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 100,344 件掲載。コマンド 1 行でインストールできます。
すべて
AI/ML の知識を、523 レッスン・20 フェーズの AI Engineering from Scratch カリキュラムの開始地点に対応付けるインタラクティブなクイズ。トリガーフレーズ：「どこから始めればいいか」「レベルを判定して」「何を知っているか」「どのフェーズか」「知識を評価して」「プレースメントテスト」「先の内容をスキップ」、"where should I start"、"find my level"、"what do I know"、"which phase"、"assess my knowledge"、"placement test"、"skip ahead"。
コードベースのフロントエンドデザイン成熟度を診断し、適切なフロントエンドデザインスキルの順序で作業をルーティングする。ユーザーが広範または曖昧なデザイン依頼をしたとき——「これをもっと良く見せて」「UI を磨いて」「MVP っぽく感じる」「フロントエンドがめちゃくちゃ」「デザインはどこから始めればいい」「プロっぽく感じさせて」「デザインシステムを計画して」——または依頼が複数のデザイン課題にまたがり、どの単一スキルが当てはまるか不明確なときに使用。実際のコード（Tailwind 設定、CSS 変数、コンポーネント構造、hex コードのばらつき）を検査して成熟度を評価し、5 つの実装パスのうち 1 つを選び、デザインのロードマップを生成する。根拠に基づく成熟度診断と、各ステップが次へ受け渡す成果物を含む順序付きのスキルシーケンス。依頼が 1 つの課題（間隔のみ、色のみ、書体のみ）に明確に対応する場合は、これをスキップしてそのスキルを直接呼び出す。
従来の Python 計量経済スタックによる古典的なエンドツーエンドの実証分析ワークフロー——pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn。**デフォルトでは経済学の実証論文スタイル**（AER / QJE / AEJ）を採用し、実行ごとに出版可能な出力一式を生成する。中心となるのは多列回帰表（M1→M6 の段階的なコントロール/固定効果）で、加えて表 1（記述統計）、メカニズム／異質性／頑健性の表、イベントスタディ + 係数 + トレンドの図を含む。応用経済学者や定量的社会科学者がすべての論文で実行する全 8 ステップのパイプラインを扱う——(1) データクリーニング、(2) 変数の構築と変換、(3) 記述統計と表 1、(4) 統計的診断テスト、(5) ベースラインの実証モデリング、(6) 頑健性チェック一式、(7) さらなる分析（メカニズム、異質性、媒介、調整）、(8) 出版可能な表と図。**同じ 8 ステップの枠組みを共有する 2 つの並行ドメインモードも扱う**——**モード A——疫学／公衆衛生**（`zepid`／手書きの `pandas` によるターゲット試験エミュレーション、`zepid`／`econml`／`lifelines` による IPTW + g-formula + TMLE の二重頑健トリプレット、`pymr`／`mrtool`（または `rpy2` → `MendelianRandomization`/`TwoSampleMR`）によるメンデルランダム化、`lifelines` による KM／AFT／Cox 生存分析、E 値感度分析、主層別化——STROBE／TRIPOD 報告）、および**モード B——機械学習による因果推論**（`econml.dml`／`doubleml` による DML、`econml.metalearners`／`causalml` による S/T/X/R/DR メタ学習器、`econml.grf`／`causalml` による因果森、`causalml` による Dragonnet／TARNet／CEVAE のニューラル因果、`pymc-bart`／`bcf-py` による BCF、行列補完、`econml.policy`／`policytree-py` による CATE 分布 + 政策木、オフポリシー評価、`mapie` によるコンフォーマル因果、`fairlearn` による公平性監査、`causal-learn`／`cdt`／LLM 支援による DAG 学習）。各ステップでどのライブラリを使うべきかを示し、標準的なコードを提示し、バリアント固有のパターンについてはより詳しい `references/` ファイルにリンクする。ユーザーが Python での**完全な実証分析**を求める場合、応用経済学の論文をゼロから再現したい場合、単一の垂直パッケージに依存しない再現可能なワークフローを必要とする場合（StatsPAI と対比）、すべての推定量と診断を明示的に制御したい場合、または "how do I write a full empirical pipeline in Python?" と尋ねる場合に使用する。ユーザーが特定の古典的ステップを単独で挙げたときにも発動する——"winsorize at 1/99%"、"run Breusch-Pagan"、"build a Table 1 balance table"、"do a placebo test"、"event study plot"、"mediation analysis"——そしてそれをより広いパイプラインに組み込みたい場合。モード A は "target trial emulation"、"IPTW"、"TMLE"、"Mendelian randomization"、"STROBE"、"公共健康"、"流行病学" で発動する。モード B は "DML"、"double machine learning"、"causal forest"、"meta-learner"、"Dragonnet"、"BCF"、"policy tree"、"conformal causal"、"fairness audit"、"因果机器学习" で発動する。
[Hyper] ユーザーが推論、リサーチ、AI アシスタンスのために Google Gemini CLI（`gemini`）を呼び出したいときに使用。トリガーフレーズ："use gemini"、"ask gemini"、"run gemini"、"call gemini"、"gemini cli"、"Google AI"、"Gemini reasoning"、またはユーザーが Google の Gemini モデル、ウェブ検索を伴うリサーチ、plan-mode レビューを求めたり、以前の Gemini セッションを再開したいとき。Gemini CLI を必要としない一般的なライティング、runbook の整理、ローカル編集には使用しない。
Google Analytics 4 の実装と分析のリファレンス。ライブの GA4 レポートデータを照会するとき、GA4 プロパティやデータストリームを設定するとき、gtag.js をインストールするとき、イベントや e コマースのトラッキングを設計するとき、カスタムディメンションやオーディエンスを登録するとき、Measurement Protocol でサーバーサイドイベントを送信するとき、GA4 を BigQuery にリンクしてエクスポートスキーマを理解するとき、DebugView でデバッグするとき、Consent Mode とデータ保持を構成するときに使用する。トリガー、変数、カスタムテンプレート、サーバーサイドコンテナといった一般的な GTM コンテナ作業には使用しない - google-tagmanager を使用。Google Ads のスクリプトや広告レポート - google-ads-scripts を使用。GA4 エクスポートテーブルに対する SQL の作成や実行 - bigquery スキルを使用。Universal Analytics や Google 以外の分析ツールには使用しない。
スタートアップの創業者やマーケティング責任者向けに Google Search Console データを戦略的に分析します。GSC のエクスポートを、収益インパクトの見積もり、競合上のポジショニング、優先順位付きのアクションプランを備えた実行可能な成長インサイトに変換します。ユーザーが GSC の zip/CSV を提供したときに使用し、(1) 収益への影響を伴うブランド/非ブランド分析、(2) ビジネスインパクトを規模評価した SEO 機会、(3) ファネルマッピングを伴うコンテンツギャップ分析、(4) 予算配分を伴う有料検索戦略、(5) 優先順位付きの提言を含む戦略サマリーに使用します。
インシデント発生前に、クラウドアカウントや組織のセキュリティ態勢を主体的に強化します。チェック項目の消化より IAM とアイデンティティのリスクを優先し、攻撃経路になり得る露出（公開ストレージ、過剰な権限を持つロール、監査ログの欠如、未暗号化データ）を解消し、CSPM の出力を批判的に読み、組織レベルでガードレールを適用します。クラウド環境のセキュリティ態勢のレビュー、Prowler/ScoutSuite/Security Hub レポートのトリアージ、重要な設定ミスの判断、AWS、Azure、GCP 全体への予防的制御の設定に使用します。
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。