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
バックエンドなしで Mock データに基づくプロトタイプ UI を生成するスキル。Vue 3 + TypeScript + NuxtUI v4。別の ui-proto リポジトリ（例: peach-ui-proto-backoffice）の modules-task フォルダにタスクごとの画面を蓄積する。「프로토타입 만들어줘」「Mock 화면」「proto UI」「기획 화면 빠르게」「ui-proto 작업」「기획자 검토용 화면」「태스크 폴더 추가」といったキーワードでトリガーされる。入力として Spec ドキュメントが与えられると、自動的にチームモード（ラルフループ 5/10 回）に切り替わり、Spec なしで企画者が直接作業する場合はソロモードで動作する。実際の API 連携が必要な場合は peach-gen-ui を使用する。
ブリーフに基づき、シニアプレゼンテーションデザイナーとして Penpot でプレゼンテーション／スライドデッキをデザインします。1920x1080 のスライドボードを使用し、承認済みアウトラインに沿って1回の呼び出しにつき1枚を作成します。デッキ全体のスタイルを統一し、表紙、アジェンダ、セクション、コンテンツ、大きな数字、比較、グリッド、ベンティング、引用、タイムライン、画像全面、締めくくりなど多様なスライド形式を使います。デザイントークンを使用し、再生可能な View モードのフローに組み込み、PDF にエクスポートできます。アプリ画面には使用しないでください（penpot-build-screen を使用）。トリガー：「プレゼンテーションを作成」「スライドデッキを作成」「Penpot でスライドをデザイン」「ピッチデッキ」「基調講演」「この講演用のスライドを作成」「このアウトラインをスライドにする」。
エンジニアと QA 担当者が性能テスト結果を解釈し、ボトルネックを特定し、2 種類のレポート（エンジニアと QA 向けの技術レポート、ステークホルダーと経営層向けの業務レポート）を作成するのを支援する。ユーザーが k6、Gatling、Locust、JMeter、Artillery などのツールの負荷テスト結果、CSV 統計、HTML レポート、パーセンタイル データ、テスト出力を共有し、数値の意味を理解したい、問題を診断したい、結果を伝えたいときに、このスキルを使用する。「analyze my test results」「what do these numbers mean」「my p95 is high」「error rate under load」「write a performance report」「explain the results to my manager」「how do I present this to stakeholders」「I found a bottleneck」といったフレーズで発動する。
ユーザーが店舗のプラノグラム、棚スペースの配分、またはビジュアルマーチャンダイジングのレイアウトを最適化したいときに使用する。ユーザーが「プラノグラム」「棚スペース最適化」「スペース生産性」「カテゴリーマネジメント」「棚配分」「什器計画」「フェイシング最適化」「マーチャンダイジングレイアウト」に言及した場合にも使用する。在庫配分については retail-allocation を参照。アソート計画については seasonal-planning を参照。
トラッキングプランと計装ガイドから実際の計装コードを生成します。型付き SDK ラッパー関数、アイデンティティ管理、統合ガイダンスを生成し、tracking/ ディレクトリにファイルを出力。ユーザーがトラッキングコードを生成・再生成したい、デルタプランを実装したい、計装ガイドを動作するコードにしたい、'implement tracking'、'generate code'、'create tracking module'、'build analytics SDK wrapper' を求めたときに使用。
機能のリリース、変更、削除の際にトラッキングプランを更新する。新しいイベントが必要かを評価し、可能な場合は既存イベントにプロパティを追加して拡張し、バージョン付きのミニデルタと変更履歴エントリを生成する。.telemetry/tracking-plan.yaml、delta.md、changelog.md を更新する。ユーザーが新機能をリリースしたとき、既存機能を変更したとき、製品の進化に合わせてトラッキングを一貫させたいとき、「機能をリリースした」「新機能のトラッキング」「[機能] のトラッキングを更新」「この機能に必要なトラッキングは何か」「新機能を計測する」といった場合に使用。
コードベースをスキャンしユーザーと対話して構造化されたプロダクトモデルを構築します。.telemetry/product.md を生成— プロダクトが何をするか、誰が使うか、価値がどう流れるか、どのようなエンティティが存在するかの記述。新しいコードベースでテレメトリ作業を始めるとき、ユーザーが 'model this product'、'understand this product'、'what does this product do'、'map the product'、'product model' を求めたとき、または .telemetry/product.md がまだ存在しないときに使用。これはテレメトリライフサイクルのエントリーポイントです。
AI モデル向けのプロンプトエンジニアリングを習得します：LLM、画像生成器、動画モデル。技法：チェーンオブソート、少数ショット、システムプロンプト、ネガティブプロンプト。モデル：Claude、GPT-4、Gemini、FLUX、Veo、Stable Diffusion のプロンプト。用途：より良い AI 出力、一貫した結果、複雑なタスク、最適化。トリガー：prompt engineering、how to prompt、better prompts、prompt tips、prompting guide、llm prompting、image prompt、ai prompting、prompt optimization、prompt template、prompt structure、effective prompts、prompt techniques。
TOTVS Protheus のネイティブ関数の構文・パラメータ・戻り値、SX データディクショナリの構造（SX1-SX9、SIX）、REST API エンドポイントのパターン（FWRest、WsRestFul）、MV_* システムパラメータの挙動、SX3 フィールドの検証、または関数が制限付き・内部専用かどうかを調べる必要があるときに使用する。"funcao nativa"、"dicionario de dados"、"parametro MV_"、"campo SX3"、"API REST protheus"、"essa funcao e restrita" のようなポルトガル語の表現でもトリガーされる。
ソーシャルメディアパブリッシャー。outputs/ から承認済みのコンテンツを取得し、Blotato MCP を通じて各プラットフォームにスケジュール投稿します。プラットフォーム専門スキルによってフラグが立てられた投稿向けに、インフォグラフィック風のビジュアル（スタットカード、フレームワーク図、プロセス図、引用グラフィック）を生成します。Blotato MCP の設定が必要です。/linkedin-writer、/threads-writer、/x-writer、/caption-writer の後に実行してください。
inference.sh の Python SDK — AI アプリの実行、エージェントの構築、すべてのモデルとの統合。パッケージ：inferencesh（pip install inferencesh）。同期/非同期、ストリーミング、ファイルアップロードに対応。テンプレートまたはアドホックなパターンでエージェントを構築でき、ツールビルダー API、スキル、人間による承認を備えます。用途：Python 統合、AI アプリ、エージェント開発、RAG パイプライン、自動化。トリガー：python sdk、inferencesh、pip install、python api、python client、async inference、python agent、tool builder python、programmatic ai、python integration、sdk python。
Quick 上で内部 Miovision サイトを構築/デプロイする — <site>.quick.mio.vision で配信される静的ファイルのフォルダで、アイデンティティ、db、realtime、AI、Snowflake、ユーザー単位の SaaS 連携（Jira/Confluence/Slack/Drive/Salesforce）、ファイルアップロード、マルチサイトデプロイ向けのゼロ設定のグローバル `quick.*` API を備える。内部 Miovision の Web サイト/アプリ/ツール/ダッシュボード、またはユーザーが Quick に言及したときに使用する。
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。