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 98,873 件掲載。コマンド 1 行でインストールできます。
すべて
GitHub の PR URL または現在のブランチを受け取り、それが何をどのような理由で行うかを平易な英語で説明し、PR のコメントとして投稿する。PR の説明を求められたとき、プルリクエストを要約するとき、PR を平易な英語で説明するとき、PR に要約コメントを追加するとき、PR の変更内容を理解したいときに使用する。ユーザーが「explain this PR」「summarize this pull request」「what does this PR do」「add a comment explaining the PR」と言ったとき、または GitHub の PR URL を共有してその内容を尋ねたときにトリガーする。
解説動画の制作ガイド:スクリプト作成、ナレーション、ビジュアル、編集・組み立て。スクリプトの公式、テンポのルール、シーン設計、複数ツールのパイプラインを扱います。用途:製品デモ、仕組み解説動画、オンボーディング動画、ソーシャル向け解説。トリガー:explainer video、how to make explainer、product video、demo video、video production、video script、animated explainer、product demo video、tutorial video、onboarding video、walkthrough video、video pipeline。
systems/ ディレクトリ配下に整理されたドメイン機能システムの作成と変更をガイドする。ディレクトリ構成、API サービス層のパターン、TanStack Query の hooks(queries、mutations、楽観的更新)、React context と XState store の規約、hook の構成、公開 API の barrel エクスポートを扱う。新しいドメインシステムの追加、既存システムの拡張、system 層コードベースのバグ修正に使用する。一般的な React コンポーネントの作業、バックエンド API の実装、systems/ ドメインパターンで構成されていないコードベースには使用しない。
外部ライブラリとフレームワーク(React、Next.js、Prisma、FastAPI、Express、Tailwind、MongoDB など)の公式ドキュメントを取得し、コンテンツタイプのフィルタリングにより 60〜90% のトークンを節約する。ライブラリ API を使った機能実装、ライブラリ固有のエラーのデバッグ、設定問題のトラブルシューティング、フレームワークのインストールやセットアップ、サードパーティパッケージの統合、ライブラリのバージョン間のアップグレード、正しい API パターンとベストプラクティスの調査にこのスキルを使用する。コーディング作業中に自動的にトリガーされる - 推測を誤った後ではなく、ライブラリのコードを書く前にドキュメントを取得して正しいパターンを得る。
実行中の UI のレイアウト済みフレームを、Figma の living artifact(インベントリ + 仕様 + Verify セクション)と照合して測定します。実装後のピクセル単位の整合性確認 / Figma との照合に使用します。ライト/ダークやホバー/バリアント状態も対象です(テーマと状態を切り替え、各行を測定)。ドキュメント以外の UI には layout-probe を使用します。ソース定数の比較は合格になりません。人に確認せず、同じ実行内で全体が PASS になるまで修正と再測定を行います。重要な行が未測定の場合、全体は失敗です。チェッカーは終了コード 0 で終了する必要があります。layout probe は出荷対象の親コンポーネントをマウントします。開けるチャネルでは、保存済みの空でないスクリーンショットファイルを示す必要があります。layout-probe は not-openable としても構いません。トリガー — 「检查像素对齐」「对照 Figma 验收」「设计保真检查」「是否对齐稿面」「figma 保真检查」「暗黑模式验收」「多主题保真检查」 / verify Figma fidelity、pixel check、dark mode fidelity check、multi-theme verify。主要な実装ワークフローとしては使用しないでください(figma-pixel-implement を使用)。コード→Figma にも使用しないでください。
生の研究アイデアから、防御可能な証明設計を伴う形式的な主張へ至る道筋をオーケストレートする——アイデアから仮説を引き出し、正確な定理/主張として述べ、証明戦略を設計(および監査)する。ユーザーが「このアイデアを定理に変えるのを手伝って」「直感があるが厳密にできるか」「これの証明を設計して」「これを証明するには何が必要か」「この主張を形式化して」「これは証明可能か、どうやって」と言う場合、または形式化された結果へ発展させたい非形式的な予想を提示した場合に使用。これは既存の単一スキルを順序付ける ROUTER であり、証明そのものは書かない。目標がユーザー自身のアイデアの形式化ではなく既存研究の理解である場合は flow-learn-new-topic または flow-deep-understanding を使用。出発点が新規のアイデアではなく既存論文の弱点である場合は gap-finder を使用。
多段階の手順を Python DAG として実行するため、順序、分岐、リトライはモデルがすり抜けられる散文ではなく、ランナーによって強制される。「これらのステップを順番に実行し、不安定なものをチェックが通るまでリトライする」「取得、検証を行い、変更がなければアップロードをスキップするパイプラインを構築する」「これらのステップがスキップできないようにする」「高コストな前半の段階をやり直さず、中断したところから再開する」「これらの独立した呼び出しを一度に実行して結果をマージする」、あるいは分岐、入力契約、クリティカルパスをブロックしてはならない副作用を伴う 3 ステップ以上の手順に使用する。プリミティブは depends_on、when=、validate=、retry_until=、detached=、journal_path= である。単一の逐次呼び出し、述語では捉えられないステップ間の推論を要する場合、非同期や分散の作業には適さない。ある検証チェックが実際にレッドになり得るかを監査するには gating を使用する。作業を多数のサブエージェントに展開するには動的ワークフローを使用する。
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。
