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 97,725 件掲載。コマンド 1 行でインストールできます。
すべて
実際の iPhone が必要なタスクで使用 — API を持たない iOS アプリ(Apple Health、銀行、IM アプリ)の操作、端末内データのエクスポート、端末上でのタップ/入力/スクロール、スマートフォンのスクリーンショット撮影など。iphone-use-flows レジストリに保存されたアプリ単位のフローを 1 回の呼び出しで再生し、複数ステップのタスク後に新しいフローの保存を提案する。カスタム XCTest デバイスランナー、HTTP agent API、または MCP サーバーを通じて iphone-use デーモンを駆動する。
デスクトップをブラウザーにストリーミングするコンテナベースの VDI プラットフォーム、KASM Workspaces を管理します。単一サーバーおよびマルチサーバーのデプロイにおけるインストール、ワークスペース設定、永続プロファイル、S3 ストレージ、バックアップ/復元、トラブルシューティング、API 操作を扱います。KASM のインストール、ワークスペースの設定、永続プロファイルのセットアップ、「No Resources Available」やコンテナ破棄エラーのトラブルシューティング、Backblaze B2 へのバックアップ、Cloudflare Tunnel のセットアップ、データベース操作、KASM サービスの管理に使用します。
ソースコンテンツを、Busabase App-in-Skill のレビューとエクスポートのワークフローとともに、チャネルにそのまま出せる下書きに転用する。ユーザーがコンテンツの執筆、コンテンツパックの作成、メインのブログ/長文記事/文字起こし/メモを小紅書、WeChat、ニュースレター、LinkedIn、X/Twitter、ショート動画スクリプト、SEO スニペット、マルチプラットフォーム公開計画に変換することを依頼したときに使用する。コンテンツ承認ダッシュボードや App-in-Skill のコンテンツワークフローを求められたときにも使用する。
Lightの研究メインライン第9段階・図表:図を論旨に役立てる(各図がどの主張を支え、削除すると何が欠けるか);出版品質の仕様を定める(段組幅、フォントサイズ、色覚多様性への配慮、エラーバー、n、統計的有意性);視覚的誠実さを守る(y軸をこっそり切り取らない、二重y軸で見せかけの相関を作らない、jet-rainbowを使わない);レンダリング後にマルチモーダルで「実際によく見る」;論文のデータ図は必ずプログラムで生成し、AI画像生成は絶対に使わない。使用場面:結果分析後に論文図表を作成する/図の一式を計画する(図のリスト、予算、重複防止)/図の種類を選ぶ/出版品質の図を作る(段組幅、フォントサイズ、dpi、色覚多様性に配慮した配色)/「図が誤解を招く、または有意でない結果を主図にしている」懸念に対処する/レンダリング後にラベルの重なりや、データにかぶる凡例を確認する/フレームワーク図や模式図を作る(プログラムによる生成、AI画像生成ではない)。トリガー:画图 / 图表 / figure / 配图 / 出图 / 论文图 / 主图 / 图注 caption / 误差棒 error bar / 色盲 colorblind / viridis / 截断 y 轴 / 双 y 轴 / 热力图 / 框架图 / 组图 panel / display item / 栏宽 column width / 出版级 publication / 图型推荐 / 渲染回看 / plot / chart / matplotlib / seaborn。基本規律:**視覚的な不誠実さ(y軸の切り取り/二重y軸による見せかけの相関)= criticalゲート**(spec §4.2、STAGE_GATES[9]=[visual_honesty]);エラーバー不足/jet-rainbow/図一式の予算超過/重複 = warn;**有意でない結果を主図にする/図と本文の不一致 = critical → 9→7のやり直しを開始**;**論文のデータ図は必ずプログラム(matplotlib/seaborn/R)で生成し、AI画像生成は絶対に使わない**(恒久ルール);静的lintは疑わしい形式を検出するだけで、実際に誤解を招くかどうかの最終判断には図注と人間/査読者の確認が必要です。本スキルは **9→7(有意でない結果を主図にする/図と本文の不一致 → result-analysis)のやり直しを開始します**。
ある問いについて構造化され、飽和に達する文献調査を行いたいときに使用 — 一度きりの要約ではなく、反復的な検索によってカバレッジが増えなくなるまで構築される証拠/矛盾マトリクス(情報源 × 主張)。各ラウンドで検索を拡張し(新しいサブトピックのクエリと引用グラフの走査)、新しい情報源を取り込み、その主張を逐語的な抜粋とともに抽出し、各情報源が各主張に対してどの立場か(支持/矛盾/条件付き)を記録する。フィードバック信号は、そのラウンドがマトリクスを変える情報源をいくつ追加したかであり、飽和、忍耐、または予算で停止する。出力はマトリクスと、合意・論争・空白についての統合であり、すべてのセルが実際の引用に裏付けられている。書かれた提案を文献と照らして評価すること(それは proposal-evaluation タスク)や、新しい仮説を生成することには使用しない — これは文献がすでに述べていることを写し取るものである。
コードコメントと docstring の品質を 6 つのカテゴリ(WHY-not-WHAT、Density、Forbidden Content、Docstrings、Actuality、Legacy)で監査する。コードにコメントレビューが必要なとき、大規模なリファクタリングの後、または ln-100-documents-pipeline の一部として使用する。カテゴリごとの Compliance Score X/10 + Findings + Recommended Actions を出力する。
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。
