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
to-spec -> to-tickets -> implement-spec などの実装フローが完了した後に、人間がウェブサイト/API/CLI を開いて実行できる受け入れマニュアルを生成する。ユーザーが「テストマニュアルを生成」「手動で受け入れ」「ウェブサイトを開いてテストする方法」「実装後の受け入れ」「手動テストガイドを書く」「dev.sh を追加して受け入れマニュアルを生成」などを求めた場合に使用する。現在のリポジトリを監査し、必要に応じて scripts/dev.sh を作成し、docs/verification/manual-test-guide.md を出力する。マニュアルの受け入れ手順は構造化された「操作」の約束事を採用しており、verify-run スキルがそのまま自動実行できる。
WordPress 6.x+ 向けの WordPress ブロックエディターのコードレビューと Gutenberg ブロック開発パターン。使用場面：ブロックコードのレビュー、block.json スキーマの監査、エディターコンポーネントの確認、レンダーコールバックの検証、ブロック属性の分析、InnerBlocks の使用状況の確認、ブロック検証エラーの検出、Interactivity API ディレクティブのレビュー、またはユーザーが "block review"、"Gutenberg"、"block development"、"block editor"、"block.json"、"useBlockProps"、"InnerBlocks"、"Interactivity API"、"data-wp-bind"、"render_callback"、"dynamic block"、"static block"、"block deprecation"、"block attributes"、"block supports"、"@wordpress/scripts"、"wp-scripts"、"block validation error"、"save function"、"RichText"、"InspectorControls"、"BlockControls" に言及したとき。block.json スキーマ、React/JSX エディターパターン、サーバーサイドレンダリング、属性処理、フロントエンドのインタラクションにおける問題を検出する。
WordPress の CI/CD とリリースエンジニアリングのレビューガイダンス。GitHub Actions、デプロイパイプライン、Composer/npm ビルドステップ、プラグイン/テーマのパッケージング、リリース自動化、シークレットの扱い、WordPress.org 向けの SVN デプロイフロー、段階的ロールアウト、ロールバック計画をレビューするとき、またはユーザーが CI、CD、release pipeline、GitHub Actions、deployment workflow、build artifact、plugin zip、release engineering に言及したときに使用。ビルドの再現性、パッケージングの正確性、シークレットの境界、デプロイの安全性、ロールバックの準備状況、WordPress 固有のリリースの落とし穴のレビューに役立つ。
WordPress の WP-CLI と運用レビューのガイダンス。使用場面：WP-CLI コマンド、search-replace 計画、マルチサイト操作、cron やキャッシュの保守、デプロイスクリプト、運用ランブック、コマンドライン自動化のレビュー、またはユーザーが "WP-CLI"、"search-replace"、"multisite ops"、"wp cron"、"wp db"、"deployment script"、"maintenance task"、"CLI command"、"ops review" に言及したとき。WordPress のコードベースとランブックにおいて、コマンドの安全性、環境の指定、マルチサイトの範囲、自動化の信頼性、運用上の影響範囲のレビューを支援する。
AG2 のエージェント、モデル、プロンプトを比較してどちらが優れているかを判断する。run_variants は複数の名前付きエージェントを 1 つのスイートで採点し、リーダーボードで順位付けする（Variants は名前付き Agent インスタンスのマッピングと軸ラベルを保持する）。run_pairwise は pairwise_judge と組み合わせて、二重順序の位置交換を用いた LLM の頭対頭比較を行う（交換後も勝ちが維持された場合のみ勝ちとし、それ以外は引き分け）。勝率と Wilson 95% CI、勝ち、負け、引き分け、フリップ、一致度（Cohen's kappa）を報告する。human_pairwise は人のブラインド投票をインラインで、または export_pairwise_cases と human_labels によるエクスポート済みマニフェスト経由で収集する。ユーザーがプロンプトやモデルの A/B テスト、リーダーボードの実行、勝者の選定、頭対頭の判定、勝率の測定、人間の好みラベルの収集を求めたときに使用する。単一のエージェントの実行と評価については ag2-evaluation を参照。
規律ある命名、責務を絞った関数、適切なエラー処理によって、読みやすく保守しやすいコードを書きます。ユーザーが「コードレビュー」「命名規則」「関数が長すぎる」「コードの臭い」「読みやすいコード」「ボーイスカウトルール」「単一責任」「ユニットテストの品質」に言及した場合に使用します。プルリクエストの可読性レビュー、複雑な関数のリファクタリング、コメントスタイルの議論、エラー処理パターンの改善にも適用されます。SRP、コメントの規律、フォーマット、ユニットテストを扱います。リファクタリング手法は refactoring-patterns、アーキテクチャは clean-architecture を参照してください
コードの可読性をレビューし、追いやすく理解しやすいように簡素化する。ユーザーがコードの簡素化、可読性の向上、引き継ぎに向けた整理、コードをざっと読みやすくすること、複雑さの低減、明確さのためのリファクタリング、ボイラープレートの削除、将来のメンテナーのための準備、コードベースの把握しやすさを求める場合にこの skill を使用する。幅広くトリガーしてよい — 可読性、簡素化、整理、または「より理解しやすくする」ことに関わるあらゆるリクエストでこの skill を使用する。ユーザーが「review this」「clean this up」「tidy this」「make this simpler」「reduce complexity」「flatten this」「strip the noise」「I want to understand this code quickly next time I open it」などと言った場合にもトリガーする。
シニア組み込みエンジニアによるコードレビュー。デフォルトでは Classic AUTOSAR の組み込み C を対象とし、2 つの観点を扱う：(1) 正確性レビュー — 整数オーバーフロー、volatile の正確性、ISR/タスク間の競合状態、スタック使用量、動的メモリ、制御フロー、AUTOSAR/ISO 26262 への適合準備。指摘は Critical/Major/Minor で評価する。(2) 命名レビュー — モジュール、SWC 型、ポート名、runnable、C 識別子、typedef、マクロ、列挙に対する AUTOSAR Classic の規約を、MISRA Rule 5.x の識別子一意性に沿って確認する。既存コードを監査し、新規作業向けに正しい命名の識別子を生成する。入力が C++ の場合や名前に ara:: を含む場合は Adaptive AUTOSAR C++14+ を扱い、RAII、例外と ara::core::Result、スマートポインタ、AUTOSAR C++14 / MISRA C++:2023 の命名をレビューする。3 つ目の焦点であるレガシー近代化評価では、MISRA 準拠、MCAL 抽象化、単体テスト済みの状態へ向けた最小限の安全なステップを提案する。意思決定に使える指摘を組み込みのセルフチェック付きで返し、analysis/ 配下に自己完結型の HTML レポートを出力できる。
技術的な厳密さと検証ゲートを伴うコードレビューのプラクティス。プラクティス：フィードバックの受け取り、レビューの依頼、検証ゲート。ケイパビリティ：技術的評価、証拠に基づく主張、PR レビュー、サブエージェント駆動のレビュー、完了の検証。アクション：コード変更のレビュー、評価、検証、確認。キーワード：コードレビュー、PR レビュー、pull request、技術的フィードバック、レビューフィードバック、完了の主張、検証、証拠に基づく、コード品質、レビュー依頼、技術的厳密さ、サブエージェントレビュー、code-reviewer、レビューゲート、マージ基準。使用時：コードレビューのフィードバックを受け取るとき、主要機能を完了するとき、完了を主張するとき、体系的なレビューを依頼するとき、マージ前に検証するとき、虚偽の完了主張を防ぐとき。
PostHog AI observability で継続的に実行されるオンライン評価を、特定した実際の失敗モードに基づいて作成する。ユーザーが今後の新しい生成や trace 全体を自動で採点する評価を求める場合に使用——「X を捕まえる eval を作成する」「応答が Y を満たすか継続的に確認する」「これらの失敗を eval に変える」。カバーする内容：探索したデータから作成する eval の数を決めること、そのセットをユーザーが選べるよう提案すること、対象と eval タイプ（hog / llm_judge / sentiment）の選択、llm_judge eval の provider と model の設定（provider key は有効化を制限するもので、作成は制限しない）、条件でどの生成がトリガーするかを絞り込むこと、無効状態での作成、スコープの検証、有効化、過去データのバックフィル。捕まえる価値のある失敗モードがない場合は sentiment eval を提案する。評価する価値のある失敗モードを見つけて順位付けすることは別の作業——まず exploring-ai-failures を使用する。すでに存在する評価をデバッグまたは管理するには exploring-llm-evaluations を使用する。
ユーザーが "show me the changes"、"what did you change"、"let me see the diff"、"review the code"、"open web preview of changes"、"show me what you worked on"、"compare branches"、"explain what changed" を求めるとき、または git diff をターミナル UI や Web ブラウザーで表示したいとき、AI によるコードレビューの説明を得たいときに、このスキルを使用する。
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。