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
パフォーマンス、アクセシビリティ、SEO、ベストプラクティスを一度に包括的に監査します。複数の領域にわたって「サイトを監査」「Web 品質をレビュー」「Lighthouse 監査を実行」「ページ品質を確認」「ウェブサイトを最適化」と依頼された場合に使用します。専門スキルを連携させ、詳細に分析します。単一領域の監査には使用しないでください。対象を絞った作業には core-web-vitals、web-accessibility、seo、web-best-practices を優先してください。
実際に有効なシグナルを得られるクローズドおよびオープンベータを運営します。ベータ参加者の選定、構造化されたフィードバック収集、ベータから GA への移行判断基準に加え、ソフトローンチ（構造もシグナルもない）、全員参加型（参加者は多いが実行可能なフィードバックがない）、構造化ベータ（適切な参加者群、意図的なフィードバックループ、明確な完了基準）の違いを扱います。ベータプログラム、アルファテスト、ベータ参加者群、ベータ参加者、ベータフィードバック、ベータから GA への判断、デザインパートナー、早期アクセスプログラム、クローズドベータ、オープンベータ、RC リリースで起動します。機能のリリースが近づき、GA 前の構造化検証が必要な場合、以前のベータで有効なシグナルではなくノイズが生じた場合、または以前のソフトローンチより構造化されたフィードバックを今回求める場合にも起動します。
AI オブザーバビリティ評価（`hog`（決定論的なコードベース）、`llm_judge`（LLM プロンプトベース）、`sentiment`（ユーザーメッセージの感情）を調査します。既存の評価の検索と設定の確認、特定の生成結果に対する実行、個別結果の照会、評価の定期レポート設定を行います。評価の失敗原因のデバッグ、一般的な失敗パターンの抽出、フィルター間の結果比較、Hog 評価器のドライラン、新しい LLM ジャッジ用プロンプトの試作、感情分類の確認、評価ライフサイクルの管理をユーザーが求めた場合に使用します。
SAPパッケージ、名前空間、オブジェクトリスト、またはアップロードされた抽出データについて、ECCからS/4HANAへのカスタムコード移行ドシエを作成します。カスタムABAPのS/4HANA対応状況の監査、共有可能な移行準備レポートの作成、ATC・未使用コード・clean-coreの証拠の統合、clean core統合向けインターフェース（RFC、IDoc、SEGW/OData、宛先）の一覧化、ユーザー出口/BAdI/拡張/標準変更の分類、Markdown/HTML/CSV/JSONへの保存、移行範囲の可視化に使用します。
Dart で Flutter のウィジェットテスト、統合テスト、ゴールデンテストを生成します。ローカル実行と、実機テスト向けの TestMu AI クラウドに対応します。ユーザーが「Flutter」「widget test」「WidgetTester」「testWidgets」「flutter_test」「integration_test」に言及した場合に使用します。トリガー：「Flutter」「widget test」「Dart test」「testWidgets」「WidgetTester」「golden test」。
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。
決定論的なガード付きエージェントループドライバーです。任意のステップを propose → deterministic-verify →（critique → revise）でラップし、強制終了ガード（max_iter、wall-clock budget、state-hash による進捗なしの検出、人間へのエスカレーション）を適用します。制御ループ、ガード、進捗検出は決定論的で、LLM の critique/revise ステップのみを隔離されたアダプターとして扱います。エージェントの修正ループが無限に回らず、失敗したテストを言いくるめて回避できないようにする必要がある場合に起動します。
テストに合格したベースラインがあり、動作を維持する証拠が変更規模に見合うコードについて、リファクタリングを評価し、動作を保つパターンを提示します。ユーザーが選択範囲の類似コードの整理、簡素化、再構成、重複排除、統合を求めた場合、またはGREENによってTDDの増分に対する合格ベースラインが確立された後に使用します。蓄積された結果は、フェーズ終了時のPR準備ゲートでミューテーションテストにより検証します。復旧可能なベースラインの維持、リファクタリングが有益な場合と省略すべき場合、優先度分類を扱います。コミットには常にユーザーの明示的な承認が必要です。選択された全経路削減プログラムの各部分（移行段階または最終段階）では、reduce-system-complexityを主導スキルとして使用し、該当する場合はリファクタリングを補助的に使用できます。リポジトリ全体のアーキテクチャ探索にはimprove-codebase-architectureを、モジュール契約にはcodebase-designを使用します。証拠が不十分なコードや、動作の追加には使用しないでください。
Wiki のゴールデンページを、CI をブロックできる評価スイートに変換します。低コストから高コストへ進むアサーションカスケードと、コミット済みの回帰ベースラインを備えます。ゴールデンは llmwiki/wiki/sources/evals/ 配下の md ファイルで、YAML frontmatter（input、expected、任意の rubric、asserts）を含みます。エンジンは純粋なコードで決定論的な第1層のアサーション（equals/contains/regex/is-json/is-sql-ish）を実行し、任意で第2層の類似度評価を行い、第3層（LLM-rubric judge）は隔離されたアダプターとして報告します。モデルは一切呼び出しません。候補出力は --outputs outputs.json から取得するため、モデルなしでスイート全体を実行できます。ユーザーが「wikieval」「eval suite for the wiki」「regression gate for goldens」「assertion cascade」「block CI on eval drop」と言うか、/wikieval を呼び出した場合に起動します。
iOS App Store の申請と審査通過を支援する専門システム。9 つの専門エージェントが、コンプライアンス、デザイン、プライバシー、収益化、メタデータ、技術要件、申請時期、却下からの回復、学習について、上級 App Review Team レベルの専門知識を提供します。app store、iOS submission、apple review、app rejection、aso、privacy manifest、privacy labels、ATT、iap、in-app purchase、subscription、storekit、review guidelines、HIG、testflight、app store connect などのキーワードで起動します。
計装済みのml_app向けエンドツーエンドLLM Observabilityパイプラインです。本番トレースを分類し、障害の根本原因を特定して評価器を初期化し、その後（任意で）データセットをサンプリング・公開し、実験を生成・実行して結果を分析します。標準化されたバナーと各段階の間の「continue」チェックポイントを備えた、説明付きの6段階で構成されます。dd-llmoサブスキル（`llm-obs-session-classify`、`llm-obs-trace-rca`、`llm-obs-eval-bootstrap`、`llm-obs-experiment-py-bootstrap`、`llm-obs-experiment-analyzer`）のみをオーケストレーションします。「評価パイプラインを実行」「トレースから評価へ進む」「評価をエンドツーエンドで初期化」「分類してからRCAを行い、初期化」「ゼロから評価セットを構築」「データセットと実験について案内して」「実験を順に説明して」「ml_appがあるが次は何をすればよい」「LLM Obsのオンボーディング」「ガイド付き実験セットアップ」「トレースから実験へ」といった依頼や、本番データから評価器、データセット、実験までを決定論的かつ説明付きで進めたい場合に使用します。`--stop-after <phase>`で評価器またはデータセットの段階で早期終了し、`--start-at <phase>`で途中から再開できます。
設計が妥当か、つまり明示された目標と制約に基づいて適切な問題を解決しているかをレビューし、修正案ではなく、根拠を示した優先順位付きの指摘を提示します。「この設計をレビューして」「この設計は妥当か」「この提案を徹底検証して」「設計レビューをして」「これは適切な問題を解決しているか」「この仕様の問題点を挙げて」「これを作るべきか」と尋ねられた場合、または提案、仕様、ADR、アーキテクチャ、製品判断への批評を求められた場合に読みます。これらの作成を求められた場合は読まないでください。新しい提案は frame-a-proposal、仕様は write-a-spec、決定記録は record-a-decision、事後分析は write-a-postmortem に振り分けます。差分のコードレビューや個々の主張の事実確認には使用しないでください（それは別の作業である correctness pass の対象です）。
TestMu AIクラウドでのスクリーンショット比較向けに、SmartUIのビジュアルリグレッションテスト設定を生成します。フレームワークに依存せず、Playwright、Selenium、Cypress、Puppeteerで動作します。ユーザーが「SmartUI」「ビジュアルリグレッション」「スクリーンショット比較」「ビジュアルテスト」に言及した場合に使用します。トリガー：「SmartUI」「visual regression」「screenshot comparison」「pixel diff」「visual testing LambdaTest」。
GitLabの管理対象セキュリティテンプレートを使い、SAST（Semgrep、SpotBugs、Gosec、Bandit、NodeJsScan）、DAST、コンテナスキャン、依存関係スキャン、シークレット検出を組み込んだGitLab CI/CDパイプラインを設定します。GitLabでシフトレフト型のDevSecOpsパイプラインを構築する場合、.gitlab-ci.ymlに自動脆弱性スキャンのステージを追加する場合、またはデプロイ前にGitLab Duo AIでスキャナーの検出結果をトリアージする場合に使用します。
専用の Mule コネクターがない場合に、SaaS API の接続知識を生成します。ユーザー定義のユースケースとドキュメントに基づいて API を調査し、OpenAPI 3.0 仕様を作成し、ユーザーに認証情報を求め、ライブ API に対して各操作を検証して自動修正し、connectivity-schema/<apiName>/（api-reference.md + <apiName>.yaml + config.properties）に出力します。生成したフォルダーは build-mule-integration で後続の HTTP-Connector フロー生成に使用され、HTTP フォールバック経路でも専用コネクターと同等の認証、ページネーション、エンティティ認識が可能になります。ユーザーのプロンプトで Exchange コネクターが見つからない SaaS が指定された場合や、「API 知識を生成」「SaaS API を調査」「接続スキーマを構築」「ライブ API に対して仕様を検証」などを求められた場合に使用します。
Godot のエキスパート監査ツール：Aurelius。Godot 4.7 プロジェクトで禁止リストを徹底し、アーキテクチャ上の問題を厳しく指摘します。シグナルの減衰、ObjectDB の孤児、型付き Array/Dictionary の不備、material.duplicate の一括処理の破損、エクスポート時の大文字小文字の区別、Expression.execute のリスク、または分野別の禁止リストを監査する際に使用します。キーワード：監査、Aurelius、禁止リスト、シグナルの減衰、ObjectDB の孤児、型付き Array、エクスポート時の大文字小文字の区別、インスタンス uniforms、PackedScene.get_state。
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。