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
Honeycomb の trace およびイベントデータセットに対するクエリの構築と解釈に関する実践的なガイダンス — 操作の選択（AVG ではなくパーセンタイル、分布には HEATMAP）、関係フィールドのパターン（root.、parent.、any.、none.）、計算フィールド、クエリの計算、結果の解釈（P99/P50 比率、ヒートマップのバンド、TOTAL/OTHER 行、query_result_json による生の JSON）。ユーザーが Honeycomb で span、trace、ログ/イベントデータをクエリしたい場合にこのスキルを使用する — 「show me latency」「error rate」「find slow requests」「find outliers」「interpret results」「relational fields」「calculated fields」「download raw results」といったリクエスト。このスキルは metrics データセット（dataset_type=metrics）を除くすべてのデータセットタイプを扱う — その場合は代わりに metrics-queries を使用する。
ユーザーが Spree のドメインモデル同士の関係について尋ねている場合に使用 — Orders、LineItems、Variants、Products、Stores、Channels、Markets、Payments、Shipments、Customers、Adjustments。アーキテクチャと関係性のみを扱う。よくある表現として "how does X connect to Y"、"what's the relationship between"、"where does Spree store X"、"how do I query orders across stores"、"how do channels work"、"what's the difference between Cart and Order"、"Store vs Channel vs Market" がある。新しいモデル/新しい API リソースの追加には `spree-resource` skill を使用。フィールド単位の詳細はインストール済みの `@spree/docs` パッケージの `docs/developer/core-concepts/` を参照。
用量-反応 / 濃度-反応曲線のフィッティング——ペアになった濃度と反応のデータ（酵素/細胞アッセイ、薬物スクリーニング、アゴニスト/アンタゴニスト薬理学）から IC50、EC50、Hill 傾き、Emax/Emin 効力、相対効力を求める。4 パラメータロジスティック（Hill シグモイド）モデルをフィッティングする。濃度と反応のデータがあり効力値が必要な場合、2 つの化合物の効力を比較する場合、曲線の品質を判断する場合に使用する。画像由来の用量-反応には使用しない（tooluniverse-image-analysis を使用）。生存/回帰分析にも使用しない（tooluniverse-statistical-modeling を使用）。
薬剤併用の相乗効果解析 — 標準的な参照モデル（Bliss 独立性、HSA／最高単剤、Loewe 加法性、ZIP、Chou-Talalay 併用指数）を用いて、2 剤の併用が相乗・相加・拮抗のいずれかを定量化します。単剤および併用の効果（阻害／生存率）を測定し、相乗スコアが必要なときに使用します。どのモデルを使うべきか、各モデルに必要なデータ、スコアの読み方を説明します。データベースで計算済みの相乗効果を調べる用途には使えません（SYNERGxDB ツール／cell-line-profiling スキルを使用してください）。
酵素反応速度論 — 基質-速度データから Michaelis-Menten の Km、Vmax、kcat（ターンオーバー）、kcat/Km（触媒効率／特異性定数）を求め、阻害機構（競合／非競合／不競合、Ki）を解析します。MM 式を非線形回帰でフィッティングします（参考として Lineweaver-Burk も報告）。基質濃度と初速度があり、速度論パラメーターを求めたい場合や阻害剤を分類したい場合に使用します。BRENDA データベースで公表済みの定数を調べる用途には使えません（BRENDA ツールを使用してください）。
Apache Doris のテーブル設計とクラスターサイジングのベストプラクティス。Doris の CREATE TABLE 文、パーティション/バケット戦略、データモデル、クラスター構成を記述・レビュー・最適化する際は必ず使用すること。doris-architecture-advisor スキルが DDL を生成するときも必ず使用し、出力前にすべての CREATE TABLE に Pre-Flight Checklist を適用する。以下のいずれかを含むワークロード設計でもトリガーされる：IoT、分析、ダッシュボード、CDC、時系列、ログ分析、リアルタイムウェアハウス、ポイントクエリ、データプラットフォーム、およびテーブル設計の判断を行うあらゆるシナリオ。Impala、Kudu、Elasticsearch/ES、Greenplum、Presto、HBase、Hive、Hadoop、Redis、Lambda 型のマルチエンジンデータプラットフォームなどのレガシーな分析/検索/サービングスタックからの置き換えや移行でも、Apache Doris が明示されていない場合でもトリガーされる。ユーザーが Apache Doris の接続文字列を提示した場合や、始め方を尋ねた場合にも使用する。スロークエリの調査、クエリプロファイリング、実行時性能の診断、tablet の偏り分析、テーブルヘルスチェックでもトリガーされ、実行時の証拠（プロファイル出力、tablet 分布）が最適化の判断に寄与するあらゆるシナリオが対象となる。クラスターのライフサイクル、課金、ネットワーキングはマネージドサービス側の操作であり本項目の対象外 — これらには利用中のプラットフォームのクラスター管理コンソールを使用すること。
`az rest` で Kusto REST API を呼び出し、Fabric Eventhouse に対して KQL クエリを実行してリアルタイムインテリジェンスと時系列分析を行う。KQL 演算子（where、summarize、join、render）、Eventhouse スキーマ検出（.show tables）、bin() による時系列パターン、取り込み監視を扱う。ユーザーが次を求める場合に使用：1. Eventhouse または KQL Database に対して読み取り専用の KQL クエリを実行する 2. Eventhouse のテーブルスキーマとメタデータを検出する 3. KQL 演算子でリアルタイムまたは時系列データを分析する 4. 取り込みの健全性と実行中の KQL クエリを監視する 5. KQL の結果を JSON にエクスポートする。トリガー："kql query"、"kusto query"、"eventhouse query"、"kql database"、"real-time intelligence"、"time-series kql"、"query eventhouse"、"explore eventhouse"、"show tables kql"
SEC EDGAR の財務データを使用した米国株の四半期決算分析。次の場合に使用：企業の最新四半期業績を分析する、Q1/Q2/Q3/Q4 の決算を確認する、企業が予想を上回ったか下回ったかを確認する、売上高、マージン、EPS の傾向を理解する、上振れ/下振れの内訳を取得する、決算発表後のガイダンスや経営陣のコメントを確認する。トリガー：「AAPL の決算を分析」、「MSFT は予想を上回ったか」、「NVDA の Q4 業績」、「GOOGL の決算アップデート」、「Tesla の前四半期の業績はどうだったか」。
永続化された 1 件の skore レポートの読み取り専用監査：`audit/NN_<stem>.py`（jupytext percent）、`experiments/` と `journal/` と 1:1 で対応。これを実行しない。`materialize.py` を 1 回だけ実行する。`skore.evaluate` や `project.put` を決して呼び出さない。トリガー：完了した実行に監査が必要なとき、ユーザーが実験の監査、表示、再監査を求めたとき、再実行が同じ `put()` key を上書きしたとき、`journal/ideas/` ファイルなしで過去の実験の叙述を求めたとき。停止条件：`status.setup.pending` が空でない場合（`setup-ml-project` をロード）、または承認済みの設計、レポート、agent feature がない場合：説明してユーザーを setup、`evaluate-ml-pipeline`、`model-ml-pipeline` へ誘導する。生データの探索や将来の実験のデータ源探しでも停止する。使用方法：journal、experiment、smoke、report を確認する。`templates/audit.py` からファイルを配置する。`templates/materialize.py` を scratch にコピーする。1 回実行する。G-AUDIT-FINDING を導出する。その後、継続かクローズかのゲートに進む。skore のシンボルは `api get` で解決する。
CoinMarketCap の市場全体向けエンドポイントの API リファレンス。グローバルメトリクス、恐怖/強欲、インデックス、トレンドトピック、チャートを含む。ユーザーが市場 API に言及した場合、恐怖/強欲指数について尋ねた場合、グローバルメトリクスや BTC ドミナンスのデータを求めた場合、K ラインチャートが必要な場合、または市場センチメントを扱う場合に、このスキルを使用する。CMC の市場全体向け API に関する質問の完全なリファレンスである。トリガー："market API"、"fear greed API"、"global metrics API"、"CMC charts API"、"/cmc-api-market"。
このスキルは、Education Cloud 組織の学事暦の設定・作成・生成に使用します。自然言語やドキュメントから学年、学期（semester/quarter/trimester）、アカデミックセッション、登録期間、追加/削除の締め切りを作成します。日付範囲を検証して重複するセッションを処理し、学期を学年に、セッションをその学期に紐付けます。トリガー条件：ユーザーが「学事暦を作成」「学期の日付を設定」「学年を生成」「学期とセッションを追加」「登録期間を設定」「追加/削除の締め切りを追加」を求めた場合、または学期やセッションの日付を含むカレンダードキュメント（PDF、CSV、XLSX）をアップロードした場合。トリガーしない場合：既存のカレンダーレコードの照会や更新、授業のスケジューリング、開講科目の設定。
Gate-Info MCP によるトークンのオンチェーン分析：保有者分布、オンチェーン活動、大口または異常な送金（スコープ holders / activity / transfers）。このバージョンでは Smart Money は利用できません。トリガーには ETH のオンチェーン分析、BTC の保有者分布、クジラの動き、大口送金が含まれます。単一アドレスの追跡は gate-info-addresstracker にルーティングしてください。ツール：info_onchain_get_token_onchain、info_coin_get_coin_info。
すべてのティアにわたる CockroachDB クラスター容量の管理。Self-Hosted は恒久的な削除のためのノード廃止と、拡張のためのノード追加を扱う。Advanced/BYOC は Cloud Console、API、Terraform によるノード数とマシンサイズのスケーリングを扱う。Standard はプロビジョニングされたコンピュート（vCPU）の調整を扱う。Basic は自動スケール——ガイダンスでは支出上限とコスト管理を扱う。容量を増減する場合、ノードを恒久的に削除する場合、コストを管理する場合に使用。
RevOS MCP サーバーを通じて RevOS セグメント（組織のセマンティックモデル上で定義される保存済みオーディエンス）を作成・編集・トラブルシューティングし、テーブルに添付して行のスコープを限定する。ユーザーがオーディエンスやリストを保存・定義・変更したい場合（"companies with an active subscription"、"deals over 50k in the EMEA pipeline"、"users who ordered twice"）、既存セグメントの条件を追加・変更したい場合、テーブルで一部の行だけを表示したい場合（"only the stalled deals"、"filter this table to…"）、あるいはセグメントが FAILED、空、または誤った行を表示する理由を尋ねた場合に使用する——ユーザーが "segment" という語を口にしなくてもよい。`segments` または `table-views` リソースに対する最初の api_write の前に読むこと。
LinkedIn のプロフィール URL 1 つから、その人のつながりを可視化する。ただしコネクション一覧が見られない場合に限る。本人の職歴、学歴、投稿から人物ごとの切り口セットを導き、その切り口を並列エージェントに展開し、候補者全員を証拠の強さで統合・採点し、各行を実在のプロフィールと現在の勤務先に解決し、各人が現在どこで働いているかで切り分けられるスプレッドシート（フィルター可能な人物タブと雇用主 x ティアのピボット）を出力する。あらゆる職種（エンジニアリング、採用、営業、リサーチ、経営幹部）とあらゆるキャリアの形に対応。「この人は誰を知っているか」「この LinkedIn URL のつながりを見つける」「この人のネットワークを可視化する」「誰がその人の周囲にいるか」「その人はある企業で誰を知っているか」「職歴と投稿への反応からつながりを推測する」、/social-connections に使用する。
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。