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
Figma コンポーネントの完全な Markdown ドキュメントを生成する — 構造/レイヤーツリー、デザイントークン（色、間隔、タイポグラフィ）、状態/バリアントのマトリクス、アクセシビリティノート、コンテンツガイドライン、オプションのコードパリティ + YAML frontmatter。ユーザーがコンポーネントまたはコンポーネントセットのドキュメントページやハンドオフ仕様を求めたときに使用する。トリガー：'このコンポーネントを文書化する'、'コンポーネントのドキュメント/仕様を生成する'、'Button のドキュメントページを作成する'、'構造とバリアントを書き出す'、'Figma からのコンポーネントハンドオフドキュメント'、'このコンポーネントを Markdown ドキュメントに変換する'。ノードツリー、バインドされた変数/トークン、デザイナー注釈を読み取り、エージェントが Markdown を組み立てる。Figma Desktop アプリ（Plugin API）が必要。
gget コマンドラインツールと Python パッケージを通じて、20 以上のバイオインフォマティクスデータベースおよび解析サービスを照会します。Ensembl の遺伝子検索、情報、配列（ref、search、info、seq）、BLAST、BLAT、MUSCLE、DIAMOND、PDB、AlphaFold、ELM、ARCHS4、CELLxGENE、Enrichr、Bgee、OpenTargets、cBioPortal、COSMIC、ウイルス配列のダウンロード（virus）、8cube のマウス特異性・発現データを扱います。遺伝子や転写産物の詳細検索、BLAST/BLAT の簡易検索、AlphaFold または PDB 構造の取得、遺伝子リストのエンリッチメント解析、フィルター付きウイルス配列のダウンロード、疾患と薬剤の関連の対話的な探索に使用します。バッチ処理や BLAST の詳細な制御には適しません（biopython を使用）。複数データベースを扱う Python パイプラインにも適しません（bioservices を使用）。
google-search-console-cli による Google Search Console のデータ分析とサイト管理。ユーザーが検索パフォーマンスの確認、クエリの分析、URL のインデックス状況の検査、サイトマップの管理、サイトプロパティの表示を求める場合に使用。トリガー："Search Console"、"検索パフォーマンス"、"検索クエリ"、"GSC"、"インデックス状況"、"URL 検査"、"サイトマップ"、"検索アナリティクス"、"表示回数"、"CTR"、"検索での見え方"。
AutoGPTQ と transformers を使用し、グループ単位の量子化（デフォルトのグループサイズは 128）で GPTQ により LLM を 4 ビット（3 ビットにも対応）に量子化します。量子化済み GPTQ モデルの読み込み、自分のモデルの量子化、グループサイズの選択、ExLlamaV2、Marlin、Triton カーネルの選択、PEFT による QLoRA ファインチューニングを扱います。限られた GPU やコンシューマー向け GPU で 70B クラスのモデルを動かす、FP16 と比べてメモリを約 4 分の 1 に削減する、推論を高速化する、HuggingFace で量子化済みチェックポイントを探す、LoRA で量子化モデルをファインチューニングする場合に使用します。新しい GPU で精度をわずかに高めたい場合は AWQ を、単純な 8 ビット量子化やオンザフライ量子化には bitsandbytes を使用します。
ユーザーが grok-cli コマンドライン経由で Grok または xAI を使いたいときに常に本スキルを使用する。chat、X search、画像生成/編集、動画生成/編集/延長、text-to-speech、speech-to-text、OAuth ログイン/ステータス、ローカル使用統計を含む。grok-cli を先にインストールする必要がある可能性がある場合にも本スキルを使用する。可能な場合はユーザーが要求した grok-cli コマンドを直接実行し、実際に失敗した後にのみインストール/認証/権限の問題を修復し、復旧後に元のタスクを再試行し、ユーザーが明示的に変換を求めない限り Grok/grok-cli の結果をアシスタント側で書き換えずに返す。
TRL ライブラリを使った言語モデルの GRPO（Group Relative Policy Optimization）微調整をガイドします。GRPOTrainer の設定、複数の報酬関数（正確性、形式、長さ、スタイル）の組み合わせ、チャット形式のデータセット準備、Unsloth のセットアップ、LoRA のマージ、reward、reward_std、KL の監視を扱います。XML や JSON などの厳密な出力形式に従うモデルを学習する場合、数学やコードなど検証可能なタスクを客観的な正確性報酬で学習する場合、カスタム報酬関数で思考連鎖の推論を改善する場合、GRPO 実行時の報酬の停滞、モード崩壊、OOM をデバッグする場合に使用します。通常の教師あり微調整には使用せず（SFT を使用）、高品質な選好ペアがある場合にも使用しないでください（DPO または PPO を使用）。
現在のライブ GTM コンテナを gtm-implementation-log.json の前回の既知の状態と比較する。前回の skill 実行以降に追加・削除・変更された tag、trigger、variable を表示する。読み取り専用で、変更は行わない。手動による GTM 変更を誤って上書きするのを防ぐ。トリガー——"what changed in GTM"、"gtm diff"、"check for manual changes"、"gtm drift"、"what's different in my container"、"has anything changed"。
Guidance (Microsoft Research) を使い、正規表現、select() による選択、文脈自由文法、トークン修復、@guidance 関数によって生成時の LLM 出力を制約します。バックエンドとして Anthropic、OpenAI、Transformers、llama.cpp に対応します。生成テキストを正規表現や日付、メールアドレス、ID などの固定形式に一致させる場合、モデルに有効な JSON、XML、コードを確実に生成させる場合に使用します。複数段階の生成ワークフローや Python 制御フローによる ReAct 形式のエージェントを構築するとき、select() でテキストを固定カテゴリに分類するとき、ローカルモデルで文法制約を使うときにも使用します。自動リトライ付きの Pydantic 検証には使用せず、その場合は Instructor を使用してください。
Harness Engineering 第 2 段階：セッションをまたぐ状態管理を確立し、agent が会話のたびに忘れる問題を解決する。tasks.json（タスクリスト）、progress.md（進捗記録）、init.sh（環境初期化スクリプト）の 3 つのファイルを作成する。ユーザーが「タスク管理を確立したい」「agent に進捗を覚えさせたい」「tasks.json を作成したい」「セッションをまたいで状態を保ちたい」「agent が毎回前回の作業を覚えていない」「progress ファイルを作成したい」「状態管理を初期化したい」と言ったら、ただちにこの skill を使用する。前提条件：harness-step1 と harness-step2 が完了していること（プロジェクトに AGENTS.md と docs/ ナレッジベースがある）。
HuggingFace Accelerate（Accelerator クラス、accelerate config、accelerate launch）で既存の PyTorch 学習スクリプトをラップし、同じコードを CPU、単一 GPU、複数 GPU、マルチノード、TPU、Apple MPS で実行できるようにします。デバイス配置、FP16/BF16/FP8 混合精度、勾配累積、分散チェックポイント、DDP、DeepSpeed ZeRO、FSDP、Megatron バックエンド間の切り替えを扱います。単一 GPU のスクリプトを複数 GPU に対応させる場合、混合精度を有効にする場合、DeepSpeed ZeRO または FSDP を設定する場合、勾配累積を設定する場合に使用します。1 つのスクリプトを異なるハードウェアで実行する場合にも使用します。コールバックを多用する学習ループ（PyTorch Lightning を使用）や、ハイパーパラメーター調整を伴うマルチノードオーケストレーション（Ray Train を使用）には向きません。
ユーザーが YouTube の動画アイデアをブレインストーミングしたい、既存のアイデアを採点したい、テーマの選択を検証したい、コンテンツのコンセプトを一括生成したいときに使用する。また、ユーザーが「動画のアイデアをくれ」「テーマをブレインストーミングしたい」「どんな動画を作ればいいか」「このアイデアを評価して」「自分の動画アイデアを採点して」「コンテンツのブレインストーミング」「テーマのアイデア出し」「どの動画が再生されるか」と言ったときにも使用する。タイトルの最適化については title-craft を参照。アイデアのスケジュールについては content-calendar を参照。アイデアに活かす視聴者インサイトについては audience-research を参照。
REST、GraphQL、gRPC、tRPC パターンにわたる API の設計と実装。バックエンドサービス、公開 API、サービス間通信を構築するときに使用。REST フレームワーク（FastAPI、Axum、Gin、Hono）、GraphQL ライブラリ（Strawberry、async-graphql、gqlgen、Pothos）、gRPC（Tonic、Connect-Go）、TypeScript 向け tRPC、ページネーション戦略（カーソルベース、オフセットベース）、レート制限、キャッシュ、バージョニング、OpenAPI ドキュメント生成を扱う。フォーム、テーブル、ダッシュボード、ai-chat スキル向けのフロントエンド統合パターンを含む。
Instructor Python ライブラリと Pydantic のレスポンスモデルを使って、LLM の応答から構造化され検証済みのデータを抽出します。ネストしたモデル、列挙型、カスタムバリデーター、検証エラーのフィードバックを用いた自動再試行、部分オブジェクトやイテラブルのストリーミングに対応します。Anthropic、OpenAI、ローカルの Ollama モデルで動作します。自由文から型付きフィールドやエンティティを抽出する場合、テキストを固定カテゴリに分類する場合、スキーマ検証を通過する JSON を LLM に返させる場合、抽出失敗時に自動再試行する場合、部分的な構造化結果をストリーミングする場合に使用します。プロンプト最適化には使用せず（DSPy を使用）、複数ステップのチェーン構築にも使用しません（LangChain を使用）。
Copilot Studio のエージェント設計向けパターンライブラリ。実績があり推奨される実装パターンと YAML 例を収録しています。Advisor エージェントがパターンを提案するとき、Author エージェントが実装時に YAML 構造を参照するときに使用します。用途：設計ガイダンス、パターン提案、ベストプラクティスに照らしたレビュー、既知の落とし穴のトラブルシューティング、実装時の YAML 参照。用途外：一般的な YAML スキーマのリファレンス（int-reference を使用）、トピック作成の仕組み（new-topic を使用）。
任意のテキスト、リンク、ドキュメント、質問を受け取り、「説明して」を本当の学習ループに引き上げます。まず学ぶ価値があるか、どこまで深く学ぶべきかを判断し、次に最小限の検証で真の理解を引き出し、必要に応じて checkpoint HTML を動的に生成します。ユーザーが要約や言い換え、普通の説明ではなく、「理解したい」「マスターしたい」「学習を導いてほしい」「本当に理解できたか検証してほしい」と明らかに望んでいる場合は、積極的に本スキルを使用してください。学習カード、checkpoint ページ、振り返りページ、学習ステータスページをエクスポートしたい場面にも適しています。
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。