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 99,064 件掲載。コマンド 1 行でインストールできます。
すべて
テストケース設計の前に、高リスクの業務パスと必須の検証アサーション（オラクル）を特定する。要件ドキュメント、コード diff、既存のテストケース、コンテキストを分析し、資金 / 権限 / 状態マシン / 並行処理 / 非同期 / データ整合性などの高リスク領域を見つけ、各リスクの businessPath、requiredAssertions、suggestedTestLayers、およびカバレッジギャップを出力する。リスクが明確になる前に業務テストケースを書かない。適用外：業務テストケースの作成、テストコードの作成、プロダクトコードの変更。
リスク分析の完了後、テストコードを書く前に、中国語の業務テストケースを生成し、ユーザーの確認を待つ。これは QA プロセス全体で唯一の必須の人手ゲートであり、確認後はテストケースを変更できない。context、risk-analysis、既存のテストケース索引から出発し、業務行動のみを含む test-cases.json（Maven / build / インストールなどの技術的チェックは含まない）を生成し、ユーザーが確認できるよう test-cases.html をレンダリングし、3 モデルによるクロスレビューを実行し、フィードバックを統合して修正したうえで確認のために提出する。確認後、長期のナレッジベースに promote する。適用外：テストコードの作成、テストの実行、コードレビュー。
STE に着想を得た明快な文章、図解、自己完結型 HTML、オンデマンドのカスタム解説動画を支援する。ソクラテス式の逐問学習で、教材、スクリーンショット、PDF、ノート、問題、またはあるテーマを能動的な導出対話に変え、学習者が明示的に求めた場合は自己完結型のインタラクティブ学習ウェブページも生成できる。学習者が "苏格拉底式学习" "逐问带我学" "一次只问一个问题" "先别告诉我答案" "边问边引导我推出来"、interactive quiz、active recall、question-led tutoring、または自己完結型学習ページを明示的に求めたときに使用する。広いテーマでは既定でまずキーワード整理に入る：12 個のキーワードと平易な説明を挙げ、専門家と専門書を推薦し、"扩展关键词" の入口を提供してから、学習者に起点を選ばせる。正式な学習では、各アクティブなターンで短く答えられる問いを 1 つだけ尋ね、学習者の直前の推論に応じて難易度を調整する。応答は学習者の言葉をそのまま受け止め、本物の教師のように穏やかに誤りを正し、数学、物理、プロセス、図形の内容では積み上げ式の黒板で推論を少しずつ描き出す。視覚の多いテーマでは有効な問い 1〜2 回ごとに視覚チェックを 1 回行うが、Codex による画像生成を呼ぶのは視覚的利得、問いの担持、許可、正確性の条件が同時に満たされたときだけとする。学習者が "太抽象" "不理解" "想象不出来" "枯燥" と言ったとき、または図解を求め、その時点のステップが視覚化できる場合は、直ちに問いを担う図解に切り替えてテキストによる代替を提供し、空間、相対運動、プロセス、幾何学的関係は既定で視覚的足場を優先する。ウェブモードは他の skill、サードパーティのランタイム、既定のデプロイに依存しない。既定では単一ファイル、レスポンシブ、アクセシブルな HTML 学習コンテナを出力し、1 ターン 1 問を保つ。直接の説明、要約、翻訳、宿題代行／問題解答、一括出題、採点、ソクラテス式対話の作成、画像のみの生成だけを求めるリクエストには使用しない。ユーザーが質問をやめるよう求めた場合、または答えを直接求めた場合は直ちにソクラテスモードを終了する。
エンドツーエンドの QA 受け入れオーケストレーター。ユーザーが機能受け入れ、リグレッションテスト、品質チェック、または特定のモジュール / フロー / branch / PR の体系的なテストを求めたときにトリガーする。トップレベルのルーターとして、フェーズごとにサブ skill をスケジュールする（コンテキスト収集 → リスク分析 → テストケース設計 → スクリプト生成 → 実行と修正 → コードレビュー → レポート生成）。あなた自身はテストコードを書かず、品質を直接判断しない——各フェーズを専任のサブ skill に委ねる。テストケースの確認はプロセスで唯一の必須の人手ゲートであり、その他のフェーズは自動でつながる。適用外：単発の手動テスト、純粋な開発 / コード生成タスク、明確な受け入れ範囲のない技術的な質問応答。
定量分析、または既存の JPG/PNG、HTML、PDF を Quant Buddy の共有可能なライブページまたはリアルタイムダッシュボードとして公開し、作成、更新、再利用、検収、公開リンクでの受け渡しに対応する。個別銘柄プロファイル、バリュエーションと財務、指数の変動、マルチファクタースクリーニング、コモディティ日報、テンプレート、共有シェル、カードなどのページに適する。ユーザーが QuantBuddy ライブページの URL を提示して解釈を求めた場合にも使用する。/quant-buddy-view、/qbv、qbv または QBV が明示的に呼び出され、かつリクエストが純粋な相談、コード保守、ドキュメント解説でない場合は、既定で共有可能なライブページのタスクとして扱う。A 株の名称、略称、コードで一意に識別できる入力、または単一銘柄の総合分析の簡単な依頼（「贵州茅台」「600519」「分析一下贵州茅台」など）はいずれも既定で個別銘柄クイックページを要求したものとみなす。まず QBS で検証し完全な個別銘柄分析を返信した後、同じラウンドで new_asset_page を実行し、ユーザーが「ページを生成」と補足する必要はない。WebAgent ホストが金融に関する質問を Q&A とライブページの両方で統一的に納品することを求める場合、単発の相場、騰落率、バリュエーション、概念の説明、口語的な近況の質問も、QBS の初回回答後に本スキルへ引き継ぐ。そのようなホストの取り決めがない場合、単発の質問は QBS が回答する。振り返り、モニタリング、作図、バックテスト、K ラインなどの操作は引き続き既定でライブページの意図があるものとする。ウェブページを明示的に不要とする場合やテキストのみの返信を求める場合はページを作成しない。
本番環境向けの Ray（オープンソース、2.57 に固定）によるクラシック ML ワークロードのトレーニングからサービングまで — Ray Train、Tune、Data、Serve、Core、および KubeRay 上でのクラスター展開。旧来のコーパスのデフォルト（ray.air のセッション報告、Tuner 内の Trainer、tune.run、map_batches concurrency=、DatasetPipeline/to_torch、max_concurrent_queries、RayServeHandle + ray.get、Deployment.deploy、ray.state、ループ内の ray.get）を、それらを置き換えた 2.57 のイディオム（Train V2 のデフォルト、driver-function チューニング、compute strategies、ストリーミングデータセット、DeploymentHandle/DeploymentResponse、serve build/deploy、ray.util.state、KubeRay CRD と Jobs API）で修正する。Ray の分散トレーニング、データパイプライン、ハイパーパラメータチューニング、モデルサービング、Ray クラスター運用に触れる Python コードを書く、レビューする、本番化するときに使用する。Ray 上の LLM サービングとバッチ推論は姉妹スキルの ray-llm にある。
[Hyper] コードベースを注意深く読み、プロジェクトの README.md を作成またはリファクタリングします。プロジェクトの形態（CLI、ライブラリ、Web アプリ、monorepo、プラグイン、フレームワーク、ドキュメントサイト、サービス）、エントリーポイント、スクリプト、設定、ライセンス、既存ドキュメントを検出し、ユーザーが別の言語を希望しない場合、または既存の README が現在の言語を維持する必要がある場合を除き、デフォルトで構造化された韓国語の README を生成します。新しい README の作成、古くなった README のリファクタリング、実際のコードに基づくセクション更新をユーザーが望むときに使用します。
サイトのアートディレクションを、ビジュアルの印象で検索できる実在サイトセクションの厳選インデックス regards.design の調査に基づいて行います。tasteskill v2（MIT、Leonxlnx）のフォークで、インベントリ、アイデアテスト、オープンコレクションの画像、実ブラウザーのインスペクター、見ながら修正するループを維持し、20種類の固定された方向性を、個別の要件に合う実在セクションの検索に置き換えています。技術スタックを問わず、ランディングページ、マーケティングサイト、ポートフォリオ、製品ページ、ワンページサイト、ヒーロー、その他の一般公開向けウェブページの設計、再設計、スタイル変更、仕上げ、レビューに使用します。ページがありきたり、テンプレート的、「AI 製」または他サイトと同じように見えるという場合にも使用します。調査ステップには regards.design MCP サーバーが必要です。ダッシュボードやアプリ画面には使用しません。
ユーザーが「レビュー `{主題}_review.tex` の本文引用をチェック/最適化」「research-citation-check を実行」と明示的に依頼したとき、または旧名の check-review-alignment skill の使用を求めたときに使用する。ホスト AI の意味理解により、引用が文献の内容と一致するかを 1 件ずつ確認し、致命的な引用エラーを発見した場合にのみ「引用を含む文」を最小限に書き換え、`research-literature-review` のレンダリングスクリプトを優先して再利用して PDF/Word を出力する。移行期間中は旧名の systematic-literature-review への fallback を許容する。核心原則：変えるための変更はしない。致命的なエラーか判断できない場合はそのまま残し、レポートで警告する。⚠️ 非該当：ユーザーがシステマティックレビューの本文を生成したいだけの場合（research-literature-review を使用すべき）；ユーザーが BibTeX エントリを追加/確認したいだけの場合（専用の bib 管理フローを使用すべき）。
DaVinci Resolve MCP 作業の案内とインデックスです。カラーグレーディング、編集、コンフォーム、納品、メディア分析、.drp/.drt/.drx ファイル操作を扱い、Resolve の起動中と未起動のオフラインの両方に対応します。各分野のスキル、稼働中とオフラインのサーバー、横断的な安全ルールを把握するために読み込みます。個別の分野別スキル（resolve-color / resolve-edit / resolve-conform / resolve-delivery / resolve-media-analysis）は、それぞれの説明に基づいて起動し、詳細を扱います。全体の案内として、または複数分野にまたがるタスクで使用します。
ユーザーが履歴書、CV、curriculum vitae、または hoja de vida の作成、改善、最適化、レビュー、書き直しを希望する場合は、このスキルを使用します。「resume」「CV」「curriculum」「hoja de vida」「job application」「ATS optimization」「resume review」「cover letter」への言及や、求職書類の準備依頼がトリガーになります。特定の求人情報に合わせた履歴書の調整、箇条書きの改善、数値指標の追加、ATS 互換性の確認、履歴書の翻訳、複数バージョンの作成を依頼された場合も使用します。「就職できるよう手伝って」「応募書類を最適化して」「履歴書を更新したい」「職務経験のセクションをレビューして」とだけ言われた場合も使用してください。LinkedIn プロフィールの最適化、ポートフォリオサイト、求職と無関係な一般的な文書の書式設定には使用しないでください。
固定点（commit、branch、tag、merge-base）以降の変更を 2 つの軸でレビューする：Standards（コードがこのリポジトリで文書化されたコーディング標準に従っているか、またコードスメル、重複コード、N+1 などの繰り返し作業のベースライン）と Spec（コードが元のチケットや spec の要求と一致しているか）。両方のレビューを並列のサブエージェントで実行し、並べて報告する。ユーザーがブランチ、PR、作業中の変更をレビューしたいとき、または「review since X」を求めたときに使用する。
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。