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
汎用 LaTeX ドキュメントスキル：任意の作成、コンパイル、および professional PDF への変換と PNG プレビューに対応します。履歴書、レポート、カバーレター、請求書、学術論文、学位論文、学術 CV、プレゼン（Beamer）、科学ポスター、正式な手紙、試験／クイズ、書籍、チートシート、リファレンスカード、試験公式表、入力可能 PDF フォーム（hyperref のフォームフィールド）、条件付き内容（etoolbox のトグル）、CSV/JSON からのメールマージ（Jinja2 テンプレート）、バージョン差分（latexdiff）、グラフ（pgfplots + matplotlib）、表（booktabs + CSV インポート）、図（TikZ）、Mermaid 図、AI 生成画像、透かし、横向きページ、参考文献／引用（GibTeX/biblatex）、多言語／CJK（XeLaTeX を自動使用）、アルゴリズム／擬似コード、色付きボックス（tcolorbox）、SI 単位（siunitx）、Pandoc によるフォーマット変換（Markdown/DOCX/HTML ↔ LaTeX）、および手書きまたは印刷文書（数学、業務、法律、一般）の PDF から LaTeX への変換。コンパイルスクリプトは pdflatex、xelatex、lualatex の自動検出、latexmk バックエンド、texfot によるログフィルタリング、PDF/A 出力、詳細度制御（--verbose/--quiet）に対応します。実測に基づく規模別最適化：1〜10 ページは 1 エージェント、11〜20 ページは分割、21 ページ以上は batch-7 パイプライン。以下の要望があるときに使用します：(1) 履歴書／CV／カバーレターの作成、(2) LaTeX ドキュメントの作成、(3) 表／グラフ／画像を含む PDF の作成、(4) .tex ファイルのコンパイル、(5) レポート／請求書／プレぜンの作成、(6) LaTeX や pdflatex に関わる作業、(7) PDF の LaTeX への変換／OCR、(8) 手書きメモの変換、(9) チャート／グラフ／図の作成、(10) スライドの作成、(11) 論文または学位論文の執筆、(12) 学術 CV の作成、(13) ポスターの作成、(14) 試験／クイズの作成、(15) 書籍の作成、(16) ドキュメント形式の相互変換（Markdown、DOCX、HTML と LaTeX の双方向）、(17) LaTeX 向けの Mermaid 図の生成、(18) 正式なビジネスレターの作成、(19) チートシートまたはリファレンスカードの作成、(20) 試験公式表・暗記カードの作成、(21) 講義ノート／PDF をチートシートに要約、(22) テキストフィールド／チェックボックス／ドロップダウンを備えた入力可能 PDF フォームの作成、(23) 条件付き内容／トグル（セクションの表示・非表示）を含む文書の作成、(24) CSV／JSON データからの一括／メールマージ文書の生成、(25) 文書間の変更をハイライトするバージョン差分 PDF（latexdiff）の作成、(26) 問題と解答を含む宿題／課題提出の作成、(27) データ表・グラフ・誤差解析を含む実験レポートの作成、(28) PDF の暗号化またはパスワード保護、(29) 複数 PDF の結合、(30) Web／メール向けの PDF の最適化／圧縮、(31) LaTeX ドキュメントのよくある問題の点検、(32) LaTeX ドキュメントの語数カウント、(33) ドキュメント統計の分析（図、表、引用）、(34) DOI から BibTeX の取得、(35) Graphviz .dot ファイルの PDF／PNG への変換、(36) PlantUML .puml ファイルの PDF／PNG への変換、(37) ワンページャー／ファクトシート／エグゼクティブサマリーの作成、(38) データシートまたは製品仕様書の作成、(39) PDF のページ抽出（ページ範囲、奇数／偶数）、(40) コンパイル前の LaTeX パッケージ利用可否チェック、(41) 引用の分析と .bib ファイルとの相互参照、(42) LaTeX コンパイルエラーのデバッグ、(43) ドキュメントのアクセシビリティ対応（PDF/A、タグ付き PDF）、(44) 講義ノート／配布資料の作成、(45) 既存 PDF フォームへの記入（入力可能フィールド、または非入力可能フォームへの注釈）、(46) PDF からのテキスト／表の抽出（pdfplumber、pypdf）、(47) スキャン PDF の OCR によるテキスト化（pytesseract）、(48) reportlab による PDF のプログラム生成（Canvas、Platypus）、(49) PDF ページの回転・切り抜き（pypdf）、(50) 既存 PDF への透かし追加、(51) PDF メタデータの抽出（タイトル、作成者、件名）。
Very Good CLI の packages_check_licenses MCP ツールを使って Dart および Flutter パッケージ依存のライセンスを監査し、非準拠または不明なライセンスを指摘し、コンプライアンス概要レポートを作成する。ユーザーが「check licenses」「license audit」「check dependency licenses」「license compliance」「review package licenses」「are our dependencies compliant」「scan for license issues」「pre-release license check」と言ったときに使用。特に、スキャンなしでコンプライアンスの判定を求めるリクエスト、たとえば「read the licenses off this pubspec」「confirm we're compliant」「just tell me if these packages are safe to ship」「I'd rather not run anything」「which of these are GPL」の場合に使用する。依存リストだけからコンプライアンスを認定することを拒否するのが、このスキルが扱う判断だからである。貼り付けられた pubspec はトリガーであり、監査の代替ではない。
Light 研究本線の第 3 ステップ・アイデア出し：曖昧な方向／データ／文献から構造的に発散し（計算システムを刺激して生成させ、漠然としたブレインストーミングではない）→ やる価値があり実現可能な階層化候補アイデア（moonshot の挑戦 / solid の堅実 / safe の保険）を生成する。各候補はなぜやる価値があるか・新規性・既存より優れる点・どんな具体的問題を解くか・どの層に投稿できるかを必ず答え、提案時点で衝突の事前セルフチェック（最も近い先行研究 + delta、上流の literature-search の領域マップを活用）を備える。使うとき：ユーザーが「この方向／データで何ができるか」と尋ねる、新規性・研究の方向性・テーマ選定・突破口を求める、アイデア出しを頼む、brainstorm research ideas、このアイデアは成り立つか（まず生成し、idea-critique で厳しく審査）。トリガーワード：アイデア出し / アイデアを考える / 新規性 / 研究の方向性 / テーマ選定 / 突破口 / 差別化 / この方向で何ができるか / 何ができるか / brainstorm / research idea / ideation / 新しいアイデア / 立項。中核の規律：novel／無創新の最終判定は下さない（それは idea-critique の critical ゲートであり、生成側は衝突の warn シグナルだけを出す）、証拠の根 → メカニズム／仮説 delta → 情報利得 → 最小判別実験という系譜で候補を制約する、innovation_engine の反寄せ集めゲートを通し、独創の由来の型（新問題／新メカニズム／新測定／新データ／新理論／領域横断移転／工学増分）を claim 強度に結びつける、数や七つの観点は advisory にすぎず、メカニズムの多様性がハードゲートである。
Light のプロジェクト実行時メモリとプロジェクト管理の常駐スキル：「どこまで進んだか／何を決めたか／どの版を出したか／用語をどう統一するか／前回どこで中断したか」を各プロジェクト自身の .light/ ディレクトリ（プロジェクトカード + 意思決定ログ + バージョン履歴 + 管理用用語集 + セッション間引き継ぎカード）に残し、passport.py エンジンを再利用して DAG 台帳を管理する（再発明しない）。consistency の事実源の帰属元であり、定義を変えると変更ブロードキャストが全資料を再走査する。統括の「セッション冒頭で前回どこで中断したかを自動報告」の記憶基盤でもある。使うとき：長期／セッションをまたぐプロジェクト、背景／進捗／バージョン／意思決定を覚えておく必要がある、セッション冒頭で続行または引き継ぐ、重要な進捗の直後に記帳する、コンテキストが尽きて引き継ぐ、用語／指標／新規性の定義を変えた後。トリガーワード：記憶 / プロジェクト管理 / プロジェクトカード / 意思決定ログ / バージョン履歴 / バージョン記録 / 続行 / 引き継ぎ / 前回どこで中断したか / 次の一手 / 引き渡し / handoff / 起動プロンプト / 用語集 / 変更ブロードキャスト / アーカイブ / 台帳 / .light / passport / セッション間。中核の規律：記憶は .light/ の明示的なファイルに落とす（ベクトル検索ではない）、相対日付は絶対日付に変換する、外部の可変事実には [snapshot] を付す、自己整合は pm.py audit の exit code で確かめる（口頭で「記録した」と言わない）、不可逆な意思決定（アーカイブ／教訓の書き戻し）は止めてユーザーに確認する。
グリーンフィールド、既存の Git/非 Git リポジトリ、monorepo のサブルートにわたる研究プロジェクト構造の監査、計画、雛形生成、安全な移行を行う。プロジェクトフォルダ、リポジトリのクリーンアップ、ソースの棚卸し、移動マップ、命名と保存ポリシー、Python/R/混合/LaTeX プロファイル、テンプレートの由来、競合レビュー、適用済み移動のエビデンス、ロールバックに使用。既存プロジェクトは、ユーザーが計画ダイジェストに紐づく正確なアクション ID を承認するまで読み取り専用。未コミットおよび未追跡の作業、シンボリックリンク、サブモジュール、memory-pm の .light コンテンツを保持する。これは DAG 外のローカルツールである：findings を出力したり、STAGE_GATES/ROUTES の接続を捏造したりしないこと。
Light 研究本線の第 7 ステップ・結果分析：良し悪しを述べるのではなく「なぜ」を説明し、各結論を claim + 証拠の強さに厳密に結びつけ、p-hacking を防ぐ。使うとき：実験が終わり結果を解釈する、「この数字は何を意味するか」と問う、有意性検定 + 効果量 + 信頼区間 + 多重比較補正を行う、p-hacking（多重比較の未補正、選択的報告、HARKing）を懸念する、各 claim に証拠の強さを与え執筆時の表現を校正する、結果が仮説を支持するか・再現可能かを判断する。トリガーワード：結果分析 / データの解釈 / この結果は何を意味するか / 有意性 / p 値 / 効果量 effect size / Cohen's d / 信頼区間 CI / 多重比較 / BH-FDR / Bonferroni / 補正 / p-hacking / 選択的報告 / garden of forking paths / HARKing / 証拠の強さ / claim と証拠の結びつけ / SHAP / アブレーション分析 / スライス分析 / 対応のある検定 / result analysis。中核の規律：統計的誤り / p-hacking = critical（spec §4.2、STAGE_GATES[7]=[stat_validity,evidence_strength]）、過度な解釈／効果量の欠落 = warn、有意性は p ではなく q を見る、非有意は「有意差は見られなかった」としか報告できない、表現の強さは証拠の強さに一致させなければならない、統計的検査には限界があり「手法の有効性／因果関係を証明した」などと決して謳わない。本スキルは 7→5（仮説を支持しない）／7→6（再現不能）の差し戻しの起点である。
エビデンスに基づく現状の棚卸しから、品質属性、アーキテクチャ選択肢、API とスキーマの契約、移行・ロールバック計画、ADR、検証に至るまで、ソフトウェアシステムを設計またはモダナイズする。グリーンフィールドや既存のモノリス、モジュラーモノリス、サービス、システム/API/データベース設計、スキーマ移行レビュー、データフローの信頼性、テナント/PII の統制、アーキテクチャの進化に使用。既存システムは、ユーザーが選択肢を選び、正確な変更を承認するまで読み取り専用。未知の事実は UNKNOWN のままとする。これは DAG 外のエンジニアリングスキルである：findings を出力したり、STAGE_GATES、ROUTES、ステージ、バックエッジを捏造したりしないこと。
コード変更やドキュメント更新を、レビュー済みの調査・計画・設計成果から、承認、実行、検証、独立レビューまで進めます。検証のブロック、レビュー/CI待ち、実行の復旧、マージ済みまたはクローズ済み変更のローカルリソース解放も対象です。担当範囲はフェーズ配置、承認改訂、証拠、指摘状態、復旧の意味づけであり、汎用的な成果物レビュー手法、チェック失敗の診断、ホスト実行API、成果物ストレージではありません。検証診断は開発プラクティス、非コード成果物のレビューは実施プラクティスが担当し、ゲートと分岐はプロジェクトポリシーが決定します。作成リソースの記録と、共有シミュレーター、エミュレーター、デバイス、ポートの占有申告も扱います。ホストプロジェクトにより具体的な変更ループがある場合はそちらに従います。変更を伴わない単独の読み取り専用質問、調査、レビューには使用しません
トピックから完全合成の縦型ショート動画（1080×1920、約 40 秒）をエンドツーエンドで制作します。スクリプト + beats.json、永続キャンバス上の連携した TSX ビート、スマートフォンサイズでの QA、レンダリング、ElevenLabs の音声と単語単位で同期する字幕、SFX の試聴、任意の BGM を含みます。「ショート動画を作る」「Shorts 動画を作成する」、特定分野（チェス、数学、アルゴリズム、開発のヒント、Excel など）の TSX ショート動画制作、ショート動画への音声・字幕追加、このリポジトリでの short-N シリーズの続行を依頼された場合に使用します。これは 100% TSX のワークフローです。動画モデルで画素を生成する場合は make-ai-short、ペーパークラフトコラージュのドキュメンタリー風には make-vox を使います。生の TSX のクラッシュルールは vidtsx-2d-generator に、SFX の選定は suggest-sfx + brand §7 に委ねます。
トピックやソフトウェアリポジトリを取り巻く全体像を、その境界、レイヤー、アクター、コンポーネント、関係、フロー、履歴、断層、未解決の問いを特定して描き出し、各部分がどのように組み合わさっているか、次にどこを見るべきかを説明する。ユーザーが分野、ドメイン、技術、エコシステム、業界、コードベース、アーキテクチャ、不慣れなリポジトリの理解を求めた場合、または「全体像を教えて」「ランドスケープを描いて」「これはどう組み合わさっているのか」「方向性をつかむのを手伝って」「何を見落としているか」といった表現を使った場合に使用する。
MarkItDown コマンドラインツール（`markitdown` コマンド）の完全な使用ガイド。すべての CLI オプション（`-o/-x/-m/-c/-d/-e/-p/--use-cu/--cu-endpoint/--cu-analyzer/--cu-file-types/--list-plugins/--keep-data-uris`）、入出力モード（ファイル/パイプ/stdin）、パイプラインの組み合わせ、shell ツールチェーン（jq/grep/xargs/tee/find）との連携、代表的な例（一括変換、Azure バックエンドの切り替え、プラグインの有効化、ストリーミング入力）を解説します。「markitdown コマンドの使い方」「PDF への一括変換」「stdin ストリームの入力方法」「インストール済みプラグインの一覧表示」「Azure Document Intelligence CLI の設定方法」を尋ねられた場合に使用します。LLM Vision を使った OCR については、兄弟 skill `markitdown-ocr` を使用してください。
`markitdown-ocr`プラグイン（公式プラグインリポジトリ：microsoft/markitdown/packages/markitdown-ocr）を通じて、LLM VisionとOpenAI互換モデル（gpt-4o / Azure OpenAI / Gemini / その他のOpenAI互換サービス）を使い、PDF / DOCX / PPTX / XLSXに埋め込まれた画像やスキャンページからOCRテキストを抽出する方法を案内します。インストール、設定（`OPENAI_API_KEY` / Azure認証情報 / カスタムendpoint）、Python APIとCLIラッパー、スキャンPDFの全ページレンダリングへのフォールバック、形式ごとのOCR動作の違い（行内挿入 / 表の後に追加 / トップレベルの説明）、カスタムprompt、コストや制限のトラブルシューティングを扱います。スキャンPDFをmarkdownに変換する方法、PPT内の画像からテキストを抽出する方法、GPT-4oでOCRを行う方法、`markitdown-ocr`プラグインのインストール方法、Azure OpenAIでmarkitdownを設定する方法を尋ねられた場合に使用します。通常のCLIの使い方やMarkItDownの概要だけの場合は、関連スキルの`markitdown-cli`と`markitdown-awesome`を使用してください。
非自明な開発作業のコンダクター：粗いアイデアであっても、出荷できるコードまで導き、適切なプロセス量（1 行の修正か完全な製品仕様か）を選び、場当たり的ではなくエンドツーエンドで推進する。トリガー：漠然としたアイデアをオープンクエスチョンに落とし込む、計画を掘り下げて共通理解に至る、未知の事項を調査する、PRD を書く、作業を issue に分解する、技術またはドメイン設計、UI のプロトタイピング、機能の実装、テスト駆動開発、コードレビュー、独立した検証、PR 説明の作成、根本原因までのデバッグ、アーキテクチャの改善、マージコンフリクトの解消。一度きりの文章作成やライティング作業には向かない。
方程式、証明、幾何学的概念のための数学可视化スキル。**トリガー条件：** - ユーザーが方程式、数式、数学的表現に言及した場合 - リクエストが数学的証明や導出を含む場合 - コンテンツに幾何学的関係が含まれる場合 - ユーザーが LaTeX、微積分、代数、幾何学、三角法に言及した場合 - パターン：「equation」「formula」「prove」「derive」「graph」「plot」 **機能：** - コンポーネントを色分けした LaTeX 方程式のレンダリング - 関数のグラフ化と変換 - 幾何学的作図と証明 - 3D 数学曲面 - ハイライト付きの段階的な導出
radarScenario 内の radarDataGenerator を構成、シミュレート、デバッグ、解析する。用途: データシートや性能要件からレーダー検出シナリオを対話的に構築する、検出漏れや設定エラーを診断する、センサーの球面座標・機体座標・シナリオ座標の出力を解釈する、リンクバジェットからハードウェア仕様に基づいて ReferenceRange を導出する、スキャンモードの構成（機械式、電子式/AESA、ハイブリッド）、シミュレーション結果を解析的な予測と照合して検証する。
.NET MAUI アプリのライフサイクルに関するガイダンス。4 つのアプリ状態（未実行、実行中、非アクティブ化、停止）、クロスプラットフォームの Window ライフサイクルイベント、バックグラウンド移行と復帰の動作、Android および iOS/Mac Catalyst のプラットフォーム固有のライフサイクルマッピング、状態保持のパターンを扱う。用途：「app lifecycle」「OnStart」「OnSleep」「OnResume」「backgrounding」「app state」「window lifecycle」「save state on background」「resume app」「deactivated event」「lifecycle events」。用途外：ナビゲーションイベント（maui-shell-navigation を使う）、依存性注入のセットアップ（maui-dependency-injection を使う）、プラットフォーム API（maui-platform-invoke を使う）。
Maven Central Repository（https://repo1.maven.org/maven2/）から Maven コンポーネントを検索・取得するための包括的なガイダンスを提供する。この skill では、groupId、artifactId、version などの座標による検索、コンポーネントメタデータ（POM ファイル、JAR、ソース、Javadoc）の取得、バージョン履歴の照会、依存関係の分析が可能。ユーザーが Maven 依存関係の検索、検証、取得、コンポーネントバージョンの確認、依存関係ツリーの分析、Maven 座標の扱いを必要とするときに使用する。
ユーザーがすでに開いていてログイン済みの Chrome タブを Chrome DevTools MCP 経由で操作する。ユーザーがエージェントに、現在のブラウザに入る、既存のタブで作業を続ける、フォームに入力または送信する、コメントや返信を書いたり投稿したりする、ページを更新する、開いている内容を確認する、Confluence などのログイン済み Web アプリとやり取りすることを求める場合に使用。また melech-debug-mode のブラウザ操作の相棒としても使用。通常のブラウザ作業でデバッグコレクターを起動しないこと。
複数ソースからの雑多なクリエイターキャンペーン指標を、標準化されたフィールド名を持つ 1 つのクリーンなテーブルに正規化し、マスタートラッカーにマージできる状態にする。インフルエンサー指標のクリーンアップ、複数プラットフォームのキャンペーンデータの標準化、クリエイター実績数値の正規化、Instagram、TikTok、YouTube の指標を 1 つのシートにマージ、雑多なアナリティクス出力の整形、マスター表向けのキャンペーンデータ準備、生のプラットフォーム統計を一貫した形式に変換、異なるレポートツールの指標の統合、複数ソースのクリエイターデータの重複排除、出力ごとに異なる列名の修正、レポート前の指標ダンプの整理に使用する。エンゲージメント率の計算については engagement-rate-calculator-benchmarker を参照。キャンペーン全体のレポートについては campaign-roi-calculator を参照。単一のストーリーのスクリーンショットの解析については story-metrics-screenshot-parser を参照。
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。