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
アプリケーションの実行環境のみを含む Google の distroless ベースイメージ - shell、パッケージマネージャー、OS ユーティリティを含まない - 上にアプリケーションイメージを構築してコンテナの攻撃面を縮小します。マルチステージビルドのパターンに加え、distroless 向けに調整したデバッグとスキャンの手法を用います。コンテナイメージの堅牢化、コンテナアーキテクチャにおける攻撃面の削減、またはベースイメージの肥大化に関する評価指摘への回答に使用します。キーワード：distroless、マルチステージビルド、shell なし、nonroot タグ、デバッグイメージ、scratch、攻撃面。イメージ内の既知の CVE のスキャンには使用しないでください - scanning-docker-images-with-trivy を使用してください。
この skill は、非タッチ入力でテストから Jetpack Compose UI を操作するために使用します——performMouseInput（click、rightClick、doubleClick、tripleClick、longClick、animateMoveTo、dragAndDrop、smoothScroll、enter / exit、press / release / scroll）、performKeyInput（keyDown、keyUp、isKeyDown、修飾キー状態の値 isCtrlDown / isShiftDown / isAltDown / isMetaDown / isFnDown / isCapsLockOn / isNumLockOn / isScrollLockOn、ヘルパー pressKey、withKeyDown、withKeysDown、withKeyToggled、withKeysToggled）、KeyEvent を直接注入する performKeyPress、ホバー後にクリックするフロー用の performMultiModalInput。MouseButton（Primary、Secondary、Tertiary）、ScrollWheel（Horizontal、Vertical）、advanceEventTime によって駆動されるキーリピート動作を扱います。開発者が "how do I right-click in a Compose test"、"test a Ctrl+S shortcut"、"send a keyboard shortcut"、"simulate hover"、"test a tooltip"、"scroll the mouse wheel"、"drag and drop with a mouse" をデスクトップまたは Compose Multiplatform 上で尋ねた場合に使用します。
Convex を使用・追加・デバッグ・移行する Expo または React Native アプリを扱うときにこのスキルを使用する。`npx convex dev`、`EXPO_PUBLIC_CONVEX_URL` と EAS の環境変数、`ConvexReactClient` と `expo-router` または `App.tsx` でのプロバイダー接続、生成される `api` インポート、スキーマとインデックスの設計、クエリ、ミューテーション、アクション、認証（Clerk、Convex Auth、JWT または OIDC）、Expo URI からのファイルアップロード、ページネーション、移行、よくある `useQuery` または `_generated` の障害を扱う。一般的な Expo の UI やナビゲーションの作業、および非 Expo の Convex フロントエンドには使用しない（このモバイルスタックへの適配が目的の場合を除く）。
第一級のライブ読み取り専用イントロスペクション。DB MCP サーバーの読み取り系ツール（優先）または最小権限の読み取り専用接続文字列を通じて稼働中のデータベースに接続し、カタログのみを読み取り（テーブルデータも書き込みもなし）、影響を受ける指摘事項を confidence established に引き上げる。読み取り専用の契約を強制し、ライブアクセスがない場合は依存するチェックを needs_api とマークする —— 決して無言で通過させない。チェックに実行時の真実が必要なときに db-orchestrator と各監査ツールから呼び出される。
mmontes11/knowledge-base の `projects/` セクションに新しい追跡対象プロジェクト（または新しいカテゴリ）を追加するか、メンテナンス時に既存プロジェクトを更新します。所定の標準ドキュメント一式（README、api-reference、releases、features、任意の architecture）を上流の情報に基づいて作成し、出典を明記します。frontmatter を最新に保ち、Tracked projects テーブルに登録して main にプッシュします。ユーザーがナレッジベースへのプロジェクトの追加、追跡、更新を希望する場合に使います。「<repo> をナレッジベースに追加」「<project> の追跡を開始」「<project> のエントリーを更新」「<project> のメンテナンスを実行」「新しいカテゴリ <x> を追加」など、上流リポジトリ名だけが示された場合も対象です。
mmontes11/knowledge-base に記録されている内容についての質問に答えます。対象は追跡対象プロジェクト（概要、API の範囲、最新リリース、機能、アーキテクチャ）、`books/` の本、`foundation/` の基礎トピックです。ルート README の索引テーブルから該当フォルダーを探し、関連ファイルを読んで回答します。ユーザーが一般知識ではなくナレッジベースに基づく回答を求め、その中にある可能性のある内容を質問した場合に使います。「<project> は何をするか」「<project> の最新リリースは何か」「<project> の API はどう動くか」「ナレッジベースはどのプロジェクトを追跡しているか」「<topic> について何と書かれているか」「<book> の第 N 章を要約」などが該当します。
飛書/Lark のドキュメントや通常のウェブページを取得してローカルに保存し、ユーザーが権限を持つ飛書ドキュメントの編集や、ログイン済みブラウザでの 1 回のウェブ検索も行えます。ユーザーが飛書ドキュメントのダウンロード、エクスポート、取得、書き込み、または資料/参考リンクのオンライン検索を求めたときにこのスキルを使用します (larksnap に言及していなくても可)。内部ではスキル付属の daemon を通じてログイン済みの larksnap ブラウザ拡張をブリッジします。arXiv は専用スクリプトを使用します。
ユーザーが「オープニングを最適化」「冒頭の書き方」「フックを書いて」「冒頭がよくない」と言った場合、または冒頭の改善が必要な動画スクリプトを提示した場合にこの skill を使用する。まずコンテンツ品質のゲートキーピング（素材が十分か）と視界診断（視聴者の視界から出発しているか）を行い、次に 3 つの経路で並行して 10〜15 件の冒頭案を生成し、Top 3 の推薦とバズテンプレートの説明を付ける。トリガーすべきでない場合：完全なスクリプトの生成（li-writer を使用）、カバータイトルの生成（li-cover を使用）。Use when the user wants to "optimize opening", "write hook", "improve intro", or provides a script needing a better opening.
lyt シリーズの越境 EC におけるトラフィック配分ロジックを解説する skill。越境 EC、TikTok Shop、EC プラットフォーム、ショップ、商品、商品カード、検索、レコメンド、広告、コンテンツ、クリエイターに関連するトラフィックの仕組みに関する問題のみを扱い、業務外・EC 外の質問は拒否します。ユーザーが「なぜショップにトラフィックがないのか」「なぜ商品が露出されないのか」「なぜプラットフォームがトラフィックをくれないのか」「トラフィックはどう配分されるのか」「なぜ新規ショップは誰にも見られないのか」「なぜ他人にはトラフィックがあり自分にはないのか」といった質問をするときに、商品カード検索、ショート動画レコメンド、広告/GMV Max、コールドスタート、成約ファネルに関連するトラフィック配分の知識を補完します。この skill はロジックのみを説明し、具体的な診断は行わず、補足フィールドの確認も行いません。トリガー：/lyt-traffic-logic、/流量逻辑、/流量分配、/没流量逻辑
一流のコンサルティングファーム（McKinsey、BCG、Gartner）のスタイルで、包括的な市場調査レポート（50 ページ以上）を生成します。プロフェッショナルな LaTeX 組版、scientific-schematics と generate-image による豊富なビジュアル生成、データ収集のための research-lookup との深い連携、Porter Five Forces、PESTLE、SWOT、TAM/SAM/SOM、BCG Matrix を含む複数フレームワークの戦略分析を備えています。
OpenClaw エージェント向けの永続的なローカルメモリ。ユーザーが次のように言ったときに使用します：- "install memos" - "install MemOS" - "setup memory" - "add memory plugin" - "openclaw memory" - "memos onboarding" - "memory not working" - "configure memory" - "enable memory" - "upgrade MemOS" - "update memory plugin"
ユーザーが Modal.com の永続化や共有状態を扱いたい場合にこの skill を使用する。以下の場合に積極的に有効化：Modal Volumes、vol.commit、Dict、Queue、CloudBucketMount、S3 または GCS のマウント、secret に基づくストレージ認証情報、モデルキャッシュの永続化、データセットのステージング、共有キュー、分散状態、ボリュームの一貫性、ストレージのトラブルシューティング。提供：ストレージプリミティブの選択マトリクス、コミット/一貫性のパターン、マウント設定のレシピ、トラブルシューティングのチェックリスト。
PostHog のデータウェアハウスビュー（HogQL）または外部の dbt プロジェクト上で、再利用可能なアクティベーションモデル——アクティベーション率の指標と、ユーザー単位/アカウント単位のアクティベーションフラグ——を構築する。ユーザーがアクティベーション、"aha moment"、オンボーディングの成功、またはどの初期行動がユーザーの継続利用を予測するかを定義、モデリング、測定したい場合に使用する。このスキルが徹底する中心的な考え方：アクティベーションは想定された単一のイベントではない——リーチ（十分な数のユーザーが到達する）と予測力（到達したユーザーははるかに定着しやすい）のバランスを取って選ばれる、継続率で検証された初期行動の組み合わせである。候補となる行動の洗い出し、継続率の向上による検証、回数しきい値と行動の組み合わせ、プロダクト単位および B2B グループ単位のアクティベーション、勝ち残った定義を長期運用可能なアクティベーションフラグ + アクティベーション率モデルとしてモデリングすることを扱う。まず modeling-warehouse-foundations を読み、継続率の検証には modeling-product-usage-metrics を組み合わせる。
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。