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。
テスト・品質
事后、Cargo の実行やバッチが実際に何をしたかを説明する——1 回の実行をノード単位で追跡し、失敗したステップを明示した実行グラフを描き、バッチやプレイを根因ごとにグループ化してエラーを洗い出し、クレジット消費をノードとプロバイダーまで紐付ける。トリガー：「なぜ失敗したのか」「成功したが出力が間違っている」「行の半分が空だ」「なぜこの列が空なのか」「このバッチで何が壊れたのか」「なぜこれほどコストがかかったのか」「どのノードがクレジットを消費しているのか」「昨日は動いていた」「これらの結果は間違っているように見える」「wrong path を通ってしまった」「このステップは実行されていない」「この実行で何が起きたか 보여」。スキップ：次回用のアラートを設定する場合 — cargo-observability を使う。データをダウンロードするだけ — cargo-analytics を使う。
公開済み API リファレンスを仕様の範囲に照らしてエンドポイント単位で監査します。すべての操作、パラメーター、レスポンスコード、エラーが文書化されていること、リクエスト／レスポンス例があること、言語ごとのコードスニペットに齟齬がないこと、「試す」機能が動作することを確認し、リファレンスの乖離を防ぐ信頼できる情報源のゲート（仕様駆動の生成、OpenAPI lint、コントラクトテスト、CI でのスニペット整合性チェック）を導入します。ユーザーが API リファレンスのドキュメント、OpenAPI ドキュメントの網羅性、未文書化のエンドポイントやエラーコード、古いまたは乖離したドキュメント、ドキュメントの CI ゲートに言及した場合に使用します。「リファレンス品質」と明言していない場合も対象です。対象はエンドポイント単位のリファレンスのみです。ポータルの情報設計やオンボーディングには使用せず、代わりに samber/developer-platform-skills@developer-portal-design を使用してください。
B2B SaaS マーケットプレイスにおけるサードパーティアプリの運営者側の審査・承認プロセスを設計します。データの機密性に応じた審査パイプライン、権限とデータアクセスの監査チェックポイント、自動事前審査と人による振り分け、更新時の再審査を開始する客観的条件、サプライチェーン攻撃に備えた公開チャネルの強化、異議申し立ての手段、深刻度別の失効ポリシーを扱います。ユーザーがアプリ審査、マーケットプレイスの承認基準、サードパーティアプリの権限監査、アプリ更新後の再審査、却下への異議申し立て、掲載取り下げや失効に言及した場合に使用します。「アプリ審査」と明言していなくても対象です。運営者側専用です。申請者のオンボーディングには使用せず、代わりに samber/developer-platform-skills@partner-app-onboarding を使用してください。
公開 API プラットフォームのテスト／サンドボックスモードを設計し、外部インテグレーターが実際の資金、メッセージ、データに触れずに構築・検証できるようにします。分離アーキテクチャ（ソフトなテストモード切り替えか、完全に分離したコピーのサンドボックスか）、テストキーのプレフィックス、特別なテスト値、シミュレートされたオブジェクトとペルソナ、オンデマンドのテストイベント、決定論的な時間操作、リセットとシード、サンドボックスのクォータ、不正利用対策、本番環境への移行を扱います。ユーザーがサンドボックス、テストモード、テスト API キー、特別またはダミーのテスト値、シミュレートされた webhook イベント、デモデータに言及した場合は、「テストモード」と明言していなくても使用します。コード実行用サンドボックスや単体テストのモックには使用しません。パートナー向けサンドボックスのプロビジョニングには使用せず、samber/developer-platform-skills@partner-app-onboarding を使用してください。
Meticulousのテスト実行結果を確認し、レビュー状態に応じて対応します。PRで意図された変更と照らし合わせて未レビューの差分（および失敗した非ビジュアルチェック）を確認し、潜在的なリグレッションにフラグを立てます。PRのコードを作業中の場合、修正が必要な項目（他者が却下またはコメントした差分、および自身が却下した項目）を`meticulous-fix`スキルに引き継ぎます。また、Agent swarmの結果も要約します。テスト実行は、ローカルリポジトリの現在のコミット（既定）、または明示されたテスト実行ID、commit SHA、PR番号から特定します。実行結果が重要な場合に使用します。pull/merge requestのレビュー、自分でフロントエンドの変更をプッシュした直後、Meticulous CIチェックが失敗または保留中の場合、あるいはMeticulousの結果を確認するよう求められた場合が該当します。
Eval Quality Flywheel 手法を用いて、Google Cloud 上の AI モデルとエージェントの品質を測定・改善します。合成ユーザーシナリオの生成、エージェントやモデルの評価、評価データセットの構築、評価指標の選定や作成、失敗の分析、修正前後の結果比較、または Agent Platform の評価手法（データセットスキーマ、LLM-as-judge によるスコアリング、よくある失敗原因など）のガイダンスが必要な場合に使用します。ファインチューニングには agent-platform-tuning を使用してください。一般的な本番デプロイには agent-platform-deploy を使用してください。
既存または提案中の公開REST APIを、チェックリストに基づいて設計レビューします。リソースとURIの命名、HTTPメソッドとステータスコードの正確性、フィールド命名の一貫性、ページネーション方式の選択、フィルタリング／ソート／フィールド選択の規約、一貫したエラー形式、Hyrumの法則による後方互換性リスクを監査します。各指摘を根拠となるルールとともに「要変更」または「改善」に分類し、継続的なレビュー体制（対象者、ライフサイクル上の契機、レビュー担当者の権限、lint、フェデレーション）も扱います。ユーザーがAPI設計レビュー、REST APIの一貫性、エンドポイントの命名、ページネーション方式、API設計ガバナンスに言及した場合は、「設計レビュー」と明言していなくても使用します。GraphQLスキーマには使用せず、代わりに samber/developer-platform-skills@public-graphql-api-design を使用してください。
ゲームのパフォーマンス問題を体系的に洗い出して修正します。まずエンジンのプロファイラーで測定し、フレーム時間の予算を考え、CPU か GPU のどちらがボトルネックかを特定したうえで、object pooling、draw call のバッチ化、割り当てや GC スパイクの削減、アセット予算など適切な対策を実施します。各エンジンのプロファイラーと組み合わせて使える、エンジン非依存の方法論です。ユーザーからのメッセージに performance、optimize、FPS が低い／落ちる、フレーム落ち、カクつき、遅延、プロファイラー、フレーム予算、draw call、batching、garbage collection／GC スパイク、object pooling、「ゲームが遅い」などが含まれるときに使用します。
新しい Skill を作成するか、既存の Skill を改善します。まず変更規模に応じた計画を提示して確認を待ち、その後ファイルを生成または変更し、実際のタスクで変更前後の性能を比較します。ユーザーが Skill の作成、繰り返し発生する問題の Skill 化、Skill の変更や修正、失敗事例に基づく改善、Skill の確認やテストを求めた場合に使用します。GitHub リポジトリの準備と `npx skills add` の検証は、ユーザーが共有または公開を明示的に求めた場合に限ります。
エージェントおよび LLM アプリケーション向けのフルスタック診断。12 層のエージェントスタックを監査し、ラッパーの退行、メモリ汚染、ツール規律の失敗、隠れた修復ループ、レンダリング破損を検出する。深刻度順に並べた所見と、コードを先に触る修正案を提示する。エージェントアプリケーション、自律ループ、LLM Powered の任意の機能を構築する開発者には-_With関する。エージェントや LLM の機能が異常な_'Filename_-adjust_the failing layer unidentified layer が不明な場合、またはエージェントスタックのリリース前に使う。
Trail of Bits の 9 カテゴリフレームワークを用いた体系的なコード成熟度評価。コードベースを算術安全性、監査DMAの実践、アクセス制御、複雑性、脱中央化、ドキュメント、MEV リスク、低レベルコード、テストの観点から分析し、根拠に基づく評価と優先順位付けされたロードマップを含むスコアカードを生成する。スマートコントラクトや inducted チェーンコードベースの成熟度を評価・採点するとき、成熟度スコアカードや評価を作成するとき、あるいはルーブリックに基づいて此类のプロジェクトがどれだけ成熟で、どれだけテストされ、どれだけ文書化されているかを判断するときに使う。
TestDataFactoryパターンを使ってApexテストクラスの生成と検証を行います。バルクテスト（251件以上のレコード）、モッキング、アサーション、規律あるテスト修正ループに対応しています。Apexテストクラスの作成（トリガー、サービス、コントローラー、バッチジョブ、Queueable、コールアウト向け）、カバレッジ向上、失敗したApexテストのデバッグ・修正、テスト／カバレッジ分析の実行に適しています。トリガー対象：*Test.clsファイル、sf apex run test、カバレッジレポート。本番用のApex（platform-apex-generateを使用）やJest/LWCテストではトリガーしないでください。
プロパティベーステストの作成、レビュー、デバッグを行います。Hypothesis、fast-check、proptest、jqwik、rapid、および Solidity の不変条件のための Echidna や Medusa を含みます。テストを手作業で選んだサンプルの一覧ではなく入力領域全体をカバーさせる場合に使用してください。エンコード/デコードとシリアライズ/デシリアライズの組み合わせ、パーサー、正規化器、バリデータ、数値型と Decimal 型、比較子とソート順、データ構造、スマートコントラクトの状態不変条件などが対象です。既存の @given、fast-check、proptest スイートにケースを追加する場合、既存のプロパティテストが実際に何かをアサートしているかを判断する場合、ジェネレーターが反例を縮小して誤ったプロパティと本物のバグを区別해야する場合にも使用します。カバレッジ主導のバイナリファジング（libFuzzer、AFL）、ミューテーションテスターHUD、 camps、mutation-testing、静的解析、ベンチマーク、エンドツーエンド UI テストには使用しないでください。
Apex テストの実行、カバレッジ分析、テスト修正ループを 120 点スコアリングで提供。ユーザーが Apex テストの実行、コードカバレッジの確認、失敗したテストの修正、または *Test.cls / *_Test.cls ファイルの作成・変更を行う場合に使用する。Apex のプロダクションコード 작성時は発火させないこと（platform-apex-generate を使用）、Agentforce エージェントのテスト（agentforce-test を使用）、Jest/LWC テスト（experience-lwc-generate を使用）でも発火させないこと。
alibaba/open-code-review の `ocr` CLI を使用し、Git の変更に対して AI によるコードレビューを実行する。ユーザーがコードレビュー、プルリクエストレビュー、ステージ済み/未ステージの変更のレビュー、コミットのレビュー、またはブランチ間のコード品質比較を求めた場合_CALLBACK。有効なレビューコメントを生成し、リクエストがあれば修正を自動適用できる。適切なレビュールールを用いることで、バグ、セキュリティ脆弱性、性能問題、コード品質的不具合など_callbackする。
生成された CLI を磨き、検証を通.publish 可能な状態にする。診断（dogfood、verify、scorecard、go vet、gosec）を実行し、すべての問題を自動で修正する（verify の失敗、静的解析の指摘、 데ッドコード、説明、README、MCP ツールの品質）。修正前後の差分を報告し、公開を提案する。/printing-press の実行後、または $PRESS_LIBRARY/ 内の任意の CLI で使う。トリガーフレーズ：「polish」「improve the CLI」「fix verify」「make it publish-ready」「clean up the CLI」「get this ready to ship」。
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。