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
dbt v2 プロジェクト自身のメタデータに関する質問に答えるときに使用します。どのモデル、ソース、テスト、カラム、設定、タグ、パッケージ、リネージが存在するか、テストやドキュメントがないものは何か、何が何に依存しているか、前回の実行でモデルにどれだけ時間がかかったか、といった内容です。また、`dbt show --info`、`{{ info_schema() }}`、`--generate-info-schema`、`target/info_schema/` を使うときや、`dbt check` SQL を書くときにも使用します。dbt v2 では YAML を grep したり `manifest.json` を解析したりするよりも、これを優先してください。
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。
Splunk HTTP Event Collector（HEC）の設定と検証、インデクサー確認応答と分散 HEC の動作の説明、サニタイズ済みの証跡からの HEC 無データおよび HTTP 配信失敗の診断、範囲を限定したエスカレーション引き継ぎの準備を行う。Splunk Cloud Platform または Splunk Enterprise の HEC トークン、エンドポイント、イベントまたは生ペイロード、TLS、チャネル、ACK、ヘルス、認可、キュー、配信検証に使用する。非 HEC の取り込み、広範なアーキテクチャ、許可リストの変更、サービス側の修復には使用しない。
MLワークスペース上の反復サイクルを担当します。`journal/JOURNAL.md`のインデックスと、`experiments/NN_short_name.py`の作成**前**に下書きしてユーザーの承認を得る必要がある、実験ごとの`journal/NN_short_name.md`設計メモを管理します。提案 → 反復 → 承認 → 実装 → 記録のサイクルを進め、情報源の取得には`iterate-from-skore` / `iterate-from-user`を呼び出します。起動条件：MLワークスペースでセッションを開始したとき（`journal/`の有無を問わず、未作成またはプレースホルダーなら初期化モード）；ユーザーが「次は？」「再開」「どこまで進んだ？」「反復しよう」「次を提案して」「最初のベースライン」と言ったとき；新しい`experiments/NN_*.py`を作成する直前（対応する`journal/NN_*.md`が存在し、事前承認済みである必要があります）；完了した実行結果の記録を希望したとき；過去の実験の比較や試行内容の確認を求めたとき（「XとYを比較」「どこまで進んだ？」）。スキップ条件：`journal/`がなく、ワークスペースの骨組みもない場合（`organize-ml-workspace`へ）；`pipeline.py` / `evaluate.py` / `data.py`内の、ジャーナルに関係しない機械的な作業（`build-ml-pipeline` / `evaluate-ml-pipeline`が担当）；シンボル検索（`python-api`）；「次は？」という文脈なしで単一のskoreレポートを診断する場合（`evaluate-ml-pipeline`）。使用方法：まず`journal/JOURNAL.md`を読み、上部付近の表にある**Mode picker**で今回のモードを分類し、該当セクションだけを読みます。同じ階層のスキルは必要な手順の直前にのみ開き、セッション開始時にすべて先読みしないでください。このスキルが書き込む成果物は設計メモのみです。読み取り、比較、概要モードでは書き込みません。
1つの実験のスモークテストを担当します。実際の`data/`の一部で適合し、履歴バッファのない重複しないデータ区間で予測する、小規模なpytestを作成します。予測数はpredict-gridの行数と一致しなければなりません。承認済みの実験にスモークテストが必要な場合、`pytest tests/smoke/`が行数で失敗した場合、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がパイプラインの形状を変更した場合に起動します。`status.setup.pending`が空でない場合は停止して（`setup-ml-project`を読み込み）、承認済み設計または対応する実験スクリプトがない場合も停止します。その場合は説明し、セットアップへ進むか`build-ml-pipeline`を継続するよう案内します。拒否されたgitについて再度尋ねません。「Why is smoke failing?」もここで扱います。回帰テストやCVの解釈は対象外です。`skore.evaluate`は作成しないでください。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必要があることを示します。アサーションを緩めないでください。
実験的な深度変異スキャン（DMS）データを用いて、変異効果予測器（AlphaMissense、ESM-C SAE、ESM logits、EVE、保存性スコア、または変異ごとの数値スコア）を検証します。変異ごとの予測スコアを算出し、DMS 効果に基づいて中立群と機能障害群に分類し、予測スコアに対して Mann-Whitney U 検定を行い、頑健性を確認するために層別化の閾値を変えて評価します。特定のタンパク質で予測器のスコアが実際の機能障害を反映しているかを確認する場合に使用します。
MCP の `fabric-sqlendpoint-execute_query` ツールを使って、Fabric Data Warehouse、Lakehouse SQL Endpoints、Mirrored Databases に対する読み取り専用の T-SQL クエリを実行します。ユーザーが PySpark または Spark DataFrames を明示的に要求しない限り、あらゆる lakehouse データクエリ（行数のカウント、SELECT、フィルタリング、集計）に使用するデフォルトのスキルです。次の場合に使用します：(1) warehouse/lakehouse データのクエリ、(2) 行数のカウントまたは lakehouse テーブルの調査、(3) スキーマ/列の確認、(4) T-SQL スクリプトの生成、(5) SQL パフォーマンスの監視、(6) 結果の CSV/JSON へのエクスポート。Fabric notebook のセル（%%sql またはその他の notebook magics）には、このスキルではなく `spark-authoring-cli` を使用してください。トリガー：「warehouse」「SQL query」「T-SQL」「query warehouse」「show warehouse tables」「show lakehouse tables」「query lakehouse」「lakehouse table」「how many rows」「count rows」「SQL endpoint」「describe warehouse schema」「generate T-SQL script」「warehouse performance」「export SQL data」「connect to warehouse」「lakehouse data」「explore lakehouse」。
Tenzir のドキュメントを使って質問に回答します。TQL の構文、パイプライン演算子、関数、データの解析や変換、正規化、OCSF マッピング、エンリッチメント、ルックアップテーブル、コンテキスト、パッケージ、ノード、プラットフォームのセットアップ、デプロイ、設定、Splunk、Kafka、S3、Elasticsearch などのツールとの統合、その他の Tenzir 機能について質問された場合に使用します。Tenzir によるセキュリティデータの収集、ルーティング、フィルタリング、集計、エクスポート方法についての質問や、TQL パイプラインの作成・デバッグ支援にも使用します。「Tenzir」と明示されていなくても、Tenzir の利用が明らかな場合は対象です。
5 つの独立した層の証拠（AlphaMissense の病原性、AlphaFold の構造的背景、ESMC の配列尤度、SAE の特徴破壊、DynaMut2 の安定性 ΔΔG）を統合し、ミスセンス変異が機能喪失（LoF）を引き起こすメカニズムを提案します。「構造安定性による LoF」（ミスフォールディング）と「直接的な機能障害」（触媒／結合／PTM 部位の損傷）を区別します。病原性スコアだけでなく、ミスセンス変異の機序に基づく因果モデルが必要な場合に使用します。
高度なTwitter検索とソーシャルメディアデータ分析を行います。Twitter APIを使ってキーワードでツイートを取得し、最大1000件の結果を処理して、インサイトと実行可能な提案を含む専門的なデータ分析レポートを生成します。Twitter/Xの検索、ソーシャルメディアのトレンド分析、ツイートのデータマイニング、ソーシャルリスニング、インフルエンサーの特定、ツイートのトピック別感情分析など、インサイトを得るためにTwitterデータを収集・分析するタスクに使用します。
Typesense でセルフホスト可能でタイポに強い検索環境を立ち上げる——オープンソースの Algolia / ElasticSearch 代替（単一の C++ バイナリ、<50ms のインスタント検索、実行時依存なし）。ルーティング優先の 1 つの skill：サーバーモード（バイナリのダウンロード、公式 Docker イメージ、マネージドの Typesense Cloud）を選び、API クライアント（Python/JS/PHP/Ruby は公式、Go/Dart/C# はコミュニティ）をインストールし、コレクション schema を設計してドキュメントをインデックスし、タイポ耐性、ファセット/フィルタリング、ジオ検索、ソート、グループ化、同義語、キュレーション、スコープ付き API キー、連合マルチ検索を備えた検索を実行する——その後 InstantSearch.js の UI を組み込み、本番用に Raft ベースの HA クラスタを構成する。ユーザーがインストール可能な検索バックエンドを構築・運用したい場合、サイト/アプリ/製品の検索を追加したい場合、Algolia/Elasticsearch から移行したい場合に使用する。トリガー：typesense、search engine、typo-tolerant search、algolia alternative、elasticsearch alternative、instantsearch、faceted search、geo search、vector search、self-hosted search、site search、product search。
WeChat公式アカウントの記事アグリゲーター。mptext.top API を使って指定した公式アカウントの最新記事一覧を一括取得し、記事内容をダウンロードして Markdown/HTML/プレーンテキストに解析します。アカウント名または fakeid での取得に対応し、人気の AI 技術系公式アカウントを 8 件プリセットしています。用途：指定アカウントの最新記事取得、複数の執筆者の記事の一括スクレイピング、公式アカウント記事の一括閲覧、技術ニュースの収集。キーワード：公式アカウント記事取得、WeChat 記事スクレイピング、公式アカウント集約、記事収集、mptext API。
GenVarLoader（gvl）データセットを作成または読み取るときに使用する — bcftools/plink2 で VCF/PGEN/SVAR のバリアントソースを準備し、gvl.write を呼び出し、ハプロタイプ/リファレンス/アノテーション付き/バリアントの出力モード用に gvl.Dataset を設定し、BigWig または Table トラックを追加し、GTF からスプライス済みハプロタイプを設定し、indel のトラック挿入フィル戦略を選択し、またはアレル頻度でバリアントをフィルタリングする場合。
DataForSEO のデータを使用して、任意のドメインの 3 か月間の SEO パフォーマンス HTML レポートを生成する。ベースラインと現在のトラフィック、キーワード順位、上位コンテンツページ、競合状況を取得し、Infrasity ブランドのデザインシステムでスタイル設定したレポートを出力する：#0D0A1A の背景、#8157F2 の紫のアクセント、Instrument Sans + DM Sans + DM Mono のタイポグラフィ。ユーザーが対象ドメインと競合 URL のリストを提供し、SEO レポート、パフォーマンスレポート、SEO 分析、競合 SEO 比較、トラフィックレポート、順位レポート、3 か月間の SEO サマリーを求めた場合は常にこのスキルを使用。ユーザーが "generate SEO report for X vs Y and Z"、"create a performance report"、"compare my SEO against competitors" と言う場合や、ドメインを貼り付けて市場と比べてどうかを尋ねる場合にもトリガー。SEO レポート生成には常にこのスキルを使用 — この構造化されたデータ取得と HTML 生成のワークフローに従わずにレポートを構築しようとしないこと。
エージェントが git ブランチ上で実験、仮説、コードを反復する自律的な研究ループを構築する。ML 実験の自動化、自己改善する研究エージェントの構築、人手を介さずに多数の実験バリエーションを実行したい場合、または "automate experiments"、"agent research loop"、"self-improving agent"、"run hyperparameter search"、"autoresearch" と言及された場合にこの Skill を使用する。Karpathy の 28k いいね相当の AutoResearch 投稿に基づく。
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。