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
計画ではなく義務を凍結する仕様駆動の機能作業。EARS 基準、パス、エンティティ、インターフェース、一方通行のドアを含む人間がレビューする 1 つの計画、次に証拠に裏付けられたチェック、次にビルド、最後に独立した Verifier という流れ。ユーザーが "tlc-spec-lean"、"plan feature"、"specify feature"、"write the checks"、"build this plan"、"verify work" と言ったときに使用する。機能に紐づかない独立した設計文書、アーキテクチャ分解分析、または実行すべきタスクリストやチェックリストがすでにある作業には使用しない。
Azure DevTest Labs の開発に関する専門知識を提供します。トラブルシューティング、ベストプラクティス、意思決定、アーキテクチャと設計パターン、制限とクォータ、セキュリティ、構成、統合とコーディングパターン、デプロイを含みます。ラボ VM イメージ、ARM/CI-CD の自動化、RBAC/Key Vault のセキュリティ、ハブ・スポークネットワーク、クォータの管理、およびその他の Azure DevTest Labs 関連の開発タスクで使用します。Azure Lab Services（azure-lab-services を使用）、Azure Dev Box（azure-dev-box を使用）、Azure Virtual Machines（azure-virtual-machines を使用）、Azure Virtual Desktop（azure-virtual-desktop を使用）には使用しないでください。
5 つの SDK（web/posthog-js、iOS、Android、Flutter、React Native）すべてにおける PostHog Surveys の設定と回答を診断する。Surveys のサポートチケットが貼り付けられたとき（"survey not showing"、"fewer responses than expected"、"responses disappeared"、"responses are incomplete"、"only the first question was answered"、"the user says they didn't mean to submit"、"survey shows on wrong platform"）、または survey が表示される／されない理由を診断するときに使用する。適格性パイプライン、回答が実際にどのように保存されるか（部分回答、分岐、任意質問、自動送信）、SDK 間の機能差、既知原因カタログ、読み取り専用の診断クエリ、スタッフのアクセス、顧客返信のスタイルガイドを扱う。
仕様への準拠、コード品質、ドメインの整合性を扱う3段階のコードレビュー手順です。ユーザーがコードのレビュー、PR の準備や確認、実装品質の評価、仕様や受け入れ基準に照らした検証、セキュリティやドメインモデリングの監査を求めた場合に使用します。「このコードをレビューして」「PR をレビューして」「仕様に照らして実装を確認」「コード品質を監査」「要件に合っているか」「セキュリティ上の問題をレビュー」「プリミティブ型への偏重を確認」「金額精度をレビュー」「テストカバレッジの不足を確認」などで起動します。要件ごとの PASS/FAIL 判定、重要度付きの指摘、重大な問題があれば停止するゲート付きレビューを求められた場合も有効です。スタイルや書式の lint、実行時エラーのデバッグ、新規コードの作成、自動 CI チェックには使用しません。
構造化されたUIデザインレビュー。既存コード（React/JSX、CSS、Tailwind）を確認し、動作が重要な場合は実際のブラウザーで実行中のアプリも調べ、優先順位付きのBefore / After / Whyテーブルで報告します。ビジュアル階層、余白、タイポグラフィ、色とコントラスト、コンポーネントの状態、モーション、レスポンシブ対応、アクセシビリティ、複数ページのフローとナビゲーション、インタラクションの一貫性を対象とし、Refactoring UIとEmil Kowalskiの原則に基づきます。アニメーション／カクつき／FPS、フォーカス順序、ページ間UXについては、chrome-devtools-mcp経由でChromeを操作し、スクリーンショットでは捉えられない内容を確認できます。ユーザーが「このUIをレビューして」「デザインレビュー」「このコンポーネント／画面／ページ／複数ページのフローを批評して」と依頼したとき、見た目が「おかしい」「AI生成のよう」「ワイヤーフレームのよう」な理由を尋ねたとき、またはビジュアルの完成度を高めたいときに使用します。UIを一から構築する場合はweb-taste、アニメーション一式についてはemilkowal-animationsを使用してください。
Actonを使ってTONスマートコントラクトをFunC（.fc/.func）から最新のTolk（.tolk）に移植します。必要に応じてacton func2tolkを使い、ストレージ、メッセージ、オペコードを型付き構造体とシリアライゼーションにリファクタリングし、Actonスタイルのエントリーポイントを実装してラッパーを生成します。JS/TSテストをネイティブTolkテストに移行し、acton build/test/script/verify/disasmを使ってTL-Bとの互換性と動作を維持します。FunCコントラクトを慣用的なTolkに変換、移植、または現代化する依頼に使用します。
テスト戦略、テストポートフォリオ、テスト品質を設計またはレビューします。ユニット/統合/コントラクト/E2E テストの選択、不安定または壊れやすいテスト、モックとテストダブル、BDD レビュー、レガシーコードのテスト、本番 QA、LLM または AI 生成システムのテストに使用します。TCRDD / TCR（test && commit || revert、レッド・グリーン・リファクタリング、小さなステップ、成功時にコミット、失敗時にリバート、承認ゲート付き TDD）と HTTP API スモークテスト（スモークテスト、クリティカルパステスト、CI ゲート、Hurl、.hurl ファイル、curl スモークテスト）も扱います。
AI/LLM アプリが本番環境でどこで失敗しているかを見つけ、実際のトレースから失敗パターンを提示する。AI 機能の何がうまくいっていないかを理解したい、失敗モードを見つけて分類したい、エラーをトリアージしたい、品質問題(誤った回答、指示の無視、ハルシネーション、ツールの誤用)を調査したいときに使用する — 「自分のエージェントのどこが失敗しているか」「エラーパターンを提示して」「なぜ応答が悪いのか」「よくある失敗モードを見つけて」「次に何を直すべきか」。1 つのユースケースへのスコープ設定、コンテキストに合うシグナル(コードエラー、メトリクスの外れ値、トレース種別のスライス、手動レビュー、既存評価の急増、クラスタリング)による失敗トレースの特定、それらをランク付けした失敗分類として読み解くことを扱う。
localhost／ローカル開発サーバーのページを複数のビューポートでスクリーンショットし、ビジュアルリグレッションを比較します。「ローカルサイトをスクリーンショット」「localhost ページをキャプチャ」「ビジュアル差分」「スクリーンショットを比較」「レスポンシブのスクリーンショット」「ブレークポイントを確認」「ビジュアルリグレッション」の依頼や、名前付き .localhost URL の Portless アプリのキャプチャに使用します。公開 URL や e2e テストの作成には使用しません。
ユーザーが "write a QUnit test"、"fix a failing QUnit test"、"add a QUnit module"、"modernize QUnit tests"、"migrate from QUnit 1" を求めたり、assert.async、nextUIUpdate、Core.applyChanges、sinon sandbox、asyncTest、QUnit.module などの QUnit 固有の構文に言及したときに使用する。OpenUI5/SAPUI5 の単体テストファイルのコーディング標準を扱う：var ではなく const/let、.bind(this) ではなくアロー関数、assert.async() ではなく async/await、すべての非同期テストでの assert.expect()、sinon.createSandbox()、説明的なテスト名、beforeEach/afterEach によるモジュール分離、nextUIUpdate と Core.applyChanges のルール、ヘルパーでの try/finally による後処理、QUnit 1 から QUnit 2 のグローバルへの移行、非 ASCII 文字の回避。
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。
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。