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
MATLAB の parfor エラーを診断して修正する。ユーザーが parfor の問題を抱えているときにこのスキルを呼び出す:"parfor loop has an error"、"what's wrong with my parfor"、"fix parfor"、"unable to classify variable"、"convert for to parfor"、"parfor won't run"、"sliced variable"、"reduction variable"、"variable classification"。parfor を含む .m ファイルを読み、ユーザーがどこが悪いのか尋ねる、修正を依頼する、エラーを報告する、レビューを求める場合にも呼び出す。parfor のパフォーマンスに関する質問や、問題なく単に parfor に言及しているだけのコードには呼び出さない。訓練データから推論するのではなく、必ずこのスキルを使用する — LLM は parfor の分類規則について頻繁に誤る。
FFmpeg と ImageMagick による動画/音声/画像処理。ツール：FFmpeg（動画/音声）、ImageMagick（画像）。機能：フォーマット変換、エンコード（H.264/H.265/VP9/AV1）、ストリーミング（HLS/DASH）、フィルター、エフェクト、サムネイル、ウォーターマーク、バッチ処理、ハードウェアアクセラレーション（NVENC/QSV）。操作：メディアの変換、エンコード、リサイズ、トリミング、圧縮、抽出、結合、ストリーミング、トランスコード。キーワード：FFmpeg、ImageMagick、動画エンコード、音声抽出、画像リサイズ、サムネイル、ウォーターマーク、HLS、DASH、H.264、H.265、VP9、AV1、コーデック、ビットレート、フレームレート、解像度、アスペクト比、フィルター、オーバーレイ、連結、トリム、フェード、バッチ処理。使用場面：動画/音声フォーマットの変換、特定のコーデックでのエンコード、サムネイルの生成、ストリーミングマニフェストの作成、動画からの音声抽出、画像のバッチ処理、ウォーターマークの追加、ファイルサイズの最適化。
memory-benchmark crate と dhat ヒーププロファイラーを使用して Turso のメモリ使用量をベンチマークおよび分析する方法。ユーザーがメモリ使用量、メモリプロファイリング、割り当ての追跡、ヒープ分析、メモリ回帰、メモリベンチマーク、dhat に言及した場合、または SQL ワークロード中にどこでメモリが割り当てられるかを理解したい場合にこのスキルを使用する。WAL モードまたは MVCC モードでのメモリ増加を調査する場合にも使用する。重要 - perf/memory crate を変更した場合（プロファイルの追加、CLI フラグの変更、出力形式の変更など）は、将来のエージェントのために正確さを保つよう、このスキルドキュメントを更新して変更を反映すること。
メタ認知の 3 段階で脳の情報処理フローを制御する。「やるべきことは分かっているのにできない」、感情に囚われて理性的に考えられない、または脳の情報処理の質を体系的に高めたいときに使用する。3 段階：入力の制御（注意力で情報の入口を管理する）→脳の制御（情報を破棄／保存／処理する）→出力の制御（思考の結果を高品質に実行する）。素早い本能的反応が必要な緊急時には適さない。主なトリガー信号：「分かっているのにできない」「また感情的になった」「頭がごちゃごちゃしている」「学んだけど使えない」。
Selenium WebDriver または Selenide（Java）のテストスイートを CodeceptJS 4 に移植します。プロジェクトに `selenium-java` / `selenide` / `webdrivermanager` / `junit-jupiter` / `testng` を宣言する `pom.xml`、`org.seleniumhq.selenium` / `com.codeborne:selenide` を含む `build.gradle{,.kts}`、`*Test.java` / `*IT.java` / `*Steps.java` を含む `src/test/java/` ツリー、`org.openqa.selenium.*`（`WebDriver`、`By`、`WebDriverWait`、`ExpectedConditions`、`Actions`）または `com.codeborne.selenide.*`（`Selenide`、`SelenideElement`、`Condition`）からのインポート、JUnit/TestNG アノテーション（`@Test`、`@BeforeEach`、`@DataProvider`、`@FindBy`、`@ParameterizedTest`）、`PageFactory.initElements(...)`、`new ChromeDriver(...)` / `Selenide.open(...)`、または Cucumber-JVM のステップ定義（`@Given` / `@When` / `@Then`）が含まれるときにトリガーします。
既存の Nango TypeScript createSync 実装を、nango.lastSyncDate、旧来の増分 syncType、再開不可能なフルリフレッシュから checkpoint ベースの同期へ移行する。顧客の Nango 同期コードを次のように更新するときに使用する：checkpoint スキーマを定義し、毎回の batchSave の後（paginate ループ内を含む）に getCheckpoint/saveCheckpoint/clearCheckpoint を呼び出し、--checkpoint で dryrun をテストし、checkpoint 化された増分またはフル同期の削除処理を修正する。
Mobbin を用いたリサーチ駆動の UI/UX 改善。ユーザーがデザインパターンの調査を明示的に求めたとき（「use Mobbin」「research design patterns」「find UX patterns for X」）に使用する。Mobbin アカウントとブラウザ自動化（claude-in-chrome MCP）が必要。Mobbin で関連する UI パターンを検索し、デザイン原則を抽出し、承認用の仕様ドキュメントを生成してから実装する。一般的な UI 作業向けではなく、ユーザーがリサーチに基づくデザインを望む場合にのみ使用する。
並列マルチ AI クロスバリデーション研究ワークフロー(大バージョン)。N 個の内部サブエージェント + grok + gemini を並列にディスパッチし、findings を自動でクロスバリデーションし、信頼度で階層化(強いコンセンサス / 部分的 / 衝突 / 不十分)し、仲裁付きの階層化アクション項目を生成する。ユーザーが「マルチ AI 調査」「クロスバリデーション」「独立したコンセンサス」「三脳調査」「multi-ai research」「parallel research」「cross-validate」と言うとき、または内部データ + 外部の 2026 コンセンサスから恩恵を受ける深い調査が必要なときに使用。迅速な事実確認の Q&A、純粋なコード推論、深いプロジェクトコンテキストを必要とするタスクには使用しない。
dbt-materialize アダプタを使用して dbt で Materialize のストリーミングパイプラインを管理する。マテリアライゼーション（source、source_table、view、materialized_view、sink、table、seed）、profile 設定、インデックス作成、ブルー/グリーンデプロイ（deploy_init、deploy_promote、deploy_cleanup）、クラスタ管理、strict mode、テストを扱う。ユーザーが Materialize 用の dbt モデルの作成、Materialize 用の dbt profile の設定、Materialize に対する dbt の実行、dbt によるブルー/グリーンまたはゼロダウンタイムデプロイ、dbt での source や sink の作成、dbt-materialize の問題のトラブルシューティング、既存 dbt プロジェクトの Materialize への移行について尋ねる場合は常にこの skill を使用する。dbt の文脈で dbt-materialize、materialized_view マテリアライゼーション、deploy_init、deploy_promote、deploy_await、strict_mode、refresh_interval、retain_history、partition_by に言及した場合もトリガーする。
持続的で知的な想起を実現する、活性化拡散を伴う連想記憶。以下の場合に PROACTIVELY に使用する：（1）セッションをまたいで事実、決定、エラー、コンテキストを記憶する必要がある（2）ユーザーが「覚えていますか……」と尋ねる、または過去の会話に言及する（3）新しいタスクを開始するとき——記憶から関連するコンテキストを注入する（4）決定を下した後やエラーに遭遇した後——将来の参照用に保存する（5）ユーザーが「X はなぜ起きたのか？」と尋ねる——記憶を通じて因果連鎖をたどる。LLM への依存はゼロ。Hebbian 学習、記憶の減衰、矛盾検出、時間推論を備えたニューラルグラフ。
Next.js App Router のパターン、Server Components、Server Actions、Cache Components、フレームワークレベルの最適化に使用するスキルです。async params、proxy.ts への移行、"use cache" を使った Cache Components、React 19.2 の統合など、Next.js 16 の破壊的変更を扱います。Cloudflare Workers へのデプロイには cloudflare-nextjs スキルを使用してください。このスキルはデプロイ先に依存せず、Vercel、AWS、セルフホスト、その他のあらゆるプラットフォームで動作します。キーワード：Next.js 16、Next.js App Router、Next.js Pages Router、Server Components、React Server Components、Server Actions、Cache Components、use cache、Next.js 16 breaking changes、async params nextjs、proxy.ts migration、React 19.2、Next.js metadata、Next.js SEO、generateMetadata、static generation、dynamic rendering、streaming SSR、Suspense、parallel routes、intercepting routes、route groups、Next.js middleware、Next.js API routes、Route Handlers、revalidatePath、revalidateTag、next/navigation、useSearchParams、turbopack、next.config
ソロプレナー事業向けに、収益性が高く焦点の絞れたニッチを選択し磨き上げます。どの市場セグメントにサービスを提供するかを決めるとき、広いアイデアを防御可能なポジションに絞り込むとき、そのニッチにコミットする価値があるかを評価するときに使用します。ニッチの生成、複数基準によるスコアリング、検証チェック、Who+What+Why のポジショニング公式を扱います。トリガー："pick a niche"、"what niche should I target"、"narrow my market"、"find my niche"、"choose a niche"、"is this niche viable"、"niche down"。
Google NotebookLM 向けの「トピック notebook 構築」ワークフローを完遂する——深い Web リサーチ、ソースの順次読み込み（既知の失敗ドメインのスキップを含む）、完全な Studio 成果物の生成、厳選したチャットプロンプトライブラリ。ユーザーがトピックについて新しい NotebookLM notebook を作成したい、ゼロから完全なリサーチ notebook を構築したい、「{topic} :: docs」notebook を生成したい、フォーラム（Reddit/HN/GitHub/Discord/Quora）のソースを notebook にまとめたい、既存の notebook 用に完全な Studio（音声 + 動画 + マインドマップ + レポート + フラッシュカード + クイズ + インフォグラフィック + スライドデッキ + データテーブル）を生成したい、またはトピック用の厳選した NotebookLM プロンプトを用意したいときはいつでもこの skill を使用する。トリガーとなるフレーズ：「build a notebook on X」「create cmux :: docs」「research and build NotebookLM」「full studio for my notebook」「entire studio」「NotebookLM prompts for topic Y」「turn this into a NotebookLM notebook」。ユーザーが明示的に「NotebookLM」と言わない場合でも適用する——ソースと派生成果物を伴うリサーチ notebook をトピックについて組み立てるよう求められたら、これが適切な skill である。
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。