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。
テスト・品質
GDScript の地雷に関する本格的なガイダンス:静的型付けオペコード、signal-up/call-down、%UniqueName/@onready ライフサイクル、Callable の bind/unbind、await シークエンス、型付きコレクション、安全な Dictionary の反復。コードレビュー、ホットパスのリファクタリング、プロジェクト標準の設定に使用します。トリガキーワード:static_typing、signal_architecture、unique_nodes、@onready、class_name、signal_up_call_down、Callable.bind、typed_collections、await_sequence
サプライチェーンの安全性とメモリセーフな開発のための Rust セキュリティスキル。cargo-audit での依存関係の監査、cargo-deny によるポリシー適用、RUSTSEC アドバイザリのレビュー、メモリセーフな FFI パターンの記述、fuzzing や Miri をセキュリティレビューパイプラインに統合_framework するときに使用します。cargo-audit、cargo-deny、RUSTSEC アドバイザリ、サプライチェーンセキュリティ、Rust の CVE、セーフな FFI、セキュリティのための fuzzing に関するクエリで有効になります。
本番トレースから評価器をブートストラップする。デフォルトではオンライン LLM ジャッジ評価器を提案し、確認後に Datadog に無効(disabled)ドラフトとして作成する(自動有効化はしない)。要望があれば Python SDK コード、またはフレームワーク非依存の JSON 仕様を出力する。ユーザーが「bootstrap evaluators」「generate evaluators」「create evals from traces」「eval bootstrap」「write evaluators」「build eval suite」「publish evaluatorsdesk」,あるいは本番 LLM トレースデータから BaseEvaluator/LLMJudge コードやオンラインジャッジ設定を生成したいと言う場合に使用する。ml_app と連携し、RCA レポートや失敗仮説の指定も可能。
ユーザーが lint の設定、編集後の自動チェックの構成、デプロイチェックリストの作成、プッシュ前チェックの設定、CI パイプラインの構成、品質ゲートの追加、型チェック用フックの設定、編集後の検証の有効化、またはコード変更の自動検証を希望する場合に使用します。「set up linting」「auto check after edits」「deploy checklist」「pre-push checks」「CI pipeline」「quality gates」「hook for typecheck」「post-edit validation」「auto-validate」などのフレーズで起動します。
OpenAI Codex CLI をヘッドレスモードで実行し、独立したコードレビューを行う。別のモデルファミリー(現在の Codex モデル)からの第二意見安德、近年の変更、PR、コミット、アプリ全体をInspectionし、バグ、リグレッション、セキュリティ、データ整合性、UX/ステートの不具合、性能リスク、テストの不足を検出する。深刻度順のレポートを .jez/reviews/ に保存する。トリガー:'codex review'、'review with codex'、'independent code review'、'what does codex think'、'get codex to review'。
現在のブランチに紐づく GitHub pull request を完了させます。マージの競合を解決し、失敗した CI チェックを診断して修正し、レビュー_general(各ソースからのレビューフィードバックに対応し、レビュー者の応答を待っている返信は重複させません)、まとまったコミットを push し、現在の head の CI と実行中の PR Agent レビューが成功し、実行可能なすべてのフィードバックが対応されるまで続けます。ユーザーが現在の PR について finish、complete、ready、resolve、fix、またはフィードバック/CI/競合への対応を求めるたびに使用します。
Ane が /improve-system と入力した場合、「mine recent sessions」「what is the system getting wrong」「improvement loop」「trend the rejection rate」と尋ねた場合、または「where are my tokens going」「token audit」「why was that session expensive」(spend-audit モード)と尋ねた場合、または SessionStart のメンテナンス通知が 14 日周期で improve-system を報告した場合に使用する。QA ログとセッション履歴から繰り返し現れる修正パターンを掘り下げ、システムの編集を提案し、トークン支出の行き先を監査する。単発のバグ修正(/system-audit で対応)、wiki の整合性(/li lint)、品質の総合評価(/grade-system)には使用しない。
計測済みの ml_app 向けのエンドツーエンド Agent 可観測性パイプライン — 本番トレースの分類、失敗の根本原因分析、評価器のブートストラップ、続いて(任意で)サンプリングとデータセットの公開、実験の生成と実行、結果の分析を行います。6 つの解説付きフェーズで構成され、各フェーズの間には標準のバナーと「続行」のチェックポイントがあります。agent-observability のサブスキル(`agent-observability-session-classify`、`agent-observability-trace-rca`、`agent-observability-eval-bootstrap`、`agent-observability-experiment-bootstrap`、`agent-observability-experiment-analyzer`)に対する純粋なオーケストレーションです。「run the eval pipeline」「go from traces to evals」「bootstrap evals end to end」「classify then RCA then bootstrap」「build an eval set from scratch」「onboard me to datasets and experiments」「walk me through experiments」「I have an ml_app, now what」「Agent Observability onboarding」「guided experiment setup」「from traces to experiments」といったリクエストや、本番データから評価器、データセット、実験までを決定性かつ解説付きで体験したい場合は使用します。`--stop-after <phase>` で評価器やデータセットの段階で早期終了して短くummaryでき、`--start-at <phase>` で途中から再開することもできます。
Huawei Cloud スキルのためのエンドツーエンド機能テストフレームワーク。単一スキルのユニットテスト、複数スキルのオーケストレーション、エンドツーエンドの全流程テストをカバーする三段階のパイプライン。各フェーズはチェーン検証付きの構造化 JSON を出力する。スキル導入の検証、機能分析、CLI→SDK→API の実現可能性調査、テストケース生成、リソースのライフサイクルを伴う実環境での実行、リソース後始末、複数スキルシナリオのオーケストレーション、トリガー競合検出、統合レポート生成に対応する。トリガー語:测试技能, 执行技能测试, 跑测试流程, 技能回归测试, skill test, run skill tests, test huawei cloud skill, verify skill, 测试华为云skill, 全流程测试, 编排测试, 技能完整性检查, skill-tester, 跑测试, 回归测试, 组合测试, 多skill编排, verification, e2e.
コードレビューの指摘、プルリクエストのコメント、CI や静的解析の出力、レビュー担当者の提案(cr-request の結果、仕様や計画のレビュー、レビュー担当者のメッセージなど)について、修正前に判断が必要な場合は、どのプログラミング言語でも必ず使用します。現在のツリーに照らして各指摘を検証し、証拠に基づいて採用、却下、一部採用、保留、エスカレーションを判断します。妥当と確認できた内容のみ修正し、計画の実行記録に判断を記録して、検証に戻します。devflow review-resolution に代わるものです。
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。
