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 101,174 件掲載。コマンド 1 行でインストールできます。
すべて
Exchange、SharePoint、OneDrive、Teams、Endpoint にまたがる Microsoft Purview データ損失防止（DLP）のベースラインポリシーを設計するためのガイダンス。場所、条件（SIT／ラベル／分類子）、重大度別のアクション、シミュレーションモード、例外処理、Endpoint DLP のオンボーディング、チューニングを扱います。WHEN：Purview DLP、データ損失防止ポリシー、データ持ち出しの防止、Endpoint DLP、DLP ルール条件、DLP シミュレーションモード、機密共有のブロック、ポリシーヒント、Microsoft 365 全体の DLP、DLP の誤検知のチューニング。
pymoo を使って Python で単一目的および多目的最適化問題を解きます。NSGA-II、NSGA-III、MOEA/D、SPEA2、RVEA、GA、DE、PSO を使用します。カスタム問題（Problem、ElementwiseProblem、FunctionalProblem）、制約処理、混合変数問題、ZDT/DTLZ/WFG ベンチマーク、遺伝的演算子、並列評価、パレートフロントの可視化、多基準意思決定を扱います。競合する目的間のパレート最適なトレードオフを見つける場合、制約付きまたは混合変数問題を定義して進化アルゴリズムを選ぶ場合、標準テスト問題でアルゴリズムを評価する場合、交叉または突然変異演算子をカスタマイズする場合、パレートフロントから解を選ぶ場合に使用します。勾配ベースまたは凸最適化のソルバーには向きません。
lightning パッケージ（PyTorch Lightning）で PyTorch の学習コードを整理します。LightningModule、LightningDataModule、Trainer、ModelCheckpoint や EarlyStopping などのコールバック、ロガー（TensorBoard、W&B、MLflow、Comet、CSV）、複数 GPU／TPU 戦略（DDP、FSDP、DeepSpeed）を扱います。PyTorch モデルを学習、検証、テストのステップに分ける場合、複数 GPU または TPU 実行向けに Trainer を設定する場合、データ読み込み用の LightningDataModule を作成する場合、学習にチェックポイント、早期停止、実験ログを追加する場合、モデルサイズに応じて DDP、FSDP、DeepSpeed を選ぶ場合に使用します。Lightning を使わない通常の PyTorch ループには向きません。
Martin Fowler のカタログに沿った体系的なコードリファクタリング。方法論：キャラクタリゼーションテスト、Red-Green-Refactor、段階的な変換。機能：SOLID 準拠、DRY のクリーンアップ、コードスメルの検出、複雑度の削減、レガシーのモダナイズ、デザインパターン、関数型プログラミングのパターン。アクション：コードのリファクタリング、抽出、インライン化、名前変更、移動、簡素化。キーワード：リファクタリング、SOLID、DRY、コードスメル、複雑度、メソッドの抽出、インライン化、名前変更、移動、クリーンコード、技術的負債、レガシーコード、デザインパターン、キャラクタリゼーションテスト、Red-Green-Refactor、関数型プログラミング、高階関数、不変性、純粋関数、合成、カリー化、副作用。使用場面：コード品質の向上、技術的負債の削減、SOLID 原則の適用、DRY 違反の修正、コードスメルの除去、レガシーコードのモダナイズ、デザインパターンの適用。
会話の途中で実行を一時停止し、詳細モードから一歩引いて、方向性、前提、バイアスを率直に再評価するリフレクションスキルです。ユーザーが「reflect」「take a step back」「step back」「zoom out」「are we missing something」「bigger picture」「sanity check this」「are we on track」「are we overthinking this」「forest for the trees」や、詳細から離れて再評価したい意図を示す表現を使ったときに使用します。戦略的な確認がないまま実装の詳細に深く入り込んだ場合や、ユーザーが行き詰まっている様子を見せた場合も起動します。多くの場合、必要なのは詳細作業の追加ではなく、問題の捉え方のリセットです。意図的に事前質問を最小限にし、先行する文脈が十分なら即座に5次元分析を実行します。再評価に必要な情報が少なすぎる場合に限り、方向を定める確認質問を1つ行います
論理的なリレーショナルデータベース設計手法を、エージェントがスキーマの設計やレビュー時に適用するルールにまとめる。設計手順（ミッション → テーブル → フィールド → キー → リレーションシップ → ビジネスルール → ビュー → 整合性レビュー）、1 テーブル 1 主題への分解、原子的な単一値フィールド、候補キー/主キー/外部キー、削除規則と参加を伴うリレーションシップ種別、データ整合性の 4 レベル、データベースとアプリケーションのビジネスルール、検証テーブル、派生データ用のビュー、避けるべきフラットファイル/スプレッドシート/RDBMS 駆動のアンチパターンを扱う。構造は論理的で RDBMS に依存せず、構築時点で正規化されている。新しいリレーショナルスキーマの設計、既存スキーマのレビューやリファクタリング、冗長または重複データの解消、キーの選択、リレーションシップのモデリング、制約の配置先の決定に使用する。
Remotion で縦型ショート動画を完成させ、TikTok、Instagram Reels、YouTube Shorts に投稿します。トピック、記事、URL、データセット、変更履歴、リストを、1080x1920 のキネティックテキスト動画（大きなアニメーション文字、統計数値のカウントアップ、Top-N リスト、ローンチ動画や変更履歴動画、引用）に変換します。読み上げ速度に合わせてタイミングを調整し、各アプリのセーフゾーン内に収め、有料 API を使わずローカルでレンダリングします。Remotion ショート、TikTok/Reels/Shorts 向け Remotion 動画、キネティックタイポグラフィやテキストアニメーション動画、統計・データのショート、Top 5 リスト動画、製品ローンチや変更履歴の動画、引用動画、顔出しなしのテキストショート、または「X についてのショートを作って投稿して」と頼まれた場合に使用します。アプリのオーバーレイを記したレビューシート、カバーフレーム、確認後の WoopSocial 投稿が含まれます。
小規模なチームでコード変更をレビューする——2 名のシニアエンジニアが独立してレビューし、それぞれの指摘について議論し、その後チームリードが統合されたリストを報告する。ローカルモードでは現在のブランチをベースブランチと比較する。PR モード（PR の URL または番号が指定されると自動で有効になる）では、指摘を PR レビューコメントとして投稿することを提案する。PR モードは厳密に読み取り専用であり——作業ツリー内のファイルは決して変更されず、開発者からのあらゆる指示はコメント計画の更新として解釈される。エージェントは現在の作業ディレクトリでブランチをチェックアウトすることはない。別の ref にあるファイルが必要な場合は一時的な worktree を作成し、レポートを提示する前に削除する。ローカルモードでは開発者が修正する指摘を選べ、同じ 2 名のエンジニアが自動モードでそれを実装する。エンジニアはレビュー前にプロジェクトの AI ドキュメント（まずアーキテクチャ）を読み、再利用違反と、使われていない既存の実践がないかを明示的に確認する。
.rsc ファイルと対話型コマンド向けの RouterOS スクリプト言語と CLI 構成のイディオム。以下で使用します: RouterOS スクリプトや scheduler/netwatch/on-event スニペットの作成・レビュー、冪等な CLI 構成、:local/:global/:foreach/:do 構文、[find] セレクター、print as-value の処理、スクリプト権限、またはユーザーが .rsc、RouterOS script、scripting tips、CLI 構成の自動化に言及したとき。
クレームデータと EHR データを対象としたリアルワールドデータのコホート分析パイプライン — ICD-10、NDC、CPT コードによるコホート同定、服薬アドヒアランス指標（PDC/MPR）、傾向スコア推定とバランス診断、Kaplan-Meier 生存曲線、Cox 比例ハザードモデル。ユーザーがクレームデータ、コホート同定、ICD-10 コード、NDC コード、CPT コード、服薬アドヒアランス、PDC、MPR、傾向スコア、SMD バランス、Kaplan-Meier、Cox モデル、Schoenfeld 残差、クレームに基づく生存解析、リアルワールドエビデンスのパイプラインに言及した場合に使用する。
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。