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 99,719 件掲載。コマンド 1 行でインストールできます。
すべて
指標を起点に関連インフラを特定し、脅威アクターやキャンペーンを追跡し、IOC を補強・文脈化し、帰属判断の規律と分析上の確度を適用して、利用者の意思決定に結び付く完成済みのインテリジェンス成果物をまとめ、サイバー脅威インテリジェンスを作成します。インテリジェンスのライフサイクル、Diamond Model と Pyramid of Pain、STIX/MISP/OpenCTI の保存、TLP 共有、passive DNS、crt.sh、Shodan、Censys、GreyNoise、VirusTotal による受動的な情報補強を扱います。ドメイン、IP、ハッシュ、証明書から関連インフラをたどる場合、脅威アクターやキャンペーンを追跡する場合、生の指標を補強する場合、完成したインテリジェンスレポートを作成する場合、外部レポートの組織にとっての関連性を評価する場合、または自分に関係する敵対者の脅威モデルを構築する場合に使用します
コードベースから分析トラッキングの現状をリバースエンジニアリングする。SDK 呼び出し、ID 管理、計装パターンをスキャンし、事実に基づく棚卸しを作成する — 推奨事項ではない。.telemetry/current-state.yaml とタイムスタンプ付きの監査レポートを出力する。現在何がトラッキングされているかを知りたい場合、既存の分析を監査する場合、新しい計画を設計する前にトラッキングの実態を記録する場合、'what analytics do we have'、'what events are tracked'、'scan for tracking'、'tracking inventory' に該当する場合に使用する。
明確な方針を持つ目標トラッキングプランを設計し、現状から目標への差分を明示する。プロダクトモデル、現状監査、テレメトリのベストプラクティスを組み合わせ、どのイベント、プロパティ、エンティティ、グループ階層が存在すべきかを決定する。.telemetry/tracking-plan.yaml と .telemetry/delta.md を出力する。ユーザーがトラッキングプランの作成や再設計、何をトラッキングするかの決定、アナリティクス計装の計画、「トラッキングを設計」「何をトラッキングすべきか」「トラッキングプランを作成」「アナリティクスイベントを計画」を求めたときに使用。
TOTVS Protheus ERP の業務プロセス、モジュールのワークフロー、モジュール間連携を理解する必要があるときに使用する -- Compras（COM）、Estoque（EST）、Faturamento（FAT）、Financeiro（FIN）、Contabilidade（CTB）、Fiscal（FIS）、PCP、Manutencao de Ativos（MNT）を扱い、主要なルーチン（例: MATA110、MATA460）、テーブル/フィールド、業務ルールを含む。"processo de negocio"、"modulo de compras/estoque/faturamento/financeiro/fiscal/contabilidade/pcp/manutencao"、"como funciona o ciclo de compras" のようなポルトガル語の表現や、モジュール間の連携に関する質問でもトリガーされる。
クリーンで型安全なコードのための、明確な方針を持つ Python コーディング標準。Python の関数、クラス、型ヒント、データ構造、列挙型、モジュール構成を書いたりレビューしたりするときに使用。Python 3.12+ のあらゆるプロジェクトに適用。アプリのアーキテクチャ、ビジネスロジックの配置、モジュールの構成方法、dict と Pydantic モデルの選択を決めるときにも使用。次には使用しない：Django 固有のパターン（django スキルを使用）、テストファイル（pytest スキルを使用）、フロントエンドコード、シェルスクリプト。
システム信頼性のための Python パターン —— バックグラウンドジョブとタスクキュー（Celery、async）、耐障害性と復旧（tenacity によるリトライ、バックオフ、タイムアウト、サーキットブレーカー）、可観測性（structlog による構造化ログ、メトリクス、分散トレーシング、ゴールデンシグナル）。非同期ワーカーの構築、タスクのキューイング、一時的なネットワーク/IO 障害の処理、本番向けの Python サービスの計装、リトライポリシーの設計、ログやトレーシングの設定、またはこれらのシステム信頼性の関心事の任意の組み合わせに使用する。言語イディオムや型の健全性（`writing-python` を使用）やプロジェクトのセットアップと依存関係管理（`uv` を使用）には使用しない。
データ準備のための Qlik Sense ロードスクリプト（.qvs）を作成、補完、拡張する。主な用途は、Qlik Predict による ML 実験のためにフラットなデータセットを準備すること — 特徴量エンジニアリング、訓練/テスト分割の処理、QVD ファイルの出力。一般的な Qlik ロードスクリプトの作成も対象とする：開始コード、コメント、プロンプトからスクリプトを補完する。ユーザーが Qlik ロードスクリプト、.qvs ファイル、Qlik データロード、QVD 出力、Qlik Predict のためのデータ準備に言及したとき、または Qlik スクリプト構文の作成や修正の支援を求めたときはいつでも、このスキルを使用する。ユーザーが Qlik ロードスクリプトを提供し、変更、拡張、特徴量エンジニアリング、データ変換を求めたときにもトリガーする。ユーザーが Qlik スクリプトコードを貼り付けてそれについて質問するだけの場合でも、このスキルを使用する。
反復的または iterative な作業の平易な英語の説明から、ralphify 承認済みの ralph ディレクトリ（RALPH.md + 任意のスクリプト）を生成する。ユーザーが "ralphify"、"create a ralph"、"ralph wiggum"、"autonomous loop"、"/ralphify" と言ったとき、Geoffrey Huntley の Ralph Wiggum メソッドに言及したとき、または反復作業を ralphify でラップするよう求めたとき（test-until-green、refactor-until-done、lint-until-clean、coverage-until-90、burn-down-todos、resolve-review-comments）は常にこのスキルを使用する。ユーザーが ralphify を明示的に名指ししなくても、オープンエンドなループを説明している場合（"keep fixing tests until they pass"、"port files one by one until the directory is done"）はトリガーする。ワンショットのタスクではトリガーしないこと——ralph は停止条件に対して N 回実行することで恩恵を受ける作業のために存在する。
React NativeとExpoのUIを、明確なビジュアル方針でデザイン・再スタイリングします。テーマとカラー トークン、ブランドカラーからのパレット作成、画面レイアウト、既存画面のデザイン監査に対応します。同梱スクリプトでWCAGコントラストを測定し、Webの慣習では誤りやすいプラットフォームのルール（シャドウ、グラデーション、エッジ・トゥ・エッジ、セーフエリア、ぼかし）を適用します。新しいテーマや画面、違和感のあるUI、WebまたはFigmaデザインの変換など、画面やコンポーネントの見た目・レイアウトに関するタスクで使用します。データ取得、状態管理、ナビゲーションの接続、非視覚的なバグには使用しません。
実際の利用者、動的なエントリポイント、互換性の義務、重複した表現、投機的なサーフェス、ライフサイクルの所有権を証明することで、コードベースの偶発的な複雑さを見つけ、順位付けし、安全に除去する。リポジトリの簡素化や整理、コードエントロピーの回収、過剰設計や冗長性の削減、削除候補の探索、重複した状態/API の統合、静的ツールの出力を超えたデッドコードや追加後に放棄されたコードの除去、任意の言語やスタックでの証拠に基づく簡素化の実施を求められたときに使用。コード化简、熵回收、删代码、清理冗余、收敛抽象、去除过度设计 でもトリガーする。簡素化が明示的な目的でない限り、パフォーマンス監査として使用しない。
ユーザー自身の gbrain を MCP 経由で公開し、ほかのデバイス、デスクトップアプリ、クラウドエージェントからアクセスできるようにします。`gbrain mcp expose` は Tailscale をインストールしてサインインし、実行中の `gbrain serve --http` を tailnet 上に公開します（デフォルトは HTTPS で tailnet 内限定。クライアントがベンダーのクラウド上にある場合のみ Funnel を使用）。サーバーをユーザーサービスとして稼働させ、MCP URL を返します。次に、利用者ごとに最小権限のクライアントを登録し、そのクライアント用にネイティブ OAuth/PKCE またはプライベートなマシン間引き継ぎを選択して、対象の実行環境内で接続を確認します。
任意のトピックについて構造化されたリサーチプロジェクトを立ち上げる — モデルの知識から初期の項目リストとリサーチフィールドのスキーマを生成し、最新のウェブ検索で補完したうえで、以降のリサーチパイプラインを駆動する `outline.yaml` + `fields.yaml` を出力する。学術研究、ベンチマーク比較、技術選定、競合分析、市場調査、文献レビュー、または深掘りの前に型付きスキーマを必要とするあらゆる構造化調査を始めるときに使用する — ユーザーがアウトラインを明示的に求めずに "let's research X" と言っただけの場合でも。
PR レビューコメントを信頼度スコアでトリアージして行動する——高スコアのものは修正し、低スコアのものには反論し、境界線上のものは確認する。インラインのレビュースレッド（diff 行にアンカーされたもの）と PR レベルのレビュー本文コメント（レビューとともに提出された要約、Age テーブルや Copilot の概要など）の両方を扱う。まず PR のビルドとマージ状態を確認し、コメントを処理する前にそれらを修正する。ユーザーが "respond to PR comments"、"handle review feedback"、"address PR reviews"、"fix the build"、"fix CI"、"fix merge conflicts" と言ったとき、または PR 番号を付けて /respond を呼び出したときに使用する。また、ユーザーが特定の PR に言及し、レビュアーの提案（Copilot、人間、bot）に対応したいときにもトリガーする。このスキルが投稿するすべての返信は "agent on behalf of;" の帰属行で終わり、レビュアーがそのコメントを人間本人ではなく人間に代わってエージェントが行ったものだと判別できるようにする。新しいレビューを生成するために使用しないこと——それは /copilot-review の役割である。
PR 番号または URL から GitCode のプルリクエストをレビューする。`oh-gc` が PR メタデータ、diff、コメントを取得する必要があり、文脈のためにローカルリポジトリのコードを確認する必要があり、出力が具体的な指摘または GitCode への投稿ドラフトであるべき場合に使用する。`oh-gc` に依存する GitCode PR レビューやコメント投稿のリクエストに用いる。一般的なローカルレビュー、GitHub/GitLab のフロー、ユーザーの明示的な確認なしの自動投稿には使用しない。
顧客ロイヤルティプログラムを設計・管理します——ポイント、ティア、報酬、紹介、VIP プログラム、ブランドコミュニティ、リテンションの仕組み。Brevo Loyalty、Smile.io、LoyaltyLion、Yotpo、Stamp.me、Skeepers Brand Communities、および独自構築プログラムにわたる戦略、構造、実装を扱います。次の場合に使用します：再購入率が低い、ロイヤルティ会員が報酬を交換していない、どのロイヤルティプラットフォームが合うか不明、ティア構造がアップグレードを促していない、ブランドコミュニティが活性化していない、プログラムの ROI を証明できない。手数料支払いを伴うアフィリエイト/紹介プログラム（/sales-affiliate-program を使用）、ロイヤルティ会員へのメールマーケティング（/sales-email-marketing を使用）、チェックアウト最適化（/sales-checkout を使用）、Skeepers 固有の設定（/sales-skeepers を使用）には使用しないでください。Brevo 固有のヘルプには /sales-brevo を使用してください。
スキャンした PDF 書籍（全ページが画像でテキストレイヤーなし）を、完全なナビゲーション目次とクリック可能なリンクを備えた読める EPUB に変換する。認識は Claude のビジョンサブエージェント（Sonnet モデル）がページごとに画像を読んで行い、CLI スクリプトがページ分割レンダリング、マーカー確認、バッチ結合、章ごとの分割とパッケージング、EPUB 検証を担う。ユーザーが「スキャン PDF を電子書籍に / PDF を EPUB に / スキャン本を epub に / この本を epub にして / スキャン資料を読める形式に / 画像 PDF の目次を生成」と言及した場合は、相手が「skill」や「epub」という語を明示していなくても、必ずこの skill を使用すること。
ユーザーがサプライチェーンのシナリオ分析、リスク分析、what-if シナリオの評価、または contingency plan の策定を望むときに使用する。ユーザーが「scenario analysis」「what-if planning」「risk scenarios」「contingency planning」「monte carlo simulation」「sensitivity analysis」「stress testing」「disruption planning」に言及したときにも使用する。需要の不確実性については demand-forecasting を参照。S&OP のシナリオ統合については sales-operations-planning 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。