出来高、未決済取引（FTD）、13F機関投資家保有者（「Xを保有しているのは誰か」）、SEC Form 3/4/5に基づくインサイダーの売買、アナリスト目標株価、評価や予測、配当または決算の履歴とカレンダー、終値または最新価格、ティッカー・CUSIP・ISIN・FIGIによる証券検索、Fintelランキング、Fintelのウォッチリストやアラートについて尋ねた場合に使用します。読み取り専用：GETエンドポイントのみ。
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。