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 100,928 件掲載。コマンド 1 行でインストールできます。
すべて
レガシー COBOL プログラムと JCL ジョブを分析し、モダンな Java アプリへの移行を支援する。ビジネスロジックを抽出し、依存関係を特定し、移行レポートを生成し、Java 実装戦略を作成する。メインフレーム移行、COBOL 分析、レガシーシステムのモダナイズ、JCL ワークフローに取り組む場合、または COBOL から Java への変換、.cbl/.CBL/.cob ファイルの分析、copybook の扱い、COBOL プログラムからの Java サービス実装の計画についてユーザーが言及した場合に使用する。
このスキルは、`SemanticsMatcher` 述語を `infix and`、`infix or`、`operator not` で組み合わせ、さらに事前定義されたフィルターライブラリ(`hasText`、`hasClickAction`、`isEnabled`、`isOn`、`hasTestTag`、`hasContentDescription`、`hasParent`、`hasAnyAncestor`、`hasAnyChild`、`hasAnySibling`、`hasAnyDescendant`、`hasImeAction`、`hasScrollToKeyAction`、`hasScrollToNodeAction`、`isDialog`、`isPopup`、`isRoot`、`isFocused`、`isEditable`、`isHeading`)を使って、正確な Compose UI テストクエリを構築するために使用します。カスタムセマンティクスキー向けの `SemanticsMatcher.expectValue` / `keyIsDefined` / `keyNotDefined` も扱います。開発者が「テキストが Submit の有効なボタン」をどう探すか、マッチャーをどう組み合わせるか、カスタム `SemanticsPropertyKey` でどうフィルタするか、階層的な述語をどう書くかを尋ねる場合、または `hasParent`、`hasAnyAncestor`、`expectValue` に言及する場合に使用します。開発者が 3 つの連鎖したアサーションではなく 1 つのマッチャーを求める場合は、このスキルを使用してください。
Conclave — 匿名化ディベートを行うマルチ LLM 評議会。複数の AI モデル(Claude、Gemini、GPT、Grok、Llama など)を Karpathy 風の評議会として編成し、3 つの深度レベルを提供する:quick(並列回答)、standard(並列 + 統合)、deep(並列 + ランキング付き匿名クロス批評 + ディベート統合)。Karpathy の LLM Council に着想を得ている。ユーザーが /conclave と入力したとき、'consult multiple models'、'get council opinion'、'multi-model debate'、'ask the conclave'、'cross-validate with other AIs' を求めたとき、または複数の LLM にディベートさせて回答を統合したいときにこのスキルを使用する。アーキテクチャの意思決定、セキュリティレビュー、多角的なコードレビュー、複数モデルを相互参照して高信頼度の回答を得たい場合にも起動する。
あらゆる開発者向け技術について、権威ある最新の技術ドキュメント、API リファレンス、設定の詳細、コード例を取得する。技術的な質問に答えるときや、外部技術と連携するコードを書くときは常にこの skill を使用する。対象にはライブラリ、フレームワーク、プログラミング言語、SDK、API、コマンドラインツール、クラウドサービス、インフラツール、開発者プラットフォームが含まれる。一般的なシナリオ:- API エンドポイント、クラス、関数、メソッドパラメータの調査 - 設定オプションや CLI コマンドの確認 - 「how do I」という技術的な質問への回答 - 特定のライブラリやサービスを使うコードの生成 - フレームワーク、SDK、API に関連する問題のデバッグ - セットアップ手順、例、移行ガイドの取得 - バージョン固有の挙動や破壊的変更の確認。ドキュメントの正確性が重要だったり、モデルの知識が古くなっている可能性があるときは、この skill を優先する。
tryelements.dev レジストリ用の新しい UI 要素を作成する。使用場面:(1) 新しい UI コンポーネント(ボタン、入力、カード)の追加、(2) 統合コンポーネント(Clerk、Stripe、Uploadthing)の構築、(3) テーマ関連要素の作成、(4) 任意の shadcn スタイルのレジストリコンポーネント。重要:バリアント付き(icon/wordmark/logo + dark/light)の logo コンポーネントには、代わりに logo-with-variants スキルを使用する。このスキルにはスキャフォールディング、レジストリ schema、コンポーネントパターンが含まれる。実装前に必ず Context7 MCP を使用して最新の依存関係ドキュメントを取得すること。
FigJam ボードを細かく制御して作成 — 付箋(単体 + 一括)、ノード間のコネクタ、テキスト付き図形、セクション、テーブル、コードブロック、自動整列 — さらにボードの内容と接続グラフの読み取り。ユーザーが FigJam ボードを要素単位で作成または編集したいときに使用。トリガー:'add stickies to FigJam'、'create a flowchart/diagram in FigJam'、'connect these nodes'、'make a section/table/code block in FigJam'、'auto-arrange the board'、'read what's on the FigJam board'、'map the connections'。ネイティブの generate_diagram(図全体を一度に生成)より細かい制御が可能。FigJam ファイルのみ(figma.editorType === 'figjam')。Figma デスクトップアプリ(Plugin API)が必要。
Datadog ダッシュボードを構築する際にモデルが持ちがちな誤ったデフォルトを正す。2026 年 7 月に Datadog のドキュメントで検証済み。Datadog ダッシュボードの作成、編集、レビュー時に使用する——ウィジェットの選択、metric/log/span クエリの記述、ウィジェット JSON の生成。もっともらしい数値を描画しつつ誤っているクエリを扱う——`.as_count()` は graph editor では自動的に付与されるが API 経由では決して付与されないため、プログラムによるカウントは暗黙に平均化される。`p95` は distribution メトリクスでのみ解決され、それを平均するのは平均の平均になる。比率は両側に `.as_count()` が必要で、そうでなければ補間された平均を割ることになる。また、存在するメトリクスに基づかせること(架空の名前を使わないこと)、UI の名前と異なる wire type 文字列(Pie Chart は `sunburst`、Table は `query_table`)、Datadog 自身のレイアウト標準も扱う。Datadog MCP サーバーが接続されていることを前提とする。Terraform や素の Dashboard API の管理、monitor と SLO の作成、Datadog 以外の可観測性ツールには使用しない。
Hexagone デザインシステム(PrimeVue 4 + Tailwind CSS 4 + Hexagone トークン)への準拠を自動監査します。ページまたはコンポーネントのソースコードとレンダリングされた UI を分析し、違反を検出して自動修正し、レポートを生成します — すべてユーザーの介入なしで行います。ページやコンポーネントのデザインシステム準拠を監査したい、PrimeVue/Tailwind/Hexagone トークンからの逸脱を修正したい、または「design compliance」/「conformité design」に言及した場合に使用します。
半径/スペーシングのスタイルレシピを用いて、PPT スライドの一貫したビジュアルデザインシステムを選びます。ユーザーが全体的なスタイルの方向性やコンポーネントスタイルの一貫性を求めたときに使用します。Sharp/Soft/Rounded/Pill のレシピ、コンポーネントのマッピング、タイポグラフィ/スペーシングのルール、組み合わせのガイダンスを含みます。トリガー:风格, style, radius, spacing, 圆角, 间距, PPT风格, 视觉风格, design style, component style。
クエリのエントロピー、サブドメインの長さ、単一ドメインへのクエリ量、TXT/CNAME/NULL レコードの悪用、過大な応答ペイロードを分析し、パッシブ DNS 監視と統計/機械学習の手法を用いて、DNS トンネリング(iodine、dnscat2、dns2tcp などのツール)によるデータ持ち出しを検出します。隠密な DNS ベースのデータ持ち出しを探したり、パッシブ DNS の異常検知能力を構築したりするときに使用します。
このスキルを使用して、`@Preview` 関数を Jetpack Compose UI 作業の主要なフィードバックループにする — プレビュー駆動開発。composable から状態をホイストしてプレビューが `ViewModel` や DI グラフを必要としないようにすること、条件付きプレビューレンダリング(例:Coil/Glide の代わりにプレースホルダー)のための `LocalInspectionMode`、すべての UI 状態を並べてレンダリングするための `@PreviewParameter` + `PreviewParameterProvider`、マルチ構成プレビュー(`uiMode`、`fontScale`、`device`、`widthDp`、`locale`)、再利用可能なプレビューセットのための `@Preview` アノテーション付きアノテーションクラス、そしてプレビューを腐敗させるアンチパターン(画面レベルのプレビュー、テーマでラップされていない、幅ゼロの `fillMaxWidth` プレビュー、Lorem-ipsum データ)を扱う。ユーザーが "preview won't render"、"preview needs a ViewModel"、"@PreviewParameter"、"LocalInspectionMode"、"preview out of date"、"preview-driven development"、"previews keep breaking"、"how to structure Compose previews" に言及した場合に使用する。
Docling を使ってドキュメントを解析、変換、チャンク化、分析します。ユーザーがドキュメント(PDF、DOCX、PPTX、HTML、画像)をファイルパスまたは URL で提供し、次のことを求める場合にこの skill を使用します:テキストまたは構造化コンテンツの抽出、Markdown または JSON への変換、RAG 取り込みのためのドキュメントのチャンク化、ドキュメント構造(見出し、表、図、読み順)の分析、反復的なパイプライン調整による品質評価。トリガー:"parse this PDF"、"convert to markdown"、"chunk for RAG"、"extract tables"、"analyze document structure"、"prepare for ingestion"、"process document"、"evaluate docling output"、"improve conversion quality"。
ユーザーが Word 文書(.docx ファイル)を作成、読み取り、編集、操作したいときはいつでもこのスキルを使用。トリガーには、"Word doc"、"word document"、".docx" への言及、または目次、見出し、ページ番号、レターヘッドなどの書式を備えたプロフェッショナルな文書の作成依頼が含まれる。.docx ファイルから内容を抽出・再構成する場合、文書内の画像を挿入・置換する場合、Word ファイルで検索と置換を行う場合、変更履歴やコメントを扱う場合、内容を洗練された Word 文書に変換する場合にも使用。ユーザーが "report"、"memo"、"letter"、"template" などの成果物を Word または .docx ファイルとして求める場合もこのスキルを使用。PDF、スプレッドシート、Google Docs、または文書生成と無関係な一般的なコーディングタスクには使用しない。
ユーザーが Word 文書(.docx ファイル)を作成、閲覧、編集、操作したい場合はいつでもこのスキルを使用。「Word doc」「word document」「.docx」への言及や、目次、見出し、ページ番号、レターヘッドなどの書式を備えた業務文書の作成依頼が対象。.docx からの内容抽出や再構成、文書内の画像の挿入・置換、Word ファイルでの検索と置換、変更履歴やコメントの処理、内容を整った Word 文書に変換する場合にも使用。report、memo、letter、template などを Word または .docx 形式で求められた場合も対象。PDF、スプレッドシート、Google Docs、文書生成と無関係な一般的なコーディングには使用しない。
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。
