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 96,770 件掲載。コマンド 1 行でインストールできます。
生産性
'Knowledge Base/' フォルダー配下にある Claude 管理のローカルナレッジベースを監査する。記事間の矛盾、壊れたバックリンク、出典のない主張、古くなった記事、執筆ルール違反、および提案する新規記事 3 本を提示する。完全なレポートを KB の 'Outputs/' フォルダーに保存し、CHANGELOG に 1 行のエントリを追記し、（対話セッションでは）どの指摘に対応するかを順に確認する。ユーザーが "run a health check"、"audit the [name] KB"、"audit my knowledge base"、"check the wiki"、"let's go through the health check report"、"action the latest health check" と言うたびにこのスキルを使用する。毎月のスケジュールタスク 'knowledge-base-monthly-health-check' が起動したときにも使用する。ユーザーが "health check" という言葉を言わなくても、'Knowledge Base/' 配下のフォルダーに対するあらゆる監査スタイルのリクエストにこのスキルを使用する — プロトコルは同じ。
OpenAnt で引き受けたタスクから離脱または割り当て解除する。エージェントまたはユーザーがタスクを諦めたい、割り当てを外したい、引き受けた作業から撤退したい、タスクをやめたい、またはタスクをマーケットプレイスに戻したい場合に使用。「leave task」、「unassign」、「give up task」、「drop this task」、「I can't do this」、「release task」、「withdraw from assignment」を扱う。ユーザーが以前に引き受けたタスクから離脱または放棄したい場合は必ずこのスキルを使用すること。「I don't want to do this anymore」のようなくだけた言い方でも同様。
Linear の issue、プロジェクト、サイクル、チーム、コメント、ラベルを読み取り、管理する。ユーザーが issue の一覧表示、issue の検索、issue の作成・更新、issue のステータス間の移動、コメントの追加、プロジェクトやサイクルの確認、チームの検索を行いたいとき、または「Linear で自分の担当は何か」を尋ねるときに使用する——「API」や「GraphQL」と言わなくても使う。linear.app の URL や "ENG-123" のような issue 識別子にも使用する。このサービスを扱うときは常にこの skill から始める——同梱のスクリプトとレシピが最速の道筋。
ローカル Markdown ナレッジベース（"vault"）を構築して照会する。2 つの機能 -- (1) 生ファイル（PDF、Word/docx、PowerPoint/pptx、Excel/xlsx、csv/tsv、画像、html、md/txt、json/yaml/コード、音声/動画）を検索しやすい frontmatter 付きのクリーンな Markdown に変換する。ローカル優先（pandoc / python-pptx / openpyxl / pymupdf4llm / whisper）で、クラウド OCR（MinerU）はフォールバックとしてのみ使用。(2) 得られた vault に対して検索規律をもって質問に答える -- カバレッジを自己監視し、欠落/損失のあるコンテンツを指摘し、コンテンツマップ（MOC）を提案する。トリガー："build/sync my local knowledge base"、"convert these files to markdown for AI"、"整理我的资料库"、"把文件转成 md 给 AI 读"、"本地知识库"、"读我的本地 vault 回答"、"这个主题我的资料里怎么说"。対象外：単発のウェブリサーチ、または 1 つのドキュメントで直接読めるファイル。
AI 個人記憶システムのファイルスキャン振り返り機能。Obsidian 保管庫で今週変更されたファイルをスキャンし（AI_MEMORY ディレクトリを除く）、重要になり得る出来事や意思決定を特定する。使用場面：(1) ユーザーが「ファイルスキャン」「今週のファイルを見る」「ファイルの変更をスキャン」と言ったとき；(2) 週次レビューで L1 記録を補う前；(3) ユーザーが今週の Obsidian での活動を振り返りたいとき。この skill は変更されたファイルを一覧にし、どれを L1 に記録する必要があるかユーザーに尋ね、記録を補助する。
シナリオベースの DevOps、SRE、クラウド、プラットフォームエンジニアリングの模擬面接を実施し、容赦なく正直な分析と個別の対策プランを作成する。質問はトピック（Kubernetes、AWS、Docker、Terraform、CI/CD、Linux、監視/可観測性、システム設計、ネットワーキング、セキュリティ、混合）、難易度（ジュニア 0〜2 年 / ミドル 2〜5 年 / シニア 5〜8 年 / スタッフ 8 年以上）、目標企業層（TCS/Infosys/Wipro/Capgemini などのサービス系、Razorpay/Zerodha/Swiggy/PhonePe/Atlassian などのプロダクト系、Meta/Apple/Netflix/Google/Amazon/Microsoft などの MANG/FAANG）ごとに構成して出題する。面接官の口調で 1 問ずつ進行し（ヒントなし、面接中の称賛なし）、その後コーチモードに切り替えて、設問ごとの分析、セッション全体のパターン検出、層別の評価、7 日間の対策プランを提示する。次の場合に積極的にトリガーする：/mock-interview、「mock interview」「interview prep」「interview practice」「DevOps interview」「SRE interview」「cloud interview」「Kubernetes interview」「AWS interview」「scenario question」「system design interview」「interview me」「test me」「quiz me on K8s/AWS/etc」「help me prepare for an interview」、またはユーザーが DevOps/SRE/クラウド/プラットフォーム/インフラの面接を控えていると述べた場合。「mock」という語を使っていなくてもよい。トリガーは面接準備の必要性であり、正確な言い回しではない。
Obsidian Flavored Markdown を作成・編集します。新しい Obsidian ボルトやナレッジベースの作成、構成、初期化を行う場合は、必ず llm-wiki 構造（SCHEMA.md、index.md、log.md、raw/、topics/、entities/、concepts/、comparisons/、queries/）をデフォルトとして使用します。Obsidian の .md ファイルを扱う場合、またはユーザーが wikilinks、callouts、frontmatter、タグ、埋め込み、Obsidian ノートに言及した場合は、必ずこのスキルを使用します。
AI を活用したリサーチと文書分析のための、セルフホスト可能なオープンソースの Google NotebookLM 代替ツール。研究資料をノートブックに整理する、多様なコンテンツソース（PDF、動画、音声、ウェブページ、Office 文書）を取り込む、AI によるノートや要約を生成する、研究内容から複数話者のポッドキャストを作成する、文脈を認識する AI で文書と対話する、全文検索とベクトル検索で資料を横断検索する、カスタムのコンテンツ変換を実行する場合に使用します。OpenAI、Anthropic、Google、Ollama、Groq、Mistral を含む 16 社以上の AI プロバイダーをサポートし、セルフホストによって完全なデータプライバシーを実現します。
「search for papers」「find citations」「look up a DOI」「get BibTeX」「download PDF」「convert PDF to markdown」「find canonical papers」「convert identifiers」「batch download papers」「configure opencite」「literature review」「find related papers」「what papers cite this」「export references」「read this paper」といった用途や、opencite、Semantic Scholar、OpenAlex、PubMed、学術文献検索、引用管理、論文取得への言及がある場合にこのスキルを使用する。
市場主導の方法で Pragmatic Institute Product Canvas／ビジネスケースを作成し、機会への投資を正当化します。PM から「ビジネスケースを作る」「経営陣に説明する」「市場規模を見積もる」「購入・構築・提携のどれにするか」「ROI はいくらか」「Product Canvas を作る」「このアイデアへの支持を得る」と求められた場合に使用します。機会を価値提案、価値創造、価値獲得として整理し、市場規模を見積もり、購入／構築／提携を判断したうえで、リスクを定量化した go／no-go の提言で締めくくります。Markdown または Word .docx の成果物として Product Canvas／Business Case を作成します。
Pragmatic Institute のプロダクトロードマップを作成し、ビジョン、方向性、時間とともに変化する優先事項を伝えます。これは計画であり、確約ではありません。PM が「ロードマップ」「プロダクトビジョン」「今後の予定」「フェーズ」「時間軸でのテーマ」を求める場合や、日付入りのリリース計画とは異なる形で関係者間の方向性をそろえたい場合に使用します。日付ごとの機能ではなく、時間軸に沿った成果と市場課題を示します。Markdown または Word .docx の成果物としてプロダクトロードマップを作成します。
リスクを早期に明らかにし、相手に合わせた言葉で伝える Pragmatic のステークホルダーコミュニケーション計画と状況報告を作成します。PM からステークホルダー管理、コミュニケーション計画、経営陣向け／状況報告、プロジェクト状況報告、運営委員会への報告、または「全員の認識を合わせる」ことを求められた場合に使用します。特定→分析→伝達の手順、影響力×重要度マトリクス、4 つの指標カテゴリーを扱います。Markdown または Word .docx の成果物として Stakeholder Communication Plan と Status Update を作成します。
Tech Twitter のすべての読み取りエンドポイントに加え、オフラインで検索できるローカルミラーと、他のどのツールにもない引用付きエビデンスバンドルを提供する。トリガーフレーズ: `what changed in tech twitter`、`what's trending in tech`、`give me a tech digest`、`what narrative is emerging in AI`、`search tech twitter for`、`use techtwitter`、`run techtwitter`。
ユーザーが方向性の意思決定で迷っているときに使用 — まず方向が正しいかを判断し、次にどううまくやるかを考える。典型的なトリガー：ユーザーが「XX をやるべきか迷っている」「長く取り組んでも成果が出ない」「方向は正しいか」「続ける価値があるか」「方向の問題か実行の問題か」と言う。中核となるフレームワーク：「正しいことをする」（方向の判断、道）vs「ことを正しく行う」（実行の効率、術）で、両者は逆にしてはならない。適用外：純粋に実行レベルの問題（正しい方向がすでにあり方法だけが必要）、日常の些細なこと。
ある議論の前提が実際にその結論を支持しているかどうかを確認し、論理的誤謬を特定する。設計の意思決定、技術提案、製品の主張、または結論が精査に耐える必要があるあらゆる推論をレビューするときに使用する。トリガー：'validate this argument'、'does this logic hold'、'check my reasoning'、'is this a fallacy'、'find the flaw in this'、推論の連鎖が重要となるあらゆる提案や意思決定。文書全体を精査する必要がある場合は logic-consistency-check と組み合わせるとよい。
適切な影響力のアプローチを特定し、その文脈に合わせて構築する。実際に考えを変え、行動を促すもの。Triggers:「how do I persuade」「how do I change their mind」「what would convince them」「how do I get buy-in」「how do I influence」「influence strategy」「how do I pitch this」「what makes a persuasive case」「how do I get them to say yes」。
ユーザーが文献レビュー、学術的な深掘り調査、リサーチレポート、最新動向のサーベイ、テーマのスコープ設定、手法や論文の比較分析、助成金申請の背景、または引用付きの複数ソースの学術的根拠を必要とするあらゆるリクエストを求めた場合に使用する。ユーザーの質問が明らかに学術的裏付けを必要とする場合（例：「X について何が知られているか」「文献で手法 A と B を比較して」「Y 分野を要約して」）にも積極的に発動する。7 つの連携ソース（OpenAlex、arXiv、Crossref、PubMed、DBLP、bioRxiv、Exa）にまたがる 8 段階（Phase 0..7）のスクリプト駆動リサーチワークフローを実行し、任意で Semantic Scholar / Brave MCP による拡充、重複排除、透明なランキング、デュアルバックエンドの引用追跡（OpenAlex + Semantic Scholar）、自己批判、検証可能な引用付きの構造化レポート出力を行う。
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。