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 99,951 件掲載。コマンド 1 行でインストールできます。
すべて
インフルエンサー/クリエイター契約について、コンテンツの権利、独占性、FTC 準拠（16 CFR 255）、AI/合成メディアの同意、ホワイトリスト/有償利用、プラットフォーム固有の要件をレビューする。対象：Instagram、TikTok、YouTube。AI インフルエンサー/バーチャルインフルエンサーのガイダンスを含む。トリガー：(1) 'check contract' → チェックリストレビュー、(2) 'advise' / 'review' → playbook を用いた完全なコンサルティング、(3) 'generate' / 'template' → Skala テンプレート URL。管轄：米国ニューヨーク。
ターミナルを使わず、チャットからユーザーの GitHub リポジトリに PostHog をセットアップします。PostHog のセットアップエージェント Wizard がクラウドで実行され、SDK と最初のイベントを追加してプルリクエストを作成します。ユーザーのコードを読み取ったり編集したりできない場合に限り使用します。ChatGPT や Claude のウェブ版などのウェブチャットアプリでは、この状況がよくあります。典型的な依頼は、アプリやリポジトリへの PostHog のインストール、追加、セットアップ、または PostHog を追加するプルリクエストの作成です。ユーザーのリポジトリ内で作業する場合は、代わりに installing-posthog-in-a-codebase を使用します。GitHub への接続、リポジトリの選択、実行の開始と状態確認、プルリクエストの共有を扱います。
ユーザーが、公開向け、編集、ブログ、ソーシャルメディア、ニュースレター、マーケティング、フィクション、ノンフィクション、または情報発信に使うイタリア語の文章の執筆、起草、翻訳、改訂を依頼したときに起動します。イタリア語の文章を自然にする、AIらしいパターンを取り除く、チャットボット風の表現を修正する、文章コーパスをもとに著者の文体を再現・調整する、人間が書いた文章を自動検出器が生成文と判定したことへの対応、または言語モデルが生成したイタリア語文章の改訂を依頼した場合も起動します。
生成AIに日本語の技術文書（書籍の章・記事・解説）を作成・推敲させるときの文章規範を適用するスキル。論理的で誠実な日本語テクニカルライティングを生成し、LLM特有の空虚な言い回し・冗長・過剰演出・AI臭の語彙を抑制する。公開前の採点も可能。Triggers: 日本語技術文書, テクニカルライティング, 技術記事を書いて, 解説文を書いて, 技術文書を推敲, 文章を校正, AIっぽい文章を直す, AI臭を消す, 公開前チェック, write Japanese technical doc, japanese tech writing.
REST API 経由で KubeSense のサービスレベル目標（SLO）を作成、読み取り、管理します。by_count、time_slice、alert-uptime の SLI、エラーバジェット、バーンレートアラート、グループ化を扱い、Datadog の SLO を同等の KubeSense SLO に変換します。正確な POST /api/slo ペイロード、アラートルールと共通の good/total クエリ設定形式、SLO が正常に保存されても何も評価されない原因となる落とし穴を説明します。
ネイティブ Android プロジェクトにおける Smart Label Capture（Scandit の `LabelCapture`）— 1 回のスキャンでラベルから複数のフィールド（価格、有効期限、シリアル番号またはロット番号、重量）を抽出する。バーコードフィールドに加え、正規表現パターンを持つテキストフィールドや価格キャプチャなどの定義済み設定を使用する。統合、ラベル定義の設定、キャプチャセッションの処理、オーバーレイのカスタマイズ（ブラシ、フローティングバッジ）、Validation Flow、SDK バージョンの移行に用いる。
プロジェクト内のすべての個人データ処理活動を対象とするデータインベントリ（mapa de dados）を作成・維持します。ユーザーが「mapa de dados」「data mapping LGPD」「que dados pessoais coletamos」「inventário de tratamento」と尋ねた場合や、LGPD 監査パイプラインの一環として使用します。`.lgpd/data-map.md` を生成します。Prisma schemas、API エンドポイント、サードパーティ SDK、ログ文からコードを逆解析してインベントリを作成するレガシーシステムで特に重要です。
Light 第 10 段階で学術参考文献および claim と引用の支持関係を検証する。原稿、claim マップ、参考文献目録、DOI/arXiv/PMID/ISBN/URL、BibTeX/CSL、citekey、キメラ引用や捏造引用、撤回・訂正アラートの監査、または組版用の正規引用レジストリの作成に使う。来歴を保持したインベントリを構築し、独立した権威ある情報源でメタデータを確認し、CONFIRMED/CONFIRMED-MISSING/UNAVAILABLE/UNRESOLVED を区別し、Crossref の更新方向を記録し、引用ゲートと納品成果物を出力する。
Light オンデマンド工程スキル・フロントエンドデザイン：曖昧な「いい感じの UI を作る」を、動く React/Tailwind/shadcn コード + 設計判断の説明に落とし込む——視覚的な記憶点(signature element)、スタイルの一貫性(design tokens の統一)、シーンへの適合(学術ポスター/データダッシュボード/管理画面/モバイル/マーケティング landing では情報密度がそれぞれ異なる)、「いかにも AI」の回避(紫青グラデーション/Inter/16px 角丸/巨大 hero/中央寄せの積み重ね/emoji 見出し)、視覚アクセシビリティ(WCAG 2.2)。使う場面：コンペ作品/プロジェクトデモ/研究システムの画面で Web ページやアプリ UI を作る / 既存フロントエンドを改修する / デザインシステムや配色やフォントを選ぶ / dashboard・管理画面・landing・モバイル UI を作る。トリガーワード：フロントエンド / 画面 / UI / Web ページ / サイト / ページをデザイン / ランディングページ / landing / dashboard / データダッシュボード / 管理画面 / admin / コンポーネント / React / Vue / Tailwind / shadcn / 配色 / フォント / デザインシステム / design system / いい感じに作る / フロントエンドデザイン / 画面改修 / redesign。中核の規律：ユーザーの代わりにデザイン方針/技術スタック/配色/フォントを勝手に決めない——これらは判断ポイントであり、推薦+理由+代替案を出し、AskUserQuestion で立ち止まってユーザーに聞く。ローカルデザインライブラリは持たない：インスピレーション/トレンド/スタックのバージョンはオンラインで調べ(Awwwards / `npm view` / WCAG 公式サイト)、last_checked を付け、見つからなければ unknown とし、古びたローカルライブラリに頼らない。出すのは動くコードであり空論ではない；`_shared/visual_qa` を再利用してコントラストを判定する(WCAG の数学を再発明しない)。DAG ノードではない(オンデマンドで、findings を出さず、本線を妨げない)。
Light 研究公正・倫理のライフサイクル常駐レッドラインゲート：研究のトリアージ、承認、収集、変更、分析、投稿、公開、出版後の各段階で、学術不正/データ捏造/統計の自己整合性/結論の誇大/幻覚と撤回 引用/自己盗用/プライバシー/著作権/著者表示と AI 開示/ソフトウェア著作権・特許の帰属/論文工場によるリライトなどのリスクを検査し、「捏造するな、誇大にするな」を口頭の助言から**機械検査可能・ブロック可能・統括 run_checkpoint が集約可能な機械可読ゲート**(light.findings.v1 を生成、Critical fail → exit 1)へと落とし込む。使う場面：投稿/camera-ready 前、データやコード公開前、ソフトウェア著作権の提出前、人または動物を対象とする実験の設計時——これらはハードゲート；および任意の執筆/分析/引用タスクのバックグラウンド公正スキャン。トリガーワード：倫理 / 公正 / 学術不正 / 捏造 / p-hacking / 誇大 / SOTA / 撤回 / 剽窃チェック / 盗用 / プライバシー / IRB / インフォームドコンセント / 著者表示 / AI 開示 / 論文工場 / ソフトウェア著作権の帰属。核心の規律：**シグナル≠有罪判定**、AI は自己評価できない → 一律「機械ゲート + 人によるレビュー」；見つからない場合は「要確認/UNRESOLVED」と書き、決して捏造しない；全行程オンラインで確認、ローカルナレッジベースゼロ、有料 key ゼロ。
Light 研究本線の第 5 ステップ・研究計画と実験設計：idea-critique を通過した idea と data feasibility を、実際に実行でき、論文に書け、再現できる question/estimand、実験マトリクス、事前登録パッケージに分解する。使うとき：idea が審査を通り実装に移す、実験・アブレーション・比較・感度・汎化・ロバスト性を設計する、研究計画 PROJECT_PLAN を書く、primary outcome・除外／停止ルール・preregistration を固定する、サンプルサイズ・シード・統計的検出力を計画する、実験の計算資源予算を見積もる、既存論文を再現する、baseline が緩い、または仮説が反証できないことを懸念する。トリガーワード：研究計画 / 実験設計 / 実験マトリクス / 仮説 / 対照 baseline / アブレーション ablation / 公平な比較 / 反証可能 / 統計的検出力 power / シードはいくつ / 再現 / reproducibility / research plan / experiment design / 再現可能。中核の規律：比較が不公平（baseline が緩い）／反証不能 = critical の一票否决（spec §4.2、STAGE_GATES[5]=[fair_baseline,falsifiable]）、アブレーションが分離していない／検出力不足 = warn、検出力は計画段階で逆算するもので結果の検定ではない、lint はヒューリスティックで限界があり、公平性／反証可能性の最終判定は依然として人・領域の判断を要する。「対照が絶対に公平だと証明した」などと決して謳わない。
Light 第 12 段階に向けて、証拠に基づくジャーナルまたは会議の候補リストを構築する。組版が venue-handoff.json/PDF/コンプライアンス事実を納品した後に使う。著者がどこに投稿すべきか、ジャーナル選定、会議との適合、スコープや記事タイプのマッチング、出版戦略、reach/match/safety の層、転投順序、APC/OA/索引/締切の制約、あるいは predatory／hijacked ジャーナルのリスクを尋ねるときに使う。現在の情報源に基づく候補レジストリ、適合／リスク／不明のレポート、選択を行っていない意思決定パケットを生成する。PDF を再コンパイルしたり、採択率を捏造したり、弱いシグナルで会場を断罪したり、ユーザーの直接の選択や明示的な委任なしに選定したり、投稿したりしてはならない。
ユーザーが提供したデータで Word 文書のフォームテンプレート（.docx）を入力します。ラベル→値のセルペアを持つ表を含むテンプレートを読み込み、すべての入力可能フィールドを検出し、入力済みの文書を出力します。CJK／ラテン文字の混在テキストを適切なフォント切り替えで処理します。ユーザーがフォームテンプレートへの入力、申請書の記入、Word の表フォームへの入力、文書入力の自動化を望むときにこの Skill を使用します。ユーザーが "填表"、"填写表格"、"fill form"、"fill template"、"表格填写"、"申请表"、"登记表" に言及した場合や、空欄のある .docx テンプレートを入力する場合にもトリガーします。
AI 検索エンジンや回答プラットフォーム（ChatGPT、Perplexity、Gemini、Google AI Overviews）向けにコンテンツを最適化するときに使用する。GEO を扱う：クロール制御（robots/WAF/llms.txt）、回答しやすいコンテンツとエンティティページ、引用戦略、測定（クエリバンク、モデルシェア）。監視インフラストラクチャの構築については project-aeo-monitoring-tools を参照。
Microsoft 製の「何でも Markdown に変換」ツールである MarkItDown の機能範囲、対応フォーマット、エコシステム（CLI / Python API / プラグイン / Docker / Azure 統合）を紹介します。PDF/PPT/Word/Excel/画像/音声/ウェブページ/YouTube を Markdown に変換する要望に対し、markitdown-awesome の概要、markitdown-cli のコマンドガイド、markitdown-ocr の LLM Vision OCR のどれを使うべきか、LLM の判断を支援します。markitdown、microsoft/markitdown、Office 文書の markdown 変換、スキャン文書の OCR、または関連する代替ツール（textract、unstructured、pandoc）について尋ねられた場合に使用します。
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。