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
CoinMarketCap MCP を使って暗号資産の市場データ、価格、テクニカル分析、ニュース、トレンドを取得する。暗号資産、トークン、ブロックチェーン市場に関するあらゆる質問に使用し、ユーザーが明示的にデータを求めていない場合でも用いる。価格チェック、ポートフォリオに関する質問、市場分析、コインの比較、保有者指標、テクニカル指標、ニュースを含む。トリガー："bitcoin"、"ETH"、"crypto"、"token price"、"market cap"、"how is [coin] doing"、"/cmc-mcp"。
Firecrawl API を利用した包括的なウェブスクレイピング、クロール、データ抽出ツールキット。単一ページのスクレイピング（scrape.py）、ウェブ検索（search.py）、URL の検出（map.py）、複数ページのクロール（crawl.py）、構造化データの抽出（extract.py）、自律的なデータ収集（agent.py）のスクリプトを提供する。次の場合に使用する：(1) ウェブページからコンテンツを抽出する、(2) ウェブを検索してスクレイピングする、(3) ウェブサイト上の URL を検出する、(4) 複数のページをクロールする、(5) JSON schema で構造化データを抽出する、(6) ウェブ上のどこからでも自律的にデータを収集する。FIRECRAWL_API_KEY 環境変数が必要。
GoldRush Foundational API — 100 以上のチェーンにわたる履歴およびほぼリアルタイムのブロックチェーンデータ向け REST API。ユーザーが REST 経由でウォレットのトークン残高、取引履歴、NFT 保有、トークン価格、トークン承認、クロスチェーン活動、ブロックデータ、ポートフォリオ価値の追跡、その他のオンチェーンデータを照会する必要がある場合にこのスキルを使用する。ブロックチェーンデータの照会、ポートフォリオダッシュボード、税務ツール、コンプライアンスチェック、ブロックエクスプローラー、履歴または現在のチェーンデータを取得するあらゆるアプリの既定のスキル。ユーザーがリアルタイムストリーミングや WebSocket プッシュデータを必要とする場合は、代わりに goldrush-streaming-api を使用する。ユーザーが API キー不要の従量課金アクセスを必要とする場合は、代わりに goldrush-x402 を使用する。
Omni Analytics のトピックを Unity Catalog の Databricks Metric View 定義に変換する。Omni のメトリクスを Databricks にエクスポートする、Omni トピックから Metric View を作成する、BI メトリクスを Unity Catalog に定着させる、Omni のセマンティックレイヤーと Databricks AI/BI ダッシュボードや Genie スペースを橋渡しする場合にこのスキルを使用する。
ビジネスインテリジェンスと多次元データ分析向けの Syncfusion WPF OLAP Client を実装します。OLAP Client コントロール、キューブ分析、SSAS（SQL Server Analysis Services）、または多次元データを扱うときに使用します。キューブデータベース接続（オフラインキューブ、Mondrian、ActivePivot）、ディメンションの参照、OLAP レポート、ドリルスルー操作、KPI 分析を扱います。
Яндекс Метрика：参照元と UTM タグ別のトラフィック内訳、コンバージョンと検索エンジンのレポート、API セグメントとカウンターへのアクセス。コンテキストウィンドウを清潔に保つための cache-first アプローチ。トリガー：яндекс метрика、yandex metrika、metrika analytics、метрика трафик、метрика конверсии、метрика отчёт、создать сегмент、доступ к счётчику、выдать доступ рекламному кабинету。
PAI-FeatureStore から FeatureDB の読み書き使用量データを照会します。消費量の分析、使用傾向、公式価格によるコスト見積もりに使用します。日付範囲のクエリと内訳に対応します。トリガー: "FeatureDB read/write volume"、"PAI-FeatureStore usage"、"FeatureDB usage"、"FeatureDB statistics"、"Feature View usage"、"PAI-FeatureStore billing"
CLI 経由で Fabric Eventhouse と KQL Database に対して KQL 管理コマンド（テーブル管理、取り込み、ポリシー、関数、マテリアライズドビュー）を実行する。ユーザーが次を望むときに使用する：1. KQL テーブル、列、関数の作成または変更 2. Eventhouse へのデータ取り込み（インライン、ストレージから、ストリーミング）3. 保持、キャッシュ、パーティション分割ポリシーの構成 4. マテリアライズドビューと更新ポリシーの作成または管理 5. 取り込みパイプラインのデータマッピングの管理 6. スクリプトによる KQL スキーマのデプロイ トリガー：「create kql table」「kql ingestion」「ingest into eventhouse」「kql function」「materialized view」「kql retention policy」「eventhouse schema」「kql authoring」「create eventhouse table」「kql mapping」
RevOS BigQuery レイクハウスを調査する：データセットとテーブルの一覧表示、テーブルスキーマと列型のイントロスペクション、サンプル行のプレビュー、データレイヤー（bronze/silver/gold）の評価、データ完全性と null 率の確認。create-dbt-transformations と create-cubes の必須コンパニオンスキル — dbt モデルや cube 定義を生成する前にロードして、ウェアハウスの列と型をイントロスペクションする。次のような依頼に使用：レイクハウスの探索、BigQuery テーブルの一覧表示、テーブルスキーマの検査、データのプレビュー、生のソーステーブルの確認、データ品質の評価、null 率の確認、利用可能なデータの把握、BigQuery スキーマのイントロスペクション。
Indexer GraphQL API v4 を通じて Midnight ブロックチェーンデータをクエリおよび購読します。コントラクト状態の読み取り、トランザクション検索、ブロッククエリ、リアルタイム購読（contractActions、blocks、unshielded/shielded transactions）、状態のデシリアライズ、offset/null バグの回避策、TypeScript ヘルパーパターンを扱います。ユーザーがトランザクション後にオンチェーン状態を読み取る、コントラクトイベントをリアルタイムで監視する、ブロックやトランザクションを検索する、unshielded 残高を照会する、または DUST 生成状況を監視する必要がある場合に使用します。
`scratch/audit/<stem>/audit.md` にある**監査ダイジェストを読む**（`audit-ml-pipeline` が § 4 record-outcome で生成）ことで、次の ML 実験提案を取得する。ダイジェストの `## Checks summary` の各行のうち `severity` が `issue` または `tip` のものについて、その行の `documentation_url` をたどり、`Item` がドキュメントの推奨する緩和策である Backlog 行を 1 件起草する。`## Metrics summary` は人間向け要約段落の文脈を提供するが、それ自体は Backlog 行を駆動しない。充実した Backlog 行 + 1 段落の要約を `iterate-ml-experiment` に返し、親はその行を `JOURNAL.md` に書き込み、取材メニューを再表示してユーザーが `B<N>` 行を昇格できるようにする。「Backlog enriched, summary returned」で停止する。実験ごとの設計ノートは決して書かず、「勝者」の知見も決して選ばない — ユーザーが `B<N>` で選ぶ。トリガー条件: `iterate-ml-experiment` が取材戦略を選んでいてユーザーがメニューから `skore` を選んだとき; ユーザーが「mine the report」「what does skore see?」「fill the backlog from the diagnostic」と言ったとき; 前の実験が終了し、ユーザーがレポートを実行可能な backlog 項目に変換したいとき。スキップ条件: 前の実験がまだ実行されていない（ディスク上に監査ダイジェストがない）; ユーザーに具体的なモデリングのアイデアがある（`iterate-from-user` を使う）; タスクがレポートの実行/起動の*仕組み*である — `evaluate-ml-pipeline` に回す; ユーザーがレポートの特定の節を物語として読みたい（`evaluate-ml-pipeline` に回す）。使い方: 既存の `scratch/audit/<stem>/audit.md` ダイジェストをテキストとして読む — skore Project を再度開かない、`report.*` アクセサを呼ばない。`## Checks summary` セクションの各行のうち severity が `issue` または `tip` のものについて、`documentation_url` を（WebFetch で）たどり、`audit:<stem>:checks.<code>` を引用する Backlog 行を 1 件起草する。`JOURNAL.md` の Backlog に既にある行とは出典引用で重複排除する。候補行 + 1 段落の人間向け要約を返す。親スキルがその行を `JOURNAL.md` に書き込み、取材メニューを再表示する。
`AskUserQuestion` で選ばれる 3 つの入口のいずれかを通じて、ユーザーから次の ML 実験提案を取得する：(a) エージェントが読み取り統合すべき科学記事の URL、(b) リソースのリンクまたはパス（GitHub issue / 仕様ファイル / 参照リポジトリ）、(c) ユーザーが直接入力するフリーテキスト。どの分岐でも、エージェントはソースを読み、何を実装するかの理解を統合し、Proposal ブロックを返す*前に*ユーザーに確認する。確認済みの Proposal を `iterate-ml-experiment` に渡し、親はそれを `journal/NN_short_name.md` に書き込み、ユーザーの設計ノート承認を求める。「Proposal returned, user-confirmed」で停止する。設計ノートは決して書かず、受け入れ基準も決して作成しない。トリガー条件: `iterate-ml-experiment` が取材戦略を選んでいてユーザーがメニューから `user` を選んだとき; ユーザーが具体的なアイデアを申し出たとき（「I want to try X」）; ユーザーが科学記事、GitHub issue、仕様ファイル、参照リポジトリを貼り付けるかリンクし、読むよう求めたとき。スキップ条件: ユーザーが前のレポートを掘りたい（`iterate-from-skore` を使う）; ユーザーがシンボル検索やパイプラインの仕組みを求めている（`python-api` スキルを使う）; 作業が単一レポートの評価の仕組みである（`evaluate-ml-pipeline` に回す）。使い方: 入口について `AskUserQuestion` で始める — article-link / resource-link / free-text。各分岐で：適切なツール（`WebFetch`、`gh issue view`、`Read`）でソース資料を集め、理解した内容を 3 つの形成上の問いに統合し、Proposal を返す前に**プレーンテキストでユーザーに確認する**（1〜2 文：「you'd like to implement X by changing src/<pkg>/<file>.py — right?」）。設計ノートは一切書かない。受け入れ基準は作成しない。
CockroachDB クラスター設定をレビュー、監査、変更する。Self-Hosted はすべての設定と起動フラグを完全に制御できる。Advanced/BYOC はほとんどの SQL レベル設定を変更できるが、インフラストラクチャ設定は CRL が管理する。Standard は設定へのアクセスが限られており、セッション変数が主要なチューニング手段となる。Basic は設定が最小限で、セッション変数と Cloud Console を使用する。構成の監査、パフォーマンスのチューニング、設定関連の問題のトラブルシューティング時に使用する。
両面市場向けの OpenSearch/Elasticsearch における検索の関連性とランキング — 候補の取得(ハイブリッド BM25 + kNN、RRF、ツータワー EBR)、基礎的な関連性(BM25F、multi_match、LambdaMART)、品質シグナル(Wilson 下限、ベイズ平均、rank_feature の飽和/sigmoid)、パーソナライズ(リスティング/ユーザー/セッションの embedding)、空間/時間減衰(gauss/exp)、市場のバランス(コンバージョン加重ランキング、供給の公平性、Pareto 多目的)、バイアス補正(IPS、クリックモデル、Thompson サンプリング)、実証的評価(ジャッジメントセット、NDCG、アブレーション、A/B のサイズ設計、CUPED、回帰スイート)、多様性(MMR、DPP、max-per-host)。function_score、rank_feature、script_score、kNN、hybrid query、learning-to-rank、両面ランキング、露出の公平性、NDCG、A/B テスト、ジャッジメントセットの構築、ランキングのアブレーション、「なぜ私の OpenSearch ランキングは悪いのか」でトリガーする。Elasticsearch にも適用される — API は同じ。
この skill は、表形式データ（CSV または DataFrame）から、単体で利用でき出版に耐える PNG グラフィックスと再現可能な matplotlib スクリプトを生成する。数値データを正式な科学可視化として描画する — 散布図、折れ線グラフ、棒グラフ、円グラフ、ドーナツグラフ、バブルチャート、トルネードチャート、KDE、バイオリン図、箱ひげ図、ヒートマップ、ヒストグラム、面グラフ、およびこれらを 1 枚の画像に組み合わせた複数パネルの複合図を含み — 学術原稿向けである。最終的な成果物が個別の画像ファイルである場合にのみ起動する。インタラクティブなダッシュボードや HTML でレンダリングする出力（Plotly、Streamlit、Quarto、Jupyter notebook）には使用しない。また、グラフを含むコンテナ文書やプレゼンテーション（スライドデッキ、学会ポスター）の構築を伴う依頼にも使用しない。フローチャート、アルゴリズムの模式図、プロセス図などの非データの概念図には向かない。本 skill はデータを高忠実度で最終画像ファイルにレンダリングすることに焦点を当て、プレゼンテーション設計、文書レイアウト、既存スクリーンショットからのコードの逆解析は行わない。
rerun.experimental.ParquetReader を使って表形式の Parquet ファイルを Rerun のチャンクストリームに取り込む。軌跡やセンサーのテーブル（LeRobot 形式の parquet、エクスポートされたログ）をエンティティとコンポーネントに変換するときに読む——列のグループ化、タイムライン/インデックス列、静的列、およびリーダーのグループ化された struct/scalar 出力から型付きコンポーネント（Transform3D、Scalars）を組み立てるレンズ（DeriveLens）。rerun-chunk-processing と rerun-data-model を基盤とする。
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。