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
現在のリポジトリの変更を、検証済みの GitHub プルリクエストのマージを通じて要求されたベースブランチへ、指定がなければリポジトリのリモートデフォルトブランチへ反映し、その後、マージ済みのブランチを clean-branches に渡して、プロジェクトが宣言したクリーンアップコマンドでそのワークツリーとローカルブランチをクリーンアップさせる。実際の PR マージやそのマージ後のクリーンアップには常にこのスキルを使用する。既存の PR を検査、完了、着地、マージするリクエスト、PR を作成してマージする、意味のあるコミットを保持する、すでにマージされたワークツリーをクリーンアップする場合も含む。既存のマージは重複させずに報告する。リポジトリに蓄積されたブランチとワークツリーのスイープは clean-branches に属する。
ユーザーが ML 推論の最適化、エクスポート、配信、圧縮、高速化を求めたときにこのスキルを使う。次の場合に積極的に有効化する：(1) レイテンシ、スループット、p95/p99、バッチ処理、並行処理、KV cache、メモリ、コストの問題、(2) 量子化 INT8/INT4、GPTQ、AWQ、bitsandbytes、プルーニング、スパース化、蒸留、(3) ONNX export、ONNX Runtime、TensorRT、TorchScript、torch.compile、XLA、OpenVINO、Core ML、TFLite、(4) Triton、TorchServe、TF Serving、BentoML、Seldon、KServe の設定、(5) エッジデプロイ、CPU/GPU/TPU/Inferentia での配信。提供するもの：ハードウェアを考慮した推論最適化と安全なベンチマーク。
PostHog で再利用可能なデータモデルを構築するための共通基盤です。2 種類のスタックに対応します。PostHog ネイティブのデータウェアハウスビュー／マテリアライズドビュー（HogQL、view-* MCP ツール経由）、または独自もしくは PostHog 管理のウェアハウスで実行する外部 dbt プロジェクト（sources.yml + staging/marts + schema tests）。具体的な業務モデルを作成する前に読みます。PostHog と dbt の選択、view-create → view-materialize → sync_frequency ワークフローと HogQL の列エイリアス規則、dbt プロジェクトのひな型と「ネイティブ dbt 統合なし」の状況、ウェアハウスの結合とスタースキーマのディメンション、convertCurrency() による通貨換算、再利用に向けたデータカタログでのモデル確認・登録を扱います。modeling-revenue-metrics、modeling-conversion-metrics、modeling-activation-metrics、modeling-product-usage-metrics、modeling-dimension-tables と連携します。PostHog でビュー、マテリアライズドビュー、dbt モデルを構築する方法、またはどちらのスタックを使うべきか尋ねられた場合に使用します。
OpenMM と MDAnalysis を使って分子動力学シミュレーションを実行・解析します。PDBFixer と OpenFF/GAFF2 による系の準備、力場の選択（AMBER14、CHARMM36m、ff19SB）、エネルギー最小化、NVT/NPT 平衡化、本番 MD、トラジェクトリ解析（RMSD、RMSF、タンパク質-リガンド接触）を扱います。GPU でのタンパク質またはタンパク質-リガンド系のシミュレーション、変異がタンパク質ダイナミクスに与える影響の評価、リガンド結合様式の特徴づけ、残基ごとの柔軟性の定量化、膜タンパク質や天然変性タンパク質のモデリングに使用します。GROMACS または NAMD のワークフローには対応せず、このスキルでは代替手段としてのみ記載しています。
SpikeInterface で Neuropixels の細胞外記録をエンドツーエンドで解析します。SpikeGLX/Open Ephys/NWB データの読み込み、前処理、ドリフト/動き補正、Kilosort4（および CPU）によるスパイクソーティング、品質指標、ユニットのキュレーション（しきい値ベース、モデルベースの UnitRefine、AI 支援の目視レビュー）を扱います。Neuropixels 1.0/2.0 の記録、スパイクソーティング、細胞外電気生理解析に使用します。
AI エージェント向けの自律的なシニアオペレーターモード。誰かに見張られずにタスクをエンドツーエンドで解決し、新たな問題を決して生み出さない。エージェントはあらゆる主張を実証に照らして検証する（現在の年月に日付付けしたウェブ検索、コードベース、利用可能なツール・MCP・コマンドライン）。決して推測せず、自信を偽らず、証拠なしに完了したと主張しない。沈黙を保ち作業を続け、ユーザーに割り込むのは次の 3 つの停止条件のみ：破壊的または不可逆的な操作、情報源を使い果たしても証拠がない行き詰まり、結果を変える真の曖昧さ。出力は短く、率直で、人間的。ユーザーが "not-your-babysitter"、"nanny mode"、"work autonomously"、"stop babysitting"、"no hand-holding" と言ったとき、または自力で問題を解決するエージェント、特に実践的なエンジニアリングと運用タスクを求めたときに使用する。ユーザーが明確にチュートリアル、冗長な解説、または自由なブレインストーミングを望むときには使用しない。
公式の Obsidian CLI を第一に、次にローカルファイルシステム/git をフォールバックとして、ローカルアクセスが利用できない場合は GitHub API をフォールバックとして、Obsidian 保管庫をブートストラップして運用する。Codex が確認済みの保管庫リポジトリ URL から初回のワークスペース初期化を行う場合、プロジェクト単位のノートの読み書き、保管庫の健全性と可読性の監査、この保管庫の構造整理が必要な場合に使用する。現在の Obsidian CLI と Help の構文は推測せず Context7 で確認し、DeepWiki は関連する公開リポジトリの探索にのみ使用する。
本番トラフィックで評価器を稼働させます。プロジェクトにOpikオンライン評価ルール（LLM-as-judgeまたはPythonメトリック）を作成し、サンプリング、フィルター、変数マッピング、コスト上限を設定したうえで、新しいtraceが採点されていることを確認します。SDKのRESTクライアント経由で動作し、接続時にはMCP経由でルールとスコア名を読み取ります。ルール、出力されるスコア名、監視方法を返します。「本番traceを採点」「本番環境のハルシネーションを監視」「評価器を本番稼働」「オンライン評価ルールを設定」「品質低下時に通知」に使用します。オフライン実験（evaluateまたはcompareを使用）や、既存の問題の特定（diagnoseを使用）には使いません。
Opik Agent Optimizerでプロンプトを改善します。プロンプト、データセット、メトリックを解決し、アルゴリズムを選び、範囲を限定して最適化を実行し、ホールドアウトデータで改善を確認します。最良の結果を最適化実行リンクとともに新しいプロンプトバージョンとして保存します。opik-optimizerパッケージで実行し、接続時にはMCP経由でプロンプトとデータセットを読み取ります。「このプロンプトを最適化」「システムプロンプトを改善」「エージェントの回答を良くする」「データセットに合わせてプロンプトを調整」「プロンプトオプティマイザーを実行」に使用します。一度だけの品質測定（evaluateを使用）、スイートでの変更前後の比較（compareを使用）、データなしでの手動編集には使用しません。
明示的なリリースポリシーに照らし、compare スキルの数値に基づいて候補をリリースするか保留するか判断します。回帰、合格率、安全性タグ付きケース、サブグループの一貫性、レイテンシとコストの予算、不安定さ、エビデンスの規模、判定器の検証状況を考慮します。SDK 経由（接続時は MCP 経由）で Opik テストスイートの2つの実験を読み込み、各基準の合否を示した判定を返します。「安全にリリースできるか」「マージしてよいか」「この変更を進めるか」「リリースにゲートを設けるか」「展開すべきか」に利用します。数値の生成（compare を使用）、評価の構築（evaluate を使用）、デプロイには使いません
公開されている `orca` CLI を使い、Orca が管理する worktree、フォルダーコンテキスト、ターミナル、リポジトリ、自動化、worktree コメント、および Orca アプリに埋め込まれたブラウザーを操作します。ユーザーが「$orca-cli」「use orca cli」「Orca worktree」「child worktree」「cardStatus」「spawn codex/claude in a worktree」「read/wait/send Orca terminal」「terminal send」「full handoff」「handover」「give this to another agent」「another worktree」「Orca browser」「control the browser inside Orcaارف」と言ったときに使用します。タスクが Orca が管理する状態に involved する場合、生の `git worktree`、その場限りの PTY、Playwright、Computer Use よりこの方法を優先してください。Orca の埋め込みブラウザーの外にあるブラウザーウィンドウ、webview、デスクトップ UI には Computer Use を使用します。
ホワイトリストまたは Spark Ad のクリエイターポストから有料ソーシャル向けクリエイティブブリーフを生成する。フック分析、メッセージングの切り口、オーディエンスターゲティング、キャプションのバリエーション、掲載位置の推奨を扱う。クリエイターポストを有料広告ブリーフに変換する場合、ホワイトリストコンテンツのクリエイティブブリーフを作成する場合、クリエイターコンテンツについて有料チームにブリーフィングする場合、オーガニック投稿から Spark Ads ブリーフを生成する場合、インフルエンサーコンテンツから有料メディアブリーフを作成する場合、UGC を有料ソーシャル戦略に変換する場合、クリエイター動画からメディアバイヤー向けブリーフを作成する場合、ホワイトリストコンテンツを広告出稿用に準備する場合、またはブーストしたクリエイターコンテンツの掲載位置の推奨を生成する場合に使用する。キャプションを広告コピーのバリエーションに適応させる方法は paid-ad-copy-adapter を参照。オーガニック再投稿のキャプションは organic-repost-caption-writer を参照。FTC コンプライアンスは ftc-disclosure-spot-checker を参照。
PathML 3.0.5 を使用した、研究目的に限定されるローカル計算病理学を扱います。全スライド画像（OpenSlide、Bio-Formats）の読み込みとタイル化、SlideData.run() による前処理および QC ワークフロー、.h5path データ管理、多重画像の定量、空間グラフ構築（KNN、RAG、HACT）、制約付きローカル ONNX モデル推論の計画を扱います。スライドの読み込みやタイル化、組織マスクまたは染色ワークフローの構築、.h5path ファイルと患者単位の分割の管理、CODEX または Vectra 多重画像の定量、細胞・組織グラフの構築に使用します。臨床診断や患者ケアの判断には使用しません。
フロントエンドの体感速度と計測値の遅さを診断して修正する。ミューテーションの楽観的 UI、レイテンシのマスキング（スケルトン、ブラーアップ、プリロード、スタッガリング）、リクエストのバッチ処理/重複排除、Core Web Vitals（LCP/INP/CLS）の改善。ユーザーが「the app feels slow」「clicks feel laggy」「improve performance」「my Lighthouse score is bad」「fix my Core Web Vitals / LCP / CLS」「make saves feel instant」と言ったとき、または操作が明らかにネットワークを待っているときに使用。パフォーマンス監査（ユーザー影響別に順位付けした指摘と、実測またはユーザー報告の根拠）と、実装済みの修正 — 楽観的ミューテーションのコード、マスキング処理、ネットワーク層の改善 — を出力する。
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。