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 99,448 件掲載。コマンド 1 行でインストールできます。
すべて
現代の tidyverse + 計量経済学 R エコシステムにおける古典的なエンドツーエンドの実証分析ワークフロー——dplyr + tidyr + haven + fixest + sandwich + lmtest + clubSandwich + AER + ivreg + did + bacondecomp + HonestDiD + eventstudyr + rdrobust + rddensity + Synth + gsynth + synthdid + MatchIt + WeightIt + cobalt + ebal + grf + DoubleML + mediation + marginaleffects + modelsummary + kableExtra + gt + ggplot2 + ggpubr + cowplot + binsreg。**デフォルトでは経済学の実証論文スタイル**（AER / QJE / AEJ）——実行するたびに出版可能な出力セットを生成し、多列の回帰表（M1→M6 で統制変数/固定効果を段階的に追加）を中心に、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 + トレンドの図を備える。応用経済学者が論文ごとに実行する完全な 8 ステップの R パイプラインを網羅する——（1）データの読み込みとクリーニング（read_dta/read_csv、naniar、janitor、validate-merges）、（2）変数の構築（mutate/across/winsorize/group_by + dplyr による lag/lead）、（3）記述統計と表 1（gtsummary、modelsummary::datasummary、tableone）、（4）古典的な診断検定（shapiro/jarque.bera.test/bptest/dwtest/bgtest/vif/adf.test/kpss.test/Hausman）、（5）ベースラインのモデリング（fixest::feols、ivreg、did::att_gt、eventstudyr、sun_ab、did_imputation、synthdid、rdrobust、MatchIt、WeightIt、grf::causal_forest、DoubleML、mediation）、（6）頑健性のバッテリー（modelsummary stack、clubSandwich CRSE、fwildclusterboot、ri2、robomit Oster、bacondecomp、HonestDiD）、（7）さらなる分析（交互作用項 + marginaleffects、mediation::mediate、lavaan による gsem、用量反応スプライン、grf CATE）、（8）出版可能な表と図（modelsummary、kableExtra、gt、stargazer、texreg、flextable で LaTeX/Word/HTML へ出力、図は ggplot2 + ggpubr + cowplot + binsreg + iplot）。**さらに、同じ 8 ステップの骨組みを共有する 2 つの並行する領域モードも扱う**——**モード A——疫学/公衆衛生**（`WeightIt` / `gfoRmula` / `tmle` / `ltmle` による対象試験エミュレーション、IPTW + g-formula + TMLE の二重頑健トリプレット、`MendelianRandomization` / `TwoSampleMR` / `MRPRESSO` によるメンデルランダム化、`survival` / `survminer` / `flexsurv` による KM / Cox / AFT / RMST 生存分析、`EValue` による E-value 感度分析、主層化——STROBE / TRIPOD 報告）、および**モード B——機械学習による因果推論**（`DoubleML` による DML、`causalweight` / `grf` による S/T/X/R/DR メタ学習器、`grf::causal_forest` による因果フォレスト、`bartCause` / `bcf` による BART/BCF、`MCPanel` による行列補完、`policytree` による CATE 分布 + 方策木、オフポリシー評価、`conformalInference` / `cfcausal` による共形因果、`fairmodels` による公平性監査、`pcalg` / `bnlearn` / LLM 支援による DAG 学習）。ユーザーが完全な R 実証分析を求め、tidyverse スタイルの再現可能な R スクリプト / Quarto ワークフローを望み、reghdfe より fixest を好み、StatsPAI / 00.1 / 00.2 の R 版を必要とし、または特定の R ステップを単独で挙げた場合（「feols with cluster」「MatchIt nearest neighbor」「bacondecomp in R」「gtsummary table 1」「modelsummary to Word」）に使用する。モード A は「target trial emulation R」「tmle ltmle」「MendelianRandomization」「TwoSampleMR」「MRPRESSO」「survival cox AFT」「STROBE R」「EValue R」「公共健康 R」「流行病学 R」で起動する。モード B は「DoubleML R」「grf causal forest」「policytree」「bartCause bcf」「conformal causal R」「fairmodels」「pcalg NOTEARS」「因果機械学習 R」で起動する。
Steve Swink の『Game Feel: A Game Designer's Guide to Virtual Sensation』（Morgan Kaufmann、2009）に基づくゲームフィールのコンサルティング。操作のレスポンス、入力マッピング、物理調整、アバターの移動、ジャンプの仕組み、演出効果の調整、あるいは操作がなぜ「浮ついた」「キレのある」「反応が良い」「鈍い」と感じられるかの分析を支援するときに使う。リアルタイム操作の心理学、フィールを測る指標、実践的な調整の指針を扱う。一般的なゲームデザイン向けではなく、仮想オブジェクトを操作する際の触覚的な感覚に特化している。
gitmoji の慣習（https://gitmoji.dev）に従ったコミットメッセージを生成する——変更の意図に合う絵文字を選び、整形されたメッセージを書く。「gitmoji のコミットを書いて」「コミットメッセージに絵文字を追加して」「どの gitmoji を使うべきか」「この変更を gitmoji にして」と依頼されたとき、またはプロジェクトが gitmoji 形式のコミットメッセージを使っているときに使う。git diff、ステージ済みの変更、変更内容の平文の説明から動作する。メッセージの生成のみを行い、git コマンドは実行しない。
ArgoCD と Flux による GitOps デプロイワークフロー。ユーザーが GitOps、ArgoCD、Flux、Flagger、Argo Rollouts、または Kubernetes への継続的デプロイに言及したら常にこの skill を使用する。トリガーには、ArgoCD や Flux のゼロからのセットアップ、Git リポジトリ構造の設計（monorepo と polyrepo、app-of-apps）、ApplicationSets による複数クラスタへのデプロイ、Git でのシークレット管理（SOPS、Sealed Secrets、External Secrets Operator）、カナリアまたはブルーグリーンデプロイの実装、同期や調整の問題のトラブルシューティング、OCI アーティファクトの扱い、ArgoCD と Flux の比較が含まれる。
Gemini embeddings API（gemini-embedding-001）で RAG システム、セマンティック検索、ドキュメントクラスタリングを構築する。ベクトル検索用に 768-3072 次元の埋め込みを生成し、Cloudflare Vectorize と統合し、8 種類のタスクタイプ（RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT、SEMANTIC_SIMILARITY）を使って検索を最適化する。用途：Google の埋め込みによるベクトル検索の実装、検索拡張生成システムの構築、セマンティック検索機能の作成、意味によるドキュメントのクラスタリング、埋め込みと Cloudflare Vectorize の統合、次元サイズの最適化（128-3072）、次元不一致エラー、タスクタイプの選択ミス、レート制限の問題（無料枠 100 RPM）、ベクトル正規化の誤り、テキスト切り捨てエラー（2,048 token 上限）のトラブルシューティング。
グラウンデッド・セオリー（Glaser と Strauss）を適用し、オープンコーディング、アクシャルコーディング、選択的コーディングを通じて定性データから帰納的に理論を構築する。既存の仮説を検証するのではなくデータから新しい理論を導き出す必要があるとき、理論的サンプリングと継続的比較を行うとき、理論的飽和に達したかを判断するとき、あるいは「この現象を説明する理論は何か」「定性データを体系的にコーディングするにはどうすればよいか」「いつデータ収集をやめるのか」と尋ねられたときにこの Skill を使用する。
WeChat 公式アカウント向け長文執筆（1500〜4000 字）。まず作者がすでに持っているもの（ひらめき／素材の山／下書きの半分／アウトライン／不満のある完成稿）を診断し、対応する 6 つの書き方のいずれかにルーティングして、完成稿を生み出し、WeChat 公式アカウント専用の品質チェックを通す。ユーザーが「公众号の記事を書いて」「文章を書いてほしい」「このテーマはどう書けばいい」「素材はたくさんあるが整理の仕方がわからない」「加筆してほしい」「これを直して」「行き詰まった」「長文」「深掘り記事」と言ったときに発動する。
手描きまたはイラスト風画像のプロンプトを求められたとき、リポジトリの番号付き 22 スタイルまたは 3.1 stable variant が指定されたとき、あるいは次のトリガーが言及されたときに使用します：亲子手绘、家庭蜡笔画、蜡笔、吉卜力、水墨、像素、淡彩速写、动画概念、水粉、北欧绘本、纸雕、软胶潮玩、墨线绘本、暖色扁平绘本、圆头红线、暖黄墨线、family-crayon-card、warm-flat-storybook、roundhead-redline、warm-yellow-ink-story、朱墨写意、朱墨水墨漫画、vermilion-ink-wash、ink-comic-transfer、皮影、皮影彩染、shadow-puppet、backlit-puppet。プロンプトテキスト、または正式な参照情報を含む呼び出しバンドルを作成します。画像は生成しません。
花叔Design——HTML で高精細なプロトタイプ、スライド、アニメーション、ビジュアライゼーションを作成し、専門家レビューを行います。新しいデザインでは必ず、最初に3つの案を提示してユーザーに選んでもらいます（スタイルやブランドが指定されている場合も同様）。案が選ばれてから作業を進めます。起動語句：プロトタイプ、PPT、スライド、アニメーション、デザインスタイル、レビュー、HTML ページ、UI モックアップ、MP4/GIF のエクスポート、見栄えよく。プロダクション品質の Web アプリやバックエンドが必要なシステムには適していません。
Huawei Cloud AgentArts agent-ops プラットフォーム向けのオブザーバビリティ無データ診断スキルです。サブスクリプションのメタデータ、データパイプライン（APM/AOM/LTS）、クエリパラメーター、認証を確認し、agent-ops のメトリクス、ログ、トレース／セッションの欠落を体系的に診断します。根本原因の分析と修正案を生成します。トリガー例：「AgentArts no data」、「metrics no data」、「logs no data」、「traces no data」、「session no data」、「obs diagnosis」、「可观测诊断」、「无数据诊断」、「查不到指标」、「查不到日志」、「调用链无数据」、「agent-ops 无数据」。
Sass テーマシステムと igniteui-theming MCP サーバーを使って、カラーパレット、タイポグラフィ、elevation、コンポーネント単位のスタイルを含む Ignite UI for Angular のテーマを生成・カスタマイズする。使用する場合：ユーザーが Ignite UI コンポーネントのテーマ設定、再スタイル、スタイル設定を求めたり、色やカラーパレットの変更、ライトテーマとダークテーマの切り替え、グローバルテーマの作成・適用、タイポグラフィや elevation シャドウのカスタマイズ、スペーシング、サイズ、角丸の調整、コンポーネント単位のデザイントークンの設定を求めたりする場合。使用しない場合：コンポーネントの動作、API、データバインディング（igniteui-angular-components または igniteui-angular-grids を使用）。デザイン画像や Figma ファイルからビュー全体を構築する場合（igniteui-angular-generate-from-image-design または igniteui-angular-figma-to-app を使用）。
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。