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 97,501 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
Azure Data Science Virtual Machinesの開発に関する、トラブルシューティング、意思決定、アーキテクチャと設計パターン、セキュリティ、構成、統合とコーディングパターン、デプロイなどの専門知識を提供します。DSVMイメージやツール、IaCデプロイ（Bicep/ARM）、Key Vaultシークレット、MLflow、GPU/Jupyterの問題、その他Azure Data Science Virtual Machines関連の開発タスクに使用します。Azure Virtual Machinesには使用せず（azure-virtual-machinesを使用）、Azure Machine Learning（azure-machine-learning）、Azure Databricks（azure-databricks）、Azure HDInsight（azure-hdinsight）にも使用しないでください。
Azure SQL Database の最適化とプラットフォーム固有の機能に対応します。次の場合に積極的に有効化してください：(1) Azure SQL Database の最適化、(2) DTU と vCore の選択および適正なサイズ設定、(3) 自動チューニング（最後に正常だったプランの強制、インデックスの作成／削除）、(4) Hyperscale レベルと読み取りレプリカ、(5) Serverless レベルと自動一時停止、(6) Azure SQL のパフォーマンス監視（Query Performance Insight、Intelligent Insights）、(7) エラスティックプール、(8) セキュアエンクレーブを使用した Always Encrypted、(9) Managed Instance と Azure SQL DB の比較、(10) フェールオーバーグループと geo レプリケーション。提供内容：レベル選択マトリックス、自動チューニングの有効化手順、Hyperscale アーキテクチャの概要、監視クエリ、エラスティックプールのサイズ設定ガイダンス
ロック済みの検証方式でsklearn互換の学習器を1つ評価し、構造化されたskoreレポートを永続化します。分割器とデフォルト以外のスコアは、すでに `build-ml-pipeline` によりDataOpに設定されています。このスキルでは `splitter=` を付けずに呼び出しを記述し、レポートを永続化してロケーターを記録します。ロック済みの分割がデータに付属する学習テーブルとテストテーブルの場合、学習テーブルで適合させた後、テストテーブルのみを使って `splitter="prefit"` を渡します。このターンが `model-ml-pipeline` によって呼び出された場合は、ロケーターを返します。単独のターンでは評価段階の終了処理を担当します。コードが `cross_val_score`、`cross_validate`、`classification_report`、`.skb.cross_validate`、手書きの指標出力を呼び出す場合、またはユーザーが1つの学習器のスコア算出、評価、CV実行を求めた場合に起動します。永続化済みレポートの内容説明は `audit-ml-pipeline` の担当です。使用方法：評価呼び出しの前にG-SKORE-MODEを解決し、停止条件を読み、コードより前にPre-flightを出力します。`python -m skore_skills api get` でシンボルを確認します。
jinko-sdk を通じて Jinkō のデータテーブルを作成または検査します。ユーザーが、試験のオーバーレイやキャリブレーション目標のために CSV、SQLite、pandas DataFrame から観測データをアップロードする、データテーブルの schema 列を確認する、既存のデータテーブルを検査する、metadata.public.validForFitnessFunction を検証するときに、このスキルを使用します。出力セットにはこのスキルを使用しないでください。それには jinko-output-set を使用します。
Sorftime のデータを使って、14 のマーケットプレイスにおける Amazon 商品の詳細と履歴推移を ASIN から検索します。Sorftime 商品詳細、ASIN 照会、販売推移、価格推移や履歴、BSR ランキング履歴や推移、利益分析、FBA 手数料分析、粗利益率、商品トレンド分析、日次／月次販売数、売上推移、Deal の販促履歴に関する依頼で起動します。「Sorftime」が明示されていなくても、ASIN による Amazon 商品詳細や履歴推移データの照会で起動します。
Sorftimeデータに基づく、14のマーケットプレイスを対象としたAmazon商品の多角的な検索・絞り込み。過去月のスナップショットも確認できます。ユーザーがSorftimeの商品検索、Amazon商品の絞り込み、競合調査、カテゴリー分析、ブランドの売れ筋、セラー分析、季節商品、過去スナップショットの確認、商品検索、月間販売数・売上、ABAキーワードによる商品検索、価格帯の絞り込み、新商品の発見、複数条件での絞り込み、product search、competitor research、category analysis、brand bestsellers、seller analysis、seasonal products、historical snapshotに言及した場合に起動します。「Sorftime」が明示されていなくても、Amazon商品の検索、絞り込み、比較、またはカテゴリー／ブランド／セラー別の商品探索が目的であれば起動します。
Zeabur サービスコンテナ内でコマンドを実行するときに使用します。クエリ、データクリーンアップ、マイグレーションなどの単発のデータベース操作（mongosh、psql、mysql、redis-cli など）に対応します。「コンテナに入って実行」「サービス内でコマンドを実行」「データベースを検索」「データベースから削除」「mongo コマンドを実行」「SQL を実行」「コンテナ内のファイルを確認」「サービス内でデバッグ」「サービスのシェルに入る」といった要望で使用します。環境変数、ファイル、プロセス、接続の確認など、コンテナレベルのデバッグにも対応します。データベースのデプロイには使用しません（代わりに zeabur-template-deploy を使用）。
Alibaba Cloud Tair 開発ツールキットです。アーキテクチャ選定、データ構造設計、インスタンスの作成と設定、接続管理、パフォーマンス監視、エラーのトラブルシューティング、バックアップと復元の 7 つの機能を備えます。aliyun CLI 経由でインスタンス作成、ホワイトリスト変更、バックアップ管理、データ復元などの実際のクラウド操作を実行します。復元操作はリスクが高く、現在のデータを上書きします。RAM アカウントに必要な権限があることを確認してください（references/ram-policies.md を参照）。トリガー：「tair」、「create tair instance」、「tair instance」、「redis」、「data structure」、「backup」、「PITR」、「tair architecture」、「tair connection」、「tair error」。
Azure AI Personalizer の開発に関する専門知識を提供します。トラブルシューティング、意思決定、セキュリティ、設定、統合、コーディングパターンが含まれます。シングルスロットとマルチスロットの選択、ポリシーや探索の調整、アプレンティスモード、説明可能性、ローカル推論を扱う場合や、その他の Azure AI Personalizer 関連の開発タスクに使用します。Azure AI Search（azure-cognitive-search を使用）、Azure Machine Learning（azure-machine-learning を使用）、Azure AI Metrics Advisor（azure-metrics-advisor を使用）、Azure AI Anomaly Detector（azure-anomaly-detector を使用）には使用しないでください。
Python パッケージ `datalens-sdk` を使った Yandex DataLens の自動化タスク全般にこのスキルを使用します。次の場合に起動します：DataLens、datalens、даталенс、chart、чарт、график、dashboard、дашборд、dataset、датасет、connection、подключение、workbook、воркбук、collection、коллекция、wizard chart、QL chart、editor chart、BI automation、автоматизация DataLens、「create a dashboard」、「построй дашборд」、「создай чарт」、「export dataset」、「clone dashboard」などの語句、dataset_id、chart_id、dashboard_id、workbook_id などのエンティティ ID、コードを使った DataLens オブジェクトの作成、更新、確認、インポート、エクスポート、コピー、診断の依頼。対象外：指標値に関するビジネス上の質問、DataLens Web UI の閲覧やスクリーンショット撮影、埋め込みや iframe、DataLens エンティティを管理しない生の SQL／YQL 分析、生の HTTP API 呼び出し、独立した HTML ページやレポート。ただし、この SDK を通じた公開や管理は対象です。
智慧芽（PatSnap）から、被引用数や引用した特許の詳細など、特許の被引用データを照会します。特許の被引用、被引用分析、特許の影響力、引用頻度、特許ファミリーの被引用、前方引用、特定の特許を引用している特許について言及した場合に起動します。patent citations、citation count、patent influence、citation analysis、PatSnap も対象です。「智慧芽」や「PatSnap」と明示されていなくても、特許の被引用数や引用した特許の照会に関する場合は起動します。
Web アプリケーション向けのローカルファーストアーキテクチャの意思決定フレームワークです。ローカルファースト、サーバーベース、ハイブリッドの選択基準、同期エンジン（ElectricSQL、Zero、PowerSync、Replicache、LiveStore、Triplit）の選定、クライアント側ストレージ（IndexedDB、OPFS、SQLite WASM、PGlite）、競合解決戦略（LWW、CRDTs、サーバー優先、フィールド単位のマージ）を扱います。ローカルファーストの採用判断、同期エンジンやクライアントストレージの選定、競合解決戦略の設計に使用します。
Model Context Protocol (MCP)を使ってAIエージェントをMariaDBに接続する方法です。MariaDBでMCPをセットアップする場合、Claude Code、Cursor、その他のAIツールをMariaDBデータベースに接続する場合、自然言語によるデータベースクエリを有効にする場合、またはライブデータベースアクセスが必要なAIアプリを構築する場合に使用します。MariaDB MCP Serverを使うと、エージェントはスキーマのクエリ、読み取り専用SQLの実行、MariaDBに対するセマンティック検索ができます。
ADF ツールの Windows および Git Bash 互換性。次の場合に積極的に使用します：(1) ADF CLI ツールでの MSYS_NO_PATHCONV の使用、(2) ADF npm ビルド実行時の Git Bash によるパス変換、(3) Git Bash から呼び出す ADF 用 PowerShell スクリプト、(4) Windows の Git Bash から Azure CLI を使用した ADF デプロイ、(5) Windows での ARM テンプレートのエクスポート問題、(6) Windows 上の ADF utilities npm パッケージ、(7) JSON パイプライン定義の改行コード問題。提供内容：MSYS 環境変数の設定例、Windows の npm の修正方法、Bash から PowerShell を呼び出すパターン、Git Bash での Azure CLI 認証。
Azure Data Factory（ADF）のCI/CD、デプロイ、パイプライン開発。以下の場合に積極的に有効化：（1）ADF CI/CDのセットアップ（npm検証、ARMテンプレートのエクスポート）、（2）ADF ARMテンプレートのデプロイ、（3）CIでのADF npmビルド検証、（4）トリガーとリソースのクリーンアップ用PrePostDeploymentScript、（5）ADF GitHub Actionsワークフロー、（6）ADF Azure DevOpsパイプライン、（7）ADF Git統合（コラボレーションブランチと公開ブランチ）、（8）環境間でのリンクサービスとデータセットのパラメーター化、（9）ADFトリガー（スケジュール、タンブリングウィンドウ、イベント）、（10）ADFのデプロイスロットとブルーグリーンデプロイ。GitHub ActionsとAzure DevOps向けの完全なCI/CD YAML、PrePostDeploymentScriptリファレンス、パラメーター化パターン、トリガー管理レシピを提供。
PostHog Signalsのscout（プロジェクトを定期的にスキャンし、検出結果をSignalsの受信トレイに送るエージェント）の作成、編集、調整方法を説明します。ユーザーが自分の設定に合わせて標準scoutをカスタマイズする（対象範囲を絞る、しきい値を調整する、除外条件を追加する）、scoutのスケジュールやdry-run設定を変更する、または特定の用途（カスタムイベント、標準scoutがカバーしていないプロダクト領域）向けに新しいscoutを一から作成する場合に使用します。scoutのSKILL.mdの構造、emit契約、重複排除とスクラッチパッドメモリの規約、チームごとのスキルストアのパスと標準リポジトリ内パスの違い、emitして確認するテストループ（任意の安全策としてdry-runを使用）を扱います。「signals scoutを作成／編集／カスタマイズ」「X用の新しいscout」「scoutのスケジュールを調整」「<event>を監視するscoutを作成」などで起動します。
Azure HDInsight の開発に関する専門知識を提供します。トラブルシューティング、ベストプラクティス、意思決定、アーキテクチャと設計パターン、制限とクォータ、セキュリティ、構成、連携とコーディングパターン、デプロイを含みます。HDInsight Spark/Hive/Kafka/HBase クラスター、Ambari/Oozie パイプライン、Azure 統合ストレージ／BI の作業や、その他の Azure HDInsight 関連の開発タスクに使用します。Azure Databricks（azure-databricks を使用）、Azure Synapse Analytics（azure-synapse-analytics を使用）、Azure Stream Analytics（azure-stream-analytics を使用）には使用しないでください。
Infrahub の schema YAML ファイル（ノード、ジェネリック、属性、リレーション、拡張）を作成、検証、整形、変更します。また、ドメインを一からモデル化する前に、再利用できる公開済み schema が Infrahub Marketplace にあるか確認します。次の場合に起動：データモデルの設計、schema ノードの追加、schema 定義の検証、schema 移行の計画、既存 schema の変更や拡張、ノード種別の属性やリレーションの変更、schema の読み込み失敗や移行拒否の原因のデバッグ、Marketplace で既製 schema の確認、ファイルオブジェクト／添付ファイル／アップロード（PDF、画像、証明書、文書）のモデル化、schema ファイルの整形、schema キー順の正規化、`infrahubctl schema format` の実行（CI ゲートとしての実行を含む）。次の場合は起動しない：オブジェクトデータファイルの入力や編集（infrahub-managing-objects を使用）、チェック／ジェネレーター／transform の記述、ライブデータのクエリ、Infrahub のバージョンアップ計画（infrahub-planning-upgrades を使用）。
Python または Jinja2 テンプレートと YAML 駆動テストを使用して、データを JSON、テキスト、CSV、デバイス設定に変換する Infrahub transforms を作成、変更、デバッグします。次の場合に起動：設定生成、データエクスポート、形式変換、Jinja2 テンプレート、アーティファクトパイプラインの構築、transform のテスト作成や実行、既存の transform やテンプレートの変更・拡張、transform の出力誤りやアーティファクト生成失敗のデバッグ。次の場合は起動しない：スキーマの設計、検証チェックの記述、ジェネレーターの作成、ライブデータのクエリ。
jinko-sdk を通じて Jinkō CMA-ES キャリブレーションの作成、実行、ポーリング、結果の確認を行う：データテーブルおよび/または高度な出力セットを適応度関数のソースとしてアタッチし、CMA-ES オプションとパラメータの事前分布を設定し、実行を起動・監視し、パフォーマンス/結果のペイロードを読み取る。ユーザーが Calibration オブジェクトを構築・操作する SDK の仕組みを必要とするときは常に使用する。このスキルはキャリブレーションのビジネスルール（デフォルト、診断、成果物ルール）には使用しない。このスキルは高度な出力セット/スコアリング設計の作成には使用しない——jinko-output-set を使用する。このスキルはデータテーブルの作成や validForFitnessFunction チェックには使用しない——jinko-data-table を使用する。このスキルはモデルやプロトコルの作成には使用しない——jinko-model / jinko-protocol を使用する。このスキルはキャリブレーションプランのオーケストレーションや反復ワークフローには使用しない。
jinko-sdk を使って Jinkō 計算モデル（QSP/PK-PD）を構築または編集します。対象はパラメーター、カテゴリーパラメーター、コンパートメント、種、ODE、反応、投与イベント、代数規則、ベースラインチェック、ソルバーオプション、単位、コンポーネントタグです。モデルの新規作成、空のモデルの作成、既存モデルの編集、コンポーネントの追加や変更、入力／ソース／出力タグの適用、単位チェックの設定、モデルレベルの投与イベントの定義、2つのモデルの統合と競合の解決、診断の検証、モデルの妥当性や simple_solve エラーのデバッグをユーザーが求める場合に使用します。再作成より既存モデルの編集を優先してください。試験の実行には使用せず、jinko-trial を使用してください。
jinko-sdk を通じて Jinkō 出力セットの作成、検査、検証、増分編集を行う：モデル出力から導出されたスカラー測定値を列挙するシンプルな出力セット（測定設計）と、仮想集団のスコアリングのための制約、スカラー、加重目標を定義する高度な出力セット（スコアリング設計）。出力セットを他の場所にアタッチする前に、スコアリング式を検証し診断を読む。このスキルはシンプルまたは高度な出力セットをトライアルにアタッチして実行するためには使用しない；その場合は jinko-trial を使用する。このスキルはデータテーブルの作成や適応度関数のメタデータには使用しない；その場合は jinko-data-table を使用する。このスキルはキャリブレーション設定や CMA-ES オプションには使用しない。
jinko-sdk を通じて多アームの Jinkō プロトコル設計を設計または編集します。ユーザーが、アームごとにモデルコンポーネントの値を上書きして、投与量、スケジュール、投与経路、治療有効化フラグ、治療の組み合わせを比較したいときに、このスキルを使用します。プロトコル設計はモデルで定義された入力に値を割り当てます。投与関数、スケジュールのパラメーター化、治療有効化ロジック、投与モードのロジックはモデルに属します。それらの関数や入力がまだ存在しない場合は jinko-model を使用してください。試験の実行には jinko-trial を使用します。
jinko-sdk を通じて Jinkō の in-silico 試験の作成、妥当性検査、実行、ポーリング、結果のダウンロード、プロットデータの計算を行います。ユーザーが計算モデルとシンプルな出力セットから試験を設定し、必要に応じて vpop、プロトコル、データテーブル、高度なスコアリング出力セットを添付して試験を起動し、完了を待ち、完了した試験を検査し、TimeSeries と Scalar の結果を pandas DataFrame としてダウンロードし、または計算済みのプロットデータ（スカラー分布、時系列分位帯、生存曲線、寄与／トルネード分析、患者ごとの散布値）を記述子でフィルタリングまたはグループ化して取得し、独自にプロットしたいときに、このスキルを使用します。モデルの編集、vpop の作成、プロトコル設計の作成、データテーブルのアップロード、出力セットの作成／編集、保存済みの TrialVisualization の構成には、このスキルを使用しないでください。
完了済みまたは実行中のトライアル向けに Jinkō TrialVisualization プロジェクト項目を作成、更新、検査、サニティチェック、取得する。ユーザーがトライアル可視化、トライアル viz、時系列プロットの設定、スカラー結果プロット、散布図、寄与分析、生存分析、データオーバーレイを求めるとき、または現在の可視化 JSON を取得したいときは常にこのスキルを使用する。SDK は型付きの TrialVisualization API を公開する：作成ヘルパーに加え、各プロットタイプごとのセクション別サブサービス。
jinko-sdk を通じて Jinkō の仮想集団（vpop）と vpop 設計を作成、生成、検査、または操作します。ユーザーが CSV や pandas DataFrame から vpop をアップロードする、周辺分布から vpop ジェネレーターを作成する、vpop 設計から vpop を生成する、vpop の内容／統計を検査する、既存の vpop 設計を編集するときに、このスキルを使用します。Vpop プロジェクトアイテムとして生成またはアップロードされた vpop は編集できません。代わりに vpop 設計を編集して再生成してください。
インターネットからコンテンツを取得するためのワンストップツールです。動画のダウンロード、音声の抽出と文字起こし、字幕のダウンロード、コメント収集、クリエイターデータ、ウェブスクレイピング、検索の集約、クロスプラットフォーム投稿、データ分析に対応し、30 以上のプラットフォーム（抖音/TikTok/YouTube/B站/小红书/知乎/公众号/视频号/微博/Reddit/HackerNews/即刻/知识星球/雪球/贴吧/头条/Twitter など）をカバーします。フォールバックチェーンに沿って最適なツールを自動選択します。ユーザーが「ダウンロード」「動画を取って」「取得して」「スクレイピング」「読んで」「このリンクを読んで」「この URL を見て」「文字起こし」「字幕」「コメント」「コメントを見て」「コメントを取得」「クリエイターデータ」「クリエイターの更新」「up主」「最近誰が何を投稿したか」「サムネイル」「抖音に投稿」「小红书に投稿」「予約投稿」「下書き」「アカウントデータ」「フォロワー数」「スクリーンショット」「ウェブページ本文」「このページの内容は何か」と言う場合、任意の URL／短縮リンク／BV 番号／動画チャンネルリンク／公式アカウント記事リンクを提示してコンテンツの取得を求める場合、抖音/TikTok/YouTube/B站/小红书/知乎/公众号/视频号/微博など特定のプラットフォームに言及してコンテンツのダウンロードや検索、コメントの閲覧、データ収集を求める場合、またはインターネットからコンテンツを取得する操作を求める場合に使用します。フォールバック順でツールを優先します。検索は anysearch→opencli→agent-reach、ダウンロードはプラットフォーム別にルーティング、スクレイピングは Scrapling→browser-use→web-access を使用します。ブラウザー操作（ログイン状態のページ／JS レンダリング／複数ステップの操作／サイト間転送）では huashu-chrome MCP を優先します（2026-10-21 以降、実際のログイン状態と結果の証拠を備え、chrome-devtools MCP の代替）。純粋な技術的事実確認や、プラットフォーム名を含まずコンテンツを取得しないチュートリアル・体験談の検索は laohan-sousuo に譲ります（Jeffrey が 2026-10-02 に決定）。
Synapse Data Factory のパイプラインを Fabric Data Factory に移行します。リンクされたサービスを Fabric 接続に変換し、データセットをアクティビティにインライン化し、グローバルパラメーターを Variable Libraries に変換し、SynapseNotebook を TridentNotebook にマッピングします。パイプライン JSON に使用します。Synapse Spark ノートブックのコードには synapse-migration を使用してください。
PostHog の取り込み警告（イベント取り込み中に記録された問題：イベントの破棄、人物マージの拒否、ペイロード超過、無効なデータ）を診断して解決します。イベントが欠落、破棄、または過少カウントされる理由、identify/alias 呼び出しが機能しない理由やアカウントが重複したままになる理由、人物またはグループのプロパティが更新されない理由やプロフィールが異常に膨らんで見える理由、録画に欠落がある理由、ヒートマップが空である理由、LLM トークン数が欠落する理由、Cookie を使わないイベントが消える理由について質問された場合、または `ingestion_warning` ヘルスチェックが発生した場合に使用します。重大度の判定（error = 破棄、warning = 変更、info = 意図された動作）を説明し、サイズ制限とエンリッチメント、マージと distinct ID、高頻度の distinct ID、`$process_person_profile`、タイムスタンプ、Cookie なし、ヒートマップ、変換、セッションリプレイなど、すべての警告タイプを、コードレベルの原因と SDK ごとの修正を記載した個別の参照ファイルに案内します。
Microsoft Fabric の Spark／データエンジニアリングのワークフローを開発し、Fabric Notebook のセルでコードを記述して、関連リソースへルーティングします。ワークスペース／lakehouse の管理、Notebook コードの作成（PySpark、Scala、SparkR、SQL）、Materialized Lake View（MLV）の作成を提供します（Spark SQL の MLV は増分更新をサポートし、PySpark は全件更新のみ）。データエンジニアリングのパターン、開発ワークフロー、インフラストラクチャのオーケストレーションにルーティングします。既存 MLV の更新やスケジュール管理には `mlv-operations-cli` を使用してください。トリガー："develop notebook"、"Delta Lake patterns"、"Spark development"、"lakehouse configuration"、"write notebook code"、"notebookutils"、"notebook cell"、"PySpark notebook"、"%%sql cell"、"%%configure"、"fabric notebook"、"run notebook"、"notebook deployment"、"materialized lake view"、"MLV"、"CREATE MATERIALIZED LAKE VIEW"、"MLV incremental refresh"、"review MLV for incremental refresh"、"MLV refresh policy"
タイムマシン。1ドルもリスクにさらす前に、取引のあらゆる結果を再生します。1万回のセッションをシミュレーションし、過去にセットアップが発動したすべてのケースも検証します。trader-exit のプラン（エントリー、ストップ、目標）を受け取り、過去 60 日間の銘柄自身の 5 分足データから当日の残りを 1 万回再構築し、過去の各セッションでも同じルールを再実行します。引けまでに目標が先か、ストップが先か、どちらにも達しないかの確率、引け時の価格、平均 R、履歴、率直な判定を出力し、/trader-budget に引き継ぎます。ユーザーが「run the time machine」「replay this trade」「what are the odds」「simulate this trade」「monte carlo」「backtest this setup」「how often does this hit the target」「is this a coin flip」と言った場合、または /trader-exit がプランを書き出した後、/trader-budget の前に使用します。
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。