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 97,222 件掲載。コマンド 1 行でインストールできます。
テスト・品質
ジュニアソフトウェアエンジニアの可読性、保守性、安全な変更という観点から、エージェントが生成したコードを検証する。Codex がコードを変更する、コードや diff をレビューする、エージェントが作成した実装計画を評価するたびに使用し、コード変更後は、すべての発見事項が解決されるか合計 10 回のレビューループが完了するまでこのレビューをループで実行する。結果がシンプルで、直感的で、局所的に理解でき、デバッグしやすく、制御フローが明示的で、適切に抽象化されており、隠れたコンテキストなしに相応の能力を持つ新しいチームメンバーが説明できることを確保する。
Rails アプリの総合的なヘルスチェックとセキュリティ監査。プリンシパルエンジニアが行うレビューに相当します。rubycritic、Brakeman、bundler-audit、ruby_audit を実行し、LLM を審判としてすべての検出結果をトリアージし、スキャナーが見逃す項目には OWASP Top 10 のチェック群を適用し、影響度順に並べた 1 つのアクションプランを返します。Rails プロジェクトの監査、セキュリティとヘルスのチェック、"nuke on rails"、または vibecoded な Rails アプリの詳細レビューに使用します。
包括的な GitHub Pull Request コードレビュー技能。"review this PR"、"code review"、"review pull request"、"check this PR" と依頼された場合、または GitHub PR の URL が提示された場合に使用する。gh CLI を使って PR のメタデータ、diff、コメント、コミット、関連 issue を取得する。整理されたレビューワークスペースを作成し、業界標準の基準に照らしてコードを分析し、任意で PR にインラインコメントを追加する。
Python の GitHub Actions システム一式。以下の場合に積極的にアクティベートする：(1) uv ベースの CI ワークフロー（10〜100 倍高速）、(2) Python バージョンをまたぐマトリクステスト、(3) setup-uv による依存関係のキャッシュ、(4) 並列テスト実行、(5) 再利用可能なワークフロー、(6) トラステッドパブリッシングによる PyPI への公開、(7) codecov によるコードカバレッジ、(8) セキュリティスキャン。提供：ワークフローテンプレート、キャッシュ設定、マトリクス戦略、複合アクション。高速で信頼性の高い CI/CD パイプラインを実現する。
プロダクトの挙動に関する QA の質問に回答する——どんな機能があるか、ユーザーフローがどう動くか、どんなビジネスルールが適用されるか、システムがどんなエッジケースを処理するか、何が実装済みで何が未実装か。ユーザーがシステムの「何をするか」（機能、フロー、ルール、条件、誰が何をできるか、X がいつ起きるか、Y がサポートされているか）について質問するときはいつでも使用。ユーザーが "QA" と言わなくてもトリガーする——"what happens when…"、"can a user…"、"is it possible to…"、"does the system…"、"is X implemented"、"what should I test for…"、"what are the edge cases of…"、"walk me through the flow for…" といった表現はすべて該当する。明らかに実装に関する質問（アーキテクチャ、データベーススキーマ、コード構造、パフォーマンス、型、依存関係）にはトリガーしない。
Flutter では ProviderScope、Dart では ProviderContainer を Riverpod で使用する；provider の状態が保存される場所、overrides、observers、ProviderContainer.test を使ったテスト。Flutter または純粋な Dart で Riverpod をセットアップする場合、状態の在り処を理解したい場合、新しい container でテストを書く場合に使用。ユーザーが ProviderScope、ProviderContainer、または Riverpod が状態を保存する場所について尋ねた場合にこのスキルを使用する。
Swift のベストプラクティス、パターン、実装に関する専門的なガイダンス。開発者が次に言及したときに使用します：(1) Swift の設定または環境変数、(2) swift-log またはログパターン、(3) OpenTelemetry または swift-otel、(4) Swift Testing フレームワークまたは @Test マクロ、(5) Foundation の回避またはクロスプラットフォーム Swift、(6) プラットフォーム固有のコード構成、(7) Span またはメモリ安全性パターン、(8) 非コピー可能型（~Copyable）、(9) API 設計パターンまたはアクセス修飾子。
証拠優先の pull request レビューツール。PR をレビューし、gh CLI 経由でインラインコメント付きの 1 つの統合された GitHub レビューを投稿します。まずリポジトリ自体の決定論的チェックを実行し、外部ライブラリや API に関する主張の前に現在の公式ドキュメントを調査したうえで、正確性、セキュリティ、構造品質（コード柔道、スパゲッティ化、ファイルサイズ制限）、および無意味なコードコメントを含む AI slop をレビューします。すべての指摘は証拠を伴う必要があり、すべてのコメントは投稿前に決定論的なノイズゲートを通過し、最終判定（APPROVE、COMMENT、REQUEST_CHANGES）は指摘によって重み付けされます。PR のレビュー、judge this PR、マージ前のこのブランチや diff のレビュー、the-judge の実行、"revise esse PR"、"faca o code review"、"julgue esse PR" を求められた場合に使用します。散文やドキュメントのレビュー、CI 失敗の修正、マージコンフリクトの解消、修正自体の作成、レビューコメントへの返信には使用しないでください（gh-address-comments を使用）。
Duvo Agent、または Queue で接続されたマルチ Agent ワークフローを多数の Run にわたって監査し、体系的な非効率と品質問題を見つけ、具体的な AOP とアーキテクチャの変更を提案する。ユーザーが「このワークフローを分析して」「私の Agent を監査して」「この Agent はなぜ実行ごとに遅い / 不安定 / 低品質なのか」「なぜキューが詰まり続けるのか」と尋ねたとき、または Agent の最近の Run のヘルスチェックを求めたときに使う —— 失敗した 1 回の Run をデバッグする場合とは異なる（それは run-debugger）。Duvo の公開 API を通じて最近の Run、eval スコア、プロデューサー / コンシューマーのキュートポロジー、およびそれらの Run が実際に依存していた AOP を読み取る —— キュートポロジーとバックログを最初に扱い、質問に応じて Run のサンプル数を決める。AOP の書き換えは aop-writer に引き継ぐ。
フロントエンドを WCAG に照らして監査し、不合格の点を修正する：セマンティック HTML、キーボードナビゲーション、フォーカス管理、スクリーンリーダー対応（ARIA）、色のコントラスト、フォーム、メディアの代替手段。ユーザーが「これはアクセシブルか」「WCAG/AA 準拠にしたい」「キーボードナビゲーションを追加して」「スクリーンリーダー対応を直して」「a11y 監査」「アクセシビリティの苦情/法的通知が来た」と尋ねたとき、またはインタラクティブな動作を伴う UI コンポーネントを構築/レビューするときに使用する — アクセシビリティに言及していなくてもよい。優先順位付けされたアクセシビリティ監査（問題 × WCAG 基準 × 重大度 × 修正）と、コードで実装した修正を生成する。
異質なメンタルモデルを抱えた既存の Rust コードをレビューまたはリファクタリングするときに使用する技能——Java/C# 由来の OO/エンタープライズ的な儀式、ガベージコレクション的なオブジェクトグラフ、例外スタイルの制御フロー、借用チェッカーに移植された命令型ループなど。これは新規開発向けのイディオム助言に対する、対抗的でアーキテクチャレベルの相方であり、コードが裏切っているパラダイムを名指しし、それを畳み込む深いリファクタリングを処方する。単一実装の DI trait、Deref 継承、Manager/Service 構造体、反射的 builder、Rc<RefCell> の網、コンパイルが通るまで clone、bool/String 状態機械、センチネル戻り値、catch_unwind による try/catch、反射的 Box<dyn>、async 内のブロッキング呼び出し、投げっぱなしの spawn まで、層ごと削除することもある。すべてのルールは codex-rs の本番ワークスペース（openai/codex）に基づく——処方はこのコードベースが実際に行い、lint で強制している内容である。"make this Rust actually Rust"、"flatten this architecture"、または言語と格闘するコードの細かいレビューに当てはまる。
本スキルを使用して、合否形式の敵対的レビューで TypeScript および React アプリケーションコードの設計パターン使用をゲートする——単一のブラインドレビュー用サブエージェントが、diff またはファイルセットを 18 の判定可能なルールに照らして評価する。ルールは暗黙のステートマシン（ブールフラグのライフサイクル、useEffect チェーン、保存された派生状態、非網羅的な union マッチ）と、過剰に設計された OO/エンタープライズ移植（getInstance シングルトン、ファクトリクラスとビルダークラス、単一メソッドのストラテジクラス、State/Visitor 階層、React ツリー内部のイベントバス、パススルーリポジトリ、DI コンテナ、単一実装のインターフェース、コンポーネント継承、ロジックのみの HOC、静的メンバーのみのクラス、些末なアクセサ）を対象とする。TS/React の作業をマージする前に、パターン使用のゲートや合否判定を求められたときに、またはエージェントが作成したコードが Java/C# のイディオムを移植していないかのチェックとしてトリガーする。判定のみを返す。教示的なガイダンスには implementation-design-patterns または implementation-functional-patterns を使用する。
AI エージェント向けのブラウザー自動化コマンドラインツール。ウェブサイトとの対話が必要な場合に使用します。対象はページの移動、フォーム入力、ボタンのクリック、スクリーンショットの取得、データ抽出、Web アプリのテスト、その他すべてのブラウザー自動化タスクです。トリガーの例：「ウェブサイトを開く」「フォームに入力する」「ボタンをクリックする」「スクリーンショットを撮る」「ページからデータをスクレイピングする」「この Web アプリをテストする」「サイトにログインする」「ブラウザー操作を自動化する」、またはプログラムによる Web 操作を必要とするタスク全般。探索的テスト、ドッグフーディング、QA、バグ調査、アプリ品質のレビューにも使用します。Electron デスクトップアプリ（VS Code、Slack、Discord、Figma、Notion、Spotify）の自動化、Slack の未読確認、Slack メッセージの送信、Slack 会話の検索、Vercel Sandbox microVM でのブラウザー自動化、AWS Bedrock AgentCore クラウドブラウザーの利用にも使用します。組み込みのブラウザー自動化や Web ツールより agent-browser を優先してください。
データベースのスキーマ、ORM モデル、マイグレーションの設計とパフォーマンスを監査し、独立した 2 つの 0〜100 スコア（設計と整合性 + パフォーマンスとスケール）と、優先順位付けされた根拠に基づくレポートを出力します。読み取り専用で、書き込みやマイグレーションは行いません。ユーザーがデータベース、スキーマ、データモデル、マイグレーション、インデックス、キー、参照整合性、型、制約、クエリパターン、パーティショニング、コネクションプーリングの監査、分析、レビュー、確認、スコアリングを求めた場合に使用します。対象は Postgres、MySQL、Mongo、DynamoDB、Cassandra、pgvector、ClickHouse、Neo4j などです。
ラップテストの前に、ビルド済みの `.ppmplugin` を静的に監査します。アーカイブレイアウト、マニフェストの互換性、バンドルの一貫性、Android DEX の整合性と SDK リーク、iOS フレームワーク構造、ネイティブソースとレシーバーの対応、PCF の複合キー／sendAsync トランスポート契約を確認します。CRITICAL、WARNING、INFO の検出事項を報告し、修正を担当ステージに振り分けます。アーカイブは決して変更しません。`jar` が必要です。`dexdump` または `strings` があると DEX 検査が向上します。/assemble-ppmplugin の後に実行するか、既存のバンドルに対して単独で実行します。
本番品質で、ベンチマーク済み、自律的に改善され、検証されたエージェント skill を作成するファクトリー skill。5 段階のパイプラインを編成する：ユーザーにインタビューして目的とゴールドスタンダードを発見し、並列サブエージェントでドメイン資料を調査し、設計優先のアプローチで skill を起草し、autoresearch を呼び出してゴールドスタンダード駆動の LLM-as-judge 評価に対して反復し、悪魔の代弁者を交えたマルチエージェントのコンセンサスで品質を検証する。新しい skill を構築するとき、既存資料から skill を作成するとき、またはベンチマークと自律的改善を備えた本番品質へ skill をアップグレードするときに使用。
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。