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 98,067 件掲載。コマンド 1 行でインストールできます。
開発
Drizzle ORM に関する専門知識 — エッジおよびサーバーレス向けの軽量で型安全な SQL ORM。「drizzle, drizzle orm, drizzle-kit, drizzle schema, drizzle migration, drizzle relations, sql orm typescript, edge database, d1 database, orm, database, typescript, sql, edge, serverless, d1, postgres, mysql, sqlite」に言及されたときに使用する。
マイクロサービス、Kubernetes、Terraform、AI Native 方法論を備えたエンタープライズグレードのシステム。リリースタイムラインにまたがる複数機能の取り組みでは、/sprint master-plan（v2.1.13）と組み合わせて、機能を単一の 8 フェーズ Sprint コンテナにまとめ、範囲/予算を共有し、4 つの自動一時停止トリガー（QUALITY_GATE_FAIL / ITERATION_EXHAUSTED / BUDGET_EXCEEDED / PHASE_TIMEOUT）を設定する。トリガー：microservices、k8s、terraform、monorepo、AI native
自然言語の要件から本番運用可能な FastGPT ワークフロー JSON を生成する。組み込みワークフロー（ドキュメント翻訳、営業研修、履歴書スクリーニング、金融ニュース）からの AI 駆動セマンティックテンプレートマッチングを使用する。三層バリデーション（フォーマット、接続、ロジックの完全性）を実行する。ノードの追加・削除・変更を行う増分修正をサポートする。ユーザーが "create FastGPT workflow"、"generate workflow JSON"、"design FastGPT application" を求めたり、ワークフロー自動化、マルチエージェントシステム、FastGPT テンプレートに言及したときに有効化される。
GitHub の PR、issue、コメントに埋め込むために画像を img402.dev にアップロードする。1MB 以下の画像は無料かつ永久——支払いも認証も不要——で、ほぼすべてのスクリーンショットをカバーする。より大きな画像（最大 10MB）は 30 日間無料、または x402 経由で 0.01 USDC で永久保存できる。エージェントが GitHub の文脈で画像——スクリーンショット、モックアップ、図、その他のビジュアル——を共有する必要があるときに使用する。トリガー："screenshot this"、"attach an image"、"add a screenshot to the PR"、"upload this mockup"、または GitHub 用の画像を生成するあらゆるタスク。
AutoGPTQ と transformers を使用し、グループ単位の量子化（デフォルトのグループサイズは 128）で GPTQ により LLM を 4 ビット（3 ビットにも対応）に量子化します。量子化済み GPTQ モデルの読み込み、自分のモデルの量子化、グループサイズの選択、ExLlamaV2、Marlin、Triton カーネルの選択、PEFT による QLoRA ファインチューニングを扱います。限られた GPU やコンシューマー向け GPU で 70B クラスのモデルを動かす、FP16 と比べてメモリを約 4 分の 1 に削減する、推論を高速化する、HuggingFace で量子化済みチェックポイントを探す、LoRA で量子化モデルをファインチューニングする場合に使用します。新しい GPU で精度をわずかに高めたい場合は AWQ を、単純な 8 ビット量子化やオンザフライ量子化には bitsandbytes を使用します。
TRL ライブラリを使った言語モデルの GRPO（Group Relative Policy Optimization）微調整をガイドします。GRPOTrainer の設定、複数の報酬関数（正確性、形式、長さ、スタイル）の組み合わせ、チャット形式のデータセット準備、Unsloth のセットアップ、LoRA のマージ、reward、reward_std、KL の監視を扱います。XML や JSON などの厳密な出力形式に従うモデルを学習する場合、数学やコードなど検証可能なタスクを客観的な正確性報酬で学習する場合、カスタム報酬関数で思考連鎖の推論を改善する場合、GRPO 実行時の報酬の停滞、モード崩壊、OOM をデバッグする場合に使用します。通常の教師あり微調整には使用せず（SFT を使用）、高品質な選好ペアがある場合にも使用しないでください（DPO または PPO を使用）。
Guidance (Microsoft Research) を使い、正規表現、select() による選択、文脈自由文法、トークン修復、@guidance 関数によって生成時の LLM 出力を制約します。バックエンドとして Anthropic、OpenAI、Transformers、llama.cpp に対応します。生成テキストを正規表現や日付、メールアドレス、ID などの固定形式に一致させる場合、モデルに有効な JSON、XML、コードを確実に生成させる場合に使用します。複数段階の生成ワークフローや Python 制御フローによる ReAct 形式のエージェントを構築するとき、select() でテキストを固定カテゴリに分類するとき、ローカルモデルで文法制約を使うときにも使用します。自動リトライ付きの Pydantic 検証には使用せず、その場合は Instructor を使用してください。
HuggingFace Accelerate（Accelerator クラス、accelerate config、accelerate launch）で既存の PyTorch 学習スクリプトをラップし、同じコードを CPU、単一 GPU、複数 GPU、マルチノード、TPU、Apple MPS で実行できるようにします。デバイス配置、FP16/BF16/FP8 混合精度、勾配累積、分散チェックポイント、DDP、DeepSpeed ZeRO、FSDP、Megatron バックエンド間の切り替えを扱います。単一 GPU のスクリプトを複数 GPU に対応させる場合、混合精度を有効にする場合、DeepSpeed ZeRO または FSDP を設定する場合、勾配累積を設定する場合に使用します。1 つのスクリプトを異なるハードウェアで実行する場合にも使用します。コールバックを多用する学習ループ（PyTorch Lightning を使用）や、ハイパーパラメーター調整を伴うマルチノードオーケストレーション（Ray Train を使用）には向きません。
HuggingFace Tokenizers ライブラリ（Rust コアと Python／Node.js バインディング）を提供し、BPE、WordPiece、Unigram トークナイザーの学習と利用を支援します。正規化器、事前トークナイザー、モデル、後処理器、デコーダーのパイプライン、パディングと切り詰め、バッチエンコード、アライメント追跡、transformers PreTrainedTokenizerFast への変換を扱います。新しいコーパスでカスタムトークナイザーや語彙を学習する場合、大規模なテキストコーパスを高速にトークン化する場合、NER や質問応答向けにトークンを文字オフセットへ対応付ける場合、正規化や特殊トークンを設定する場合に使用します。transformers 向けにカスタムトークナイザーをラップする場合にも使用します。SentencePiece モデルや tiktoken にはそれぞれのツールを使用してください。事前学習済みトークナイザーの読み込みだけなら AutoTokenizer で十分です。
複数の未解決課題をエージェントに実装させ、プルリクエストにしたい場合に使用します。「課題を順に進める」「未解決課題を実装する」「バックログを解消する」「#12 と #15 の PR を作成する」などの依頼が対象です。必要に応じて作業量（「/implement-issues low」「中程度の作業量」）を指定できます。この機能が作成した計画プルリクエストが承認された場合や、返信が必要なコメントがある場合にも使用します。Claude Code、Codex、またはサブエージェントをディスパッチできる任意のエージェントで動作します。ユーザーがこのセッションで自分で実装する単一の課題には使用しません。
Instructor Python ライブラリと Pydantic のレスポンスモデルを使って、LLM の応答から構造化され検証済みのデータを抽出します。ネストしたモデル、列挙型、カスタムバリデーター、検証エラーのフィードバックを用いた自動再試行、部分オブジェクトやイテラブルのストリーミングに対応します。Anthropic、OpenAI、ローカルの Ollama モデルで動作します。自由文から型付きフィールドやエンティティを抽出する場合、テキストを固定カテゴリに分類する場合、スキーマ検証を通過する JSON を LLM に返させる場合、抽出失敗時に自動再試行する場合、部分的な構造化結果をストリーミングする場合に使用します。プロンプト最適化には使用せず（DSPy を使用）、複数ステップのチェーン構築にも使用しません（LangChain を使用）。
Node.js の Redis クライアント ioredis v5 のリファレンス — 接続設定、RedisOptions、パイプライン、トランザクション、Pub/Sub、Lua スクリプト、Cluster、Sentinel。使用場面：(1) Redis 接続の作成・設定（スタンドアロン、クラスター、センチネル）、(2) ioredis での Redis コマンドの記述（get/set、パイプライン、multi/exec）、(3) Pub/Sub や Streams の設定、(4) retryStrategy、TLS、自動パイプラインの設定、(5) Redis Cluster オプション（scaleReads、NAT マッピング）の使用、(6) ioredis の接続問題のデバッグ。重要：NodeNext で正しい TypeScript 型を得るには名前付きインポート `import { Redis } from 'ioredis'` を使用する。
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。