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
PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で、再利用可能なコンバージョンモデル（ファネル/ステップのコンバージョン率、離脱、コンバージョンまでの時間）を構築する。ユーザーがコンバージョン率、ファネル、ステップ完了、離脱、アクティベーションファネル、サインアップから有料化、または「A を行ったユーザーのうち何 % が（N 日以内に）B を行ったか」といった指標をモデル化、定義、計算したいときに使用する。ファネルモデル（順序付きステップ、コンバージョンウィンドウの時間枠、厳密な順序と任意順序）、個人単位とグループ単位の集計、全体のコンバージョンとステップ間のコンバージョン（異なる 2 つの数値）、内訳のアトリビューション、保存済みのファネルインサイトが倉庫ビューより優れる場合を扱う。PostHog では windowFunnel を用いて HogQL でファネルをモデル化し、dbt ではイベントストリームをステージングしてテスト付きの fct_conversion マートを計算する。ビューと dbt の仕組みについては先に modeling-warehouse-foundations を読む。query-funnel と組み合わせてインタラクティブな分析を行う。
送信済みの Zyte API リクエストについて、費用、リクエスト数、応答時間、ステータスコード、フィルター、グループ化、ページネーションなどの使用統計を照会します。記録済みの Zyte API 使用状況、支出、リクエスト数、応答時間、グループ別統計、フィルター済み統計の確認が必要な依頼には必ず使用します。実際の記録に明示的に基づく将来の支出や使用量の予測（例：「今月これまでの使用量に基づいて月末の支出を予測して」）も含みます。スパイダー、ジョブ、ワークロードが生成し得る量を尋ねられた場合は使用しないでください。プロジェクトにスパイダーが存在していても、照会可能な記録がない仮定上の見積もりです。予測の対象とするには、ユーザーが過去または現在の記録済み使用量を明示的に根拠として挙げる必要があります。ダッシュボードの設定、ドキュメント、構成、アカウントに関するヘルプにも使用しないでください。
PostgreSQL、MySQL、SQLite、SQL Server に対応した SQL クエリの作成・最適化とデータベーススキーマ設計の専門知識を提供します。データベース作業で次の場合に使用します。（1）結合、サブクエリ、ウィンドウ関数を含む複雑な SQL クエリの作成、（2）遅いクエリの最適化と実行計画の分析、（3）適切に正規化されたデータベーススキーマの設計、（4）インデックスの作成とクエリパフォーマンスの改善、（5）マイグレーションの作成とスキーマ変更への対応、（6）SQL エラーやクエリの問題のデバッグ
データソースから予測器までのパイプラインを skrub DataOps グラフとして宣言します。ステートレスなステップには `.skb.apply_func`、ステートフルなステップには `.skb.apply` を使用します。グラフの作成後、ロックされた分割器とデフォルト以外のスコアを設定します。fit、tune、永続化、`skore.evaluate` は使用しません。データソースから予測器までのいずれかの箇所（ローダー、前処理、特徴量、構成、最終推定器）を記述または編集するときに起動します。この経路上の純粋な Python 関数、ステップの追加や並べ替え、トップレベルでの単独の `sklearn.Pipeline` の使用、パイプライン、分類器、回帰器の作成依頼も対象です。使用方法：最初の宣言的な行を書く前と、構造を編集するたびに使用します。停止条件を読み、コードの前に Pre-flight を出力します。`python -m skore_skills api get` で新しい名前を確認します。
ユーザーが gate-cli を通じて Gate.info / Gate.news の調査を希望する場合は常にこのスキルを使用します。単一コイン、マーケット概況、複数コインの比較、TA、マクロ分析、調査とニュースの組み合わせが対象です。トリガー句：「SOL を分析」「BTC の状況は」「BTC と ETH を比較」「テクニカル分析」「NFP の影響」「ニュースを含めて調査」。Info が主要情報源、news は補助情報源です。委任先：gate-info-risk（安全性）、gate-info-web3（オンチェーンを主軸）、gate-news-intel（ニュース優先）。v0.7.6 以降では利用可能な場合に playbook ショートカットを使い、v0.7.6 未満では従来の複数ステップのフォールバックを使います。
直接値を持つ Jinkō モデル入力をエビデンスの出所別に分類し、キャリブレーションが必要な入力を明示的なキャリブレーションステップに割り当てる。ユーザーがどのパラメータ、カテゴリカルパラメータ、または種の初期条件をキャリブレーションすべきかを判断し、その決定を `s::*` および `CalibIter::*` タグで記録したい場合に使用する。データセットの選択、事前分布の推定、キャリブレーション計画の作成、キャリブレーションの実行には使用しないこと。
PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で、再利用可能なアクティベーションモデル——アクティベーション率の指標と、ユーザー単位/アカウント単位のアクティベーションフラグ——を構築する。ユーザーがアクティベーション、"aha moment"、オンボーディングの成功、またはどの初期行動がユーザーの継続利用を予測するかを定義、モデリング、測定したい場合に使用する。このスキルが徹底する中心的な考え方：アクティベーションは想定された単一のイベントではない——リーチ（十分な数のユーザーが到達する）と予測力（到達したユーザーははるかに定着しやすい）のバランスを取って選ばれる、継続率で検証された初期行動の組み合わせである。候補となる行動の洗い出し、継続率の向上による検証、回数しきい値と行動の組み合わせ、プロダクト単位および B2B グループ単位のアクティベーション、勝ち残った定義を長期運用可能なアクティベーションフラグ + アクティベーション率モデルとしてモデリングすることを扱う。まず modeling-warehouse-foundations を読み、継続率の検証には modeling-product-usage-metrics を組み合わせる。
PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で、再利用可能なプロダクト利用・エンゲージメントモデル（リテンション、スティッキネス、ライフサイクル）を構築する。ユーザーが戻ってくるかどうか（リテンション / チャーン）、どれくらいの頻度で利用するか（スティッキネス / パワーユーザー / DAU-WAU-MAU 比率）、アクティブベースの構成（新規 / 復帰 / 復活 / 休眠のライフサイクル）をモデリング、定義、計算したい場合に使用。これら 3 つは開始イベント／復帰イベントの語彙とインターバル粒度を共有する 1 つのエンゲージメントファミリーであり、本スキルはそれらをまとめて扱い、適切な視点の選択を支援する。リテンションは復帰率コホートマトリクス、スティッキネスは頻度分布、ライフサイクルは成長の質に対応する。PostHog では HogQL でモデリングし（query-retention / query-stickiness / query-lifecycle に対応）、dbt ではテスト付きの fct_retention / fct_stickiness / fct_lifecycle マートを構築する。まず modeling-warehouse-foundations を読み、modeling-activation-metrics が使用するリテンション検証にデータを供給する。
再利用可能な収益モデル — MRR、ARR、総収益、新規/拡張/縮小/チャーン、ARPU、LTV、顧客別/アカウント別収益 — を PostHog データウェアハウスビュー（HogQL）または外部 dbt プロジェクト上で構築する。ユーザーが経常収益、月次/年次の経常収益、収益のチャーンやリテンション、ライフタイムバリュー、ユーザーあたり平均収益、または顧客・コホート・製品・通貨別の収益をモデル化、定義、計算したいときに使用。PostHog では、Stripe またはカスタム収益イベントが供給するマネージドの *_revenue_view ビュー（revenue_item、mrr、customer、subscription、charge、product）を基に構築し（生の Stripe テーブルではなく）、convertCurrency() で金額を正規化する。dbt では、支払いソースをステージングし、テスト付きで fct_mrr / fct_revenue_item / dim_customer のマートを計算する。適切なソースの選び方、MRR が空になるサブスクリプション設定の落とし穴、通貨の扱い、収益を person/group に紐づける方法を扱う。ビューと dbt の仕組みについては先に modeling-warehouse-foundations を読む。
AI コーディングの利用状況のインサイトを表示する。コスト、トークン、セッション活動、およびメンバー、モデル、エージェント、プロジェクト、製品、プロンプト品質ごとの内訳。また、Team（CawPlan 製品ライン）で毎日のコーディングレポートを提出していないメンバーの特定、Team のコストの集計、高コスト/低差分のセッションの指摘、メンバーのコスト増加の指摘を行う。使用する場面：ユーザーがコーディングコスト、AI 利用統計、チームのセッション活動、モデル支出、エージェント利用、プロンプト品質、生産性指標、コーディングレポートを提出/コミットしていないチームメンバー、Team の総コーディングコスト、変更されたコードに対してコストが不相応に高いセッション、誰かのコーディングコストが著しく増加したかどうかを尋ねたとき。対象外：レポートの提出、チケットの作成、製品ヘルス指標、リリース追跡。
lib-content および lib-node API を使用して、コンテンツの一括作成、更新、クエリ、移行、変換を行う Enonic XP スクリプトを生成します。クエリ DSL（NoQL）、集計、バッチ処理、長時間実行処理向けのタスクコントローラー、エクスポート／インポートのワークフローを扱います。コンテンツの一括作成・更新・削除スクリプトの作成、NoQL 構文でのクエリ、環境間のコンテンツ移行、長時間実行タスクの実行、集計やページネーション付き取得に使用します。Guillotine GraphQL のフロントエンドクエリ、コンテンツタイプのスキーマ定義、単一の contentLib.get() 呼び出し、Enonic 以外のデータ移行ツールには使用しないでください。
SEC EDGARのデータを使用して米国株をスクリーニングし、順位付けします。セクターやテーマ別の銘柄検索、バリュエーション・成長性・品質指標による順位付け、投資アイデアの提示、条件に合う銘柄のスクリーニング、グループ内の最良の成長株・バリュー株・高品質株の検索に使用します。トリガー：「最良のAI株」「割安なヘルスケア株」「最も成長の速い半導体株」「バリュー株を探して」「高成長テック株をスクリーニング」「これらの株を品質順に並べて」「この中で最も成長が期待できる株はどれ」。注意：統計分析を伴う同業他社の横並び比較には、代わりにcomps-analysisを使用してください。
スタースキーマ用の再利用可能なディメンション / ルックアップテーブル（国・地域、タイムゾーン、通貨、日付、プラン / プロダクト、その他の記述的属性）を、PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で構築する。ディメンションテーブル、ルックアップテーブル、スタースキーマ、コンフォームドディメンションをモデリングしたい場合、または JOIN を繰り返さずにイベント / 収益 / 利用状況を国、地域、タイムゾーン、プラン、通貨の属性で拡充したい場合に使用。ディメンションデータの入手（アップロード、ウェアハウスソース、イベントからの導出）、エイリアス付きの 1 エンティティ 1 行ビューへの整形（ディメンションはほとんど変化しないため、必要に応じて低頻度のスケジュールでマテリアライズ）、保存済み join または person join によるファクトへの接続（その列をネイティブフィールドとして読めるようにする）までを扱う。重要なルール: 通貨には独自のレートテーブルではなく組み込みの convertCurrency() を使用する。まず modeling-warehouse-foundations を読むこと。ここでのディメンションは収益、コンバージョン、アクティベーション、プロダクト利用のモデリングスキルで再利用される。
構造pytest：予測数はpredict-gridの行数と一致する必要があります。承認済みの実験にスモークテストが必要な場合、行数の不一致で `pytest tests/smoke/` が失敗した場合、ユーザーが失敗理由を尋ねた場合、パイプライン編集の検証が必要な場合、または実験スクリプトによってパイプライン構造が変わった場合に起動します。`status.setup.pending` が空でない場合（`setup-ml-project`を読み込む）、または承認済み設計や該当する実験スクリプトがない場合は停止し、状況を説明してセットアップへ案内するか、`build-ml-pipeline`を続行します。gitを断られた場合、再度尋ねません。「スモークテストが失敗するのはなぜ？」という質問はこのスキルで扱います。回帰テストやCVの解釈は対象外です。`skore.evaluate` は記述しません。使用方法：`status`を確認し、ジャーナルと実験を読み、`tests/smoke/test_NN_*.py`を作成してから、`python -m skore_skills smoke run --stem <stem>`を実行します。赤いJSONは `build-ml-pipeline` でパイプラインを修正することを示します。アサーションを緩めないでください。
あらゆるウェブサイトから構造化データを抽出するための汎用プレイブック — ホテル価格、航空券運賃、EC リスティング、不動産、求人、競合製品カタログなど、1 つ以上の URL をディスク上のクリーンなレコードに変えることを目的とするあらゆる場面。ユーザーがウェブサイトからのスクレイピング、収集、抽出、データ取得に言及したとき、データを取得したい特定のサイトや競合を挙げたとき、JavaScript レンダリングページ、Cloudflare ブロック、ボット検出、Turnstile チャレンジ、Playwright の扱い方を尋ねたとき、価格を継続的に監視したいとき、コピー&ペーストのリサーチ作業を自動化したいとき、「X からデータを取るだけでいい」「サイト Y から N を取得するスクリプトが必要」などと言ったときに使用します。偵察、機能する最も軽量な抽出ツールの選択、アンチボット対策の回避、実行マニフェスト付きのクリーンな JSONL 出力の作成を扱います。範囲はスクレイピングのみ — データベースへの格納、スケジューリング、下流パイプラインの作業は明示的に対象外であり、他のツールに属します。
2 つのプレーンに対応する Alibaba Cloud Milvus のフルスタック Skill です。aliyun CLI によるコントロールプレーンのインスタンス管理と、pymilvus によるデータプレーンの Milvus 操作を扱います。Alibaba Cloud Milvus インスタンスの作成、確認、スケーリング、設定、ネットワーク有効化、ホワイトリスト設定を行う場合や、Milvus に接続して Python でコレクション管理、ベクトルの挿入・検索、ハイブリッド検索、全文検索、インデックス管理、パーティション/データベース管理、RBAC を実行する場合に使用します。
アウトバウンドキャンペーンのコピーを、ユーザーの既存キャンペーンとベンチマークして検証する——何が機能し、何が機能しなかったか、勝ちパターンは何が違うか——そして具体的な判定と優先順位付きの修正案を返す。キャンペーンやシーケンスが良いかを知りたい、ドラフトを過去のキャンペーンと比較したい、実際のパフォーマンスに対してキャンペーンのコピーを監査したい、ローンチ前にシーケンスをストレステストしたい、公開前にシーケンスを検証したい、または 'is this campaign as good as my best ones' と尋ねる場合に使用。トリガー：'challenge this campaign'、'benchmark this sequence'、'is this campaign good'、'audit my copy'、'pressure-test before launch'、'compare to my best campaigns'、'should I launch this'。接続時は La Growth Machine MCP から既存のキャンペーンパフォーマンスを取得する。接続がない場合はユーザーが貼り付けた統計とコピーで動作し、キャンペーン履歴がない場合はベストプラクティスのベースラインにフォールバックする。SDR、RevOps、Growth、セールス/マーケティング責任者、アウトバウンドを開始する創業者向け。La Growth Machine が保守。
アウトリーチキャンペーンを実際の収益インパクトでランク付けする——どのキャンペーンが実際に商談、パイプライン、ミーティングを生み出したか——ユーザーの La Growth Machine キャンペーンデータと CRM の商談データ（現在は HubSpot）を突き合わせて判定する。どのキャンペーンがパイプラインを生んだかを知りたい、キャンペーン ROI を比較したい、継続 / 中止 / 調整すべきキャンペーンを確認したい、キャンペーンインパクトを監査したい、アトリビューションをレビューしたい、「自分のどのキャンペーンが実際に機能しているか」を尋ねる、商談や収益によるキャンペーン実績ランキングを求める場合に使用する。トリガー：'which campaigns drove pipeline'、'rank my campaigns by deals'、'campaign ROI'、'campaign impact'、'which campaigns to stop'、'which to scale'、'attribution review'、'pipeline by campaign'。接続時は La Growth Machine MCP と HubSpot MCP からライブデータを取得し、それ以外の場合は貼り付けられたエクスポートから動作する。キャンペーン実績レビューを行う RevOps、セールス / マーケティング責任者、創業者、グロースリード向け。La Growth Machine が保守。
Confluent Cloud 上で Debezium ソースコネクタ、変換用の Flink、データレイク統合用の Tableflow を使ってエンドツーエンドの変更データキャプチャ（CDC）パイプラインを構築する。JSON_SR、Avro、Protobuf 形式をサポートする。スキーマレスなトピック（SR なしのプレーンな JSON）とマルチイベントトピックを扱う。このスキルはデータベースから Iceberg/Delta テーブルまでの完全なワークフローを処理する。ユーザーがデータベースの変更をキャプチャし、Confluent Cloud Tableflow を介して Iceberg または Delta Lake テーブルに実体化したい場合にこのスキルを使用する。トリガーフレーズには「CDC to Tableflow」、「database to Iceberg」、「database to Delta Lake」、「stream database changes to data lake」、「set up Tableflow pipeline」、「schemaless topic to Tableflow」、「multi-event topic to Iceberg」が含まれる。Tableflow を伴わない、または Iceberg/Delta Lake を宛先としない一般的な CDC、Debezium、データベースレプリケーションのリクエストではトリガーしない。
Drizzle ORM + SQLite のボイラープレートを生成します。新しい `drizzle.config.ts`、適切な pragma を設定したシングルトンクライアント、明示的な主キー／インデックス付き外部キー／relations()／推論型を含むテーブルごとの schema ファイル、`.returning()` + `inArray()` + `.onConflictDoUpdate()` を使うテーブルごとの repository モジュール、または drizzle-zod バリデーターを作成します。3 種類のドライバー（better-sqlite3、libsql/Turso、bun:sqlite）向けに、規約を強制するテンプレートを生成します。ユーザーが「scaffold」と明示しなくても、「X のテーブルを追加」「このプロジェクトに Drizzle を設定」「SQLite を接続」「X の CRUD モジュールを作成」「DB 層を初期化」などの依頼で起動します。テンプレートに組み込まれた 45 のルールを扱う `drizzle-sqlite` skill と組み合わせて使います。例外が必要な場合はそちらを参照してください。
通常のスプレッドシート（Sheet）と多次元テーブル（Bitable/Base）専用です。あらゆるデータや JSON リクエストの汎用窓口ではありません。セルの読み書き、シートのインポート／エクスポート、スタイル／フィルタービュー／条件／ドロップダウン／セル内画像／フローティング画像の設定、または Bitable のテーブル、フィールド、レコード、ビュー、ロール、共同編集者、ダッシュボード、フォーム、ワークフロー、データ集計の操作依頼で使用します。--as bot を使った cron／無人実行の Bitable シナリオでもこの Skill が必須です。ドキュメントの権限／共同編集者、メッセージ／イベントの購読、ラップされていない OpenAPI の汎用中継には使用しないでください。それぞれ feishu-cli-storage、feishu-cli-messaging、feishu-cli-platform を使用します。ドキュメント内の Markdown テーブルには feishu-cli-docs、データチャートの表示には feishu-cli-visual を使用します。
すべてのデータベースエンジン（MySQL、PostgreSQL、SQL Server、MariaDB、GaussDB for MySQL、TaurusDB）を対象とする、Huawei Cloud RDS（Relational Database Service）の全シナリオ対応インテリジェントサービスです。次の6つの機能領域を提供します。（1）RDS の製品機能、ベストプラクティス、仕様に関する基本的なインテリジェント Q&A。（2）スローログ分析、上位 SQL、実行計画のガイダンス、インデックスの推奨による SQL 文のパフォーマンス最適化。（3）ヘルスチェック、再起動、インスタンスタイプ変更、ディスク拡張、プライマリ・スタンバイ切り替え、リードレプリカ管理など、データベースインスタンスの日常運用。（4）エラーログ、レプリケーション状態、接続診断、復旧時間枠を用いたオンラインでの障害箇所特定とトラブルシューティング。（5）パラメーターグループ管理、変更提案、パフォーマンスパラメーター調整のガイダンスを含むパラメーター調整。（6）バックアップポリシー管理、手動バックアップの作成、新規または既存インスタンスへの復元、ポイントインタイムリカバリを含むバックアップと復元のガイダンス。最大限の互換性を実現するため、CLI→SDK→API の3段階フォールバックを使用します。変更を伴う操作には、すべてユーザーの明示的な確認が必要です。トリガー：「RDS」「关系型数据库」「数据库实例」「慢SQL」「SQL优化」「数据库运维」「数据库故障」「故障排查」「参数调优」「备份恢复」「数据库巡检」「RDS诊断」「数据库诊断」「DBA」「数据库性能」「主从延迟」「连接数」「数据库备份」「数据恢复」「RDS智能服务」「database instance」「RDS troubleshooting」「slow query」「SQL performance」「database backup」「parameter tuning」「RDS ops」「database diagnose」。
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。