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 96,981 件掲載。コマンド 1 行でインストールできます。
開発
最新のドキュメントを使って Storybook 10 の UI workshop を構築、レビュー、デバッグ、設定、移行、計画する。storybook、create storybook、CSF3、CSF Next、Meta、StoryObj、definePreview、preview.meta、args、argTypes、decorators、parameters、tags、autodocs、play functions、storybook/test、@storybook/react-vite、@storybook/nextjs-vite、@storybook/addon-docs、@storybook/addon-a11y、@storybook/addon-vitest、portable stories、composeStories、main.ts、preview.ts、ESM 設定、Chromatic、@storybook/addon-mcp、componentsManifest、storybook skills/tools agent CLI、および Storybook 8/9 からのアップグレード（現在は 10.6.x）に使用。
Message、Skeleton、Toast を含む Syncfusion EJ2 JavaScript Notification コンポーネントの実装を包括的に解説します。重大度インジケーター（Normal、Success、Info、Warning、Error）と表示形式（Text、Outlined、Filled）を備えたコンテキストメッセージの表示、形状（Circle、Square、Rectangle、Text）とシマー効果（Wave、Pulse、Fade）を使ったアニメーション付きローディングプレースホルダーの作成、位置・アニメーション・テンプレート・閉じ方を指定した Toast 通知の設定、通知の外観やアクセシビリティのカスタマイズに使用します。
移植性の高い TanStack Start アプリのアーキテクチャを徹底する：ファイルルートツリー、index.tsx を持つページフォルダ、ルートのコロケーション（-components/-hooks/-lib）、再利用を条件とする src/modules、命名、インポート境界。Start アプリや機能の雛形作成、ページ/レイアウトの追加、ルート/モジュール構成のレビューや再編成、またはユーザーが tanstack-start-architecture / Start のハウススタイルを求めたときに使用。生成された OpenAPI クライアント、Better Auth クライアント、TanStack Query、ルートゲート、TanStack Form、env、クライアント認可、UI パッケージ、Effect、Vitest 向けの任意の with-* オーバーレイ。
NGC PyTorch コンテナ内のローカル NVIDIA GPU で任意の HuggingFace CV / VLM / LLM モデルをファインチューニングする。ユーザーが HuggingFace モデルのファインチューニング（フルまたは LoRA）、ビジョン / VLM / LLM モデルのエンドツーエンドトレーニング、再現可能な HF トレーニングパイプラインの生成、スケールアップ前のローカルでの HuggingFace モデルのスモークテスト、モデルカード付きでファインチューニング済みモデルを HF Hub へプッシュ、または既存の HuggingFace ファインチューニング向けの自己完結型再実行スキルの出力を望むときに使用する。画像分類、物体検出、セマンティック / インスタンス / パノプティックセグメンテーション、深度推定、画像-テキスト-to-テキスト VLM（SFT / LoRA）、LLM の SFT / DPO / GRPO をサポートする。6 ステップのワークフロー：検査と適格性判定、ハードウェアと NGC イメージ、調査、生成とスモーク、トレーニング + 評価 + 推論、プッシュと再実行スキルの出力。
HuggingFace のコンピュータービジョンモデルを NVIDIA TAO Toolkit エコシステム（tao-core 設定、tao-pytorch トレーナー、tao-deploy TensorRT パイプライン）に統合します。ユーザーが「HuggingFace モデルを TAO に統合」「HF モデルを TAO Toolkit に追加」「HuggingFace ViT/DETR/ SegFormer を tao-pytorch に接続」「HF CV モデル用の TAO トレーナーとデプロイパイプラインを構築」と依頼した場合や、HuggingFace モデルの URL/ID を提示して TAO モデル化を希望した場合に使用します。前提条件の確認、HuggingFace の調査と検証、コードベースの調査、tao-core の設定とネイティブトレーナーの実装、ONNX エクスポートと TensorRT デプロイの統合、パッケージ化と L0 テスト、コンテナベースのエンドツーエンド検証、（条件に応じた）精度・レイテンシの調整という全 7 フェーズを扱います。分類、物体検出、セマンティック／インスタンス／パノプティックセグメンテーション、ゼロショット検出、深度推定に対応します。
正規の NVIDIA AOI 三フェーズトレーニングパイプラインを実行する — フェーズ 1 AutoML ベースライン（HPO）、フェーズ 2 DEFT ループ（RCA → SDG → マイニング → plain-train 再トレーニング）、フェーズ 3 DEFT 拡張データセットでの AutoML リファインメント。これは「AOI ワークフローを実行」「PCB AOI モデルをエンドツーエンドでファインチューニング」「AOI ChangeNet モデルを改善」「AutoML を使った AOI ワークフロー」といったあらゆるリクエストのデフォルトのエントリポイントである — ユーザーが DEFT ループのみを明示的に要求した場合（例：「DEFT ループだけを実行」「AutoML をスキップして DEFT のみ」）を除き、tao-run-deft-aoi を直接使うのではなくここにルーティングする。非 AOI の DEFT アプリケーションでも同じ三フェーズパターンを処理する — AutoML ベースライン、次に AutoML の勝ち超パラメータからウォームスタートした DEFT ループ、その後イテレーション拡張データセットでの DEFT 後の AutoML リファインメント。トリガーフレーズには「AOI ワークフローを実行」「AOI エンドツーエンド」「AutoML + DEFT」「AutoML の後に DEFT」「ハイパーパラメータをチューニングしてから DEFT」「両端に AutoML を備えた DEFT」「DEFT をウォームスタート」「AOI モデルを改善」が含まれる。
コンテナの実行を適切なプラットフォームスキルに委任し、ネットワーク固有の TAO 推論マイクロサービス（{network_arch}-inference-microservice）の起動、照会、停止を行います。コンテナイメージの解決、ジョブペイロード JSON の構築、サービスレジストリを処理します。マイクロサービスコンテナを使用して TAO モデルチェックポイントで推論を実行する、TAO 推論エンドポイントをデプロイする、または実行中の推論コンテナを停止する場合に使用します。
TeamLead オーケストレーション — Human がプロダクトコード、テスト、設定、インフラ、機能、バグ修正、リファクタリング、または挙動/UI/API の変更について協調的な実装/委譲を求めたときに使用する。読み取り専用の調査/ステータス/説明/軽量な要約/編集なしのレビュー/リサーチには、Human が TeamLead オーケストレーションを明示的に要求するか委譲が明らかに有益でない限り、トリガーしない。挙動を作成または変更する作業は Research Gate を通過し（分類直後にリサーチエージェントを spawn）、常に `superpowers:brainstorming` を先に呼び出し、その後 Lead が委譲前に Spec/Plan ゲートを行う。Lead 自身がプロダクトコードを書いてはならない。すべての spawn は spawn モード（one-shot Agent か teammate）を選び、Model Policy に従ってモデルを指定する（Fable は思考/計画の作業のみ、Dev/QA/research は Opus）。実行は Commit Plan に従ってバッチで行い、テストは fast/heavy ポリシーで実行し（フルスイート + E2E は最後に一度だけ）、Human チェックポイントは 3 か所のみ、すべての prompt にリポジトリの Convention Anchor を含める。
個人の好みとプロジェクトの証拠に基づいて、技術スタック、フレームワーク、ツール、データ形式、リポジトリ境界の取捨選択を行い、Python ツールチェーン（uv、ruff、ty、pyproject、prek/CI）を整備する。主な成果が「何を選ぶか、なぜ適しているか、いつベースラインから外れるか」である場合、またはユーザーが Python のエンジニアリング設定の新規作成・移行を求める場合に使用。リクエストに「アーキテクチャ」や「リファクタリング」が含まれるだけで発動しないこと：プロジェクトの次の一手、モジュール・インターフェース・状態境界、多段階の推進は pilot が担当し、本 skill はそのうち実際に存在する技術選択のみを扱う。
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。