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 98,067 件掲載。コマンド 1 行でインストールできます。
すべて
n8n-mcp MCP サーバーを通じて n8n ワークフローを構築、編集、検証、テスト、デバッグする際に使用します。フローの設計、ノードの設定、式や Code ノードの記述、認証情報の接続、動作不良の修正などが対象です。n8n-mcp-skills パックの入口スキルとして、適切な専門スキルに振り分け、最初からすべての n8n-mcp ツールに関する実践的な知識を提供し、本番環境でワークフローが壊れないためのルールを示します。n8n、ワークフロー、ノード、自動化に関する作業では、簡単な単発作業やユーザーがスキルを指定していない場合も含め、必ず最初に参照してください。n8n の仕様はバージョン間で変化し、専門スキルが気付かれない失敗を防ぐためです。
Databricks CLI の操作、および Databricks CLI 利用の親／エントリーポイントとなるスキルです。認証、プロファイル選択、バンドルを扱います。CLI、認証、プロファイル、バンドルのタスクでは、まずこれを読み込み、その後に対応する製品スキルを読み込んでください。データの検索・探索、データに関する質問への回答、SQL の生成には databricks-data-discovery スキルを読み込みます（Genie One にルーティングします）。Databricks 関連の CLI タスクに関する最新のガイドラインを含みます。
一冊の本 → 明確な「ファインダー」のイメージ → 2050年の図書館貸出カード（PNG）。ファインダーとは、著者がどの視点から何の問題を捉え、どんな情景を見たかを示すもの。カードには実際の表紙、著者の肖像、書誌情報を掲載。ファインダーブロックでは、ファインマン式の解説でイメージを平易かつ正確に説明。図解ブロックではAI画像生成でその情景を描き、继刚を固定の主人公にする（墨絵の参考画像から生成し、本人と分かる姿）。図解スタイル：吉田誠治風の絵本テイスト（異世界の日常空間、暖かな斜光、癒やされる繊細さ）。淡色の光学ガラス製カード、表紙から動的に抽出するアクセントカラー、縦横比は自動調整。本を閉じてもこの情景を覚えていれば、読んだ甲斐がある。ユーザーが「取景框卡」、「图书馆卡」、「library card」、「书卡」、「铸书卡」、「一本书一句话一张卡」、「/ljg-library」と言った場合、または本の名前を挙げて一枚のコレクションカードにまとめたい場合に使用。拆书结构分析には使わない（ljg-bookを使用）。纯文字金句には使わない（ljg-card -bを使用）。信息图には使わない（ljg-card -iを使用）。视觉笔记には使わない（ljg-card -vを使用）。
構造、ビジュアルの方向性、階層、素材、開封体験を含むパッケージデザインブリーフを作成します。ユーザーが「packaging design」「packaging brief」「product packaging」「packaging direction」「label design」「packaging identity」「unboxing experience」「packaging look and feel」「brief my packaging designer」「packaging for my product」「packaging strategy」「retail packaging」「e-commerce packaging」「what should my packaging look like」と言った場合、またはデザイナー、代理店、メーカーにパッケージ要件を伝える場合に使用します。
Sentry でアプリケーションを計装します。プラットフォームを検出し、必要に応じて SDK をインストールして初期化し、各種シグナル（エラー監視、トレース／パフォーマンス、ログ、メトリクス、プロファイリング、セッションリプレイ、ユーザーフィードバック、cron チェックイン、デプロイ済みアプリの稼働時間監視、AI／LLM 監視）を接続します。AI／LLM 監視では、OpenAI、Anthropic、Vercel AI、LangChain、Google GenAI、Pydantic AI、Laravel AI、Mastra、Eve、Flue、Pi Durable、Cloudflare Agents SDK、Workers AI のエージェント実行、トークンコスト、会話を扱います。プロジェクトへの Sentry の追加や、エラー以外の情報の取得に使用します。
コーラー（喊单人）のコールに従うべきかを判断します。コール用ウォレットを 2 つの軸で評価します。SELECTION（コールしたコインが実際に上昇するか）と POST-CALL CONDUCT（自身のコールで生じた注目を利用して売り抜けるか）を評価し、フォロー／非フォローの結論を返します。行動の評価は自己申告フィールドではなく、コーラー自身の取引ごとの台帳で検証します。サンプル対象の各コインについて、最初の買い、コールのタイムスタンプ、その後のすべての売りを比較するため、「フォロワーに売りつけた」は推測ではなく、測定された取引順序に基づきます。コーラーをフォローする価値があるかユーザーが尋ねた場合に使用します。例：「この喊单の能不能跟」「この喊单号靠不靠谱」「喊单信誉分」「喊单评分」「他喊完会不会砸盘」「他是不是喊完就卖」「跟他的单能不能吃到」「caller 评分」「is this caller trustworthy」「can I follow this caller's calls」「does he dump after calling」「call-out credibility score」「score this caller」。GMGN のプロフィール handle（twitter_username。例：gmgn.ai/profile/<handle> リンクの最後のパス要素）またはウォレットアドレスを受け付けます。Step 0 で handle を 1 つの（chain, wallet）ペアに解決し、解決結果を必ず表示します。他の言語での同じ質問もここにルーティングします。表現ではなく意味で判断します。生のコールデータにはこのスキルを使用しないでください。「この钱包 喊过什么单」「最新喊单」「谁在喊这个币」「KOL 在喊什么」、feed、field dump、30d summary card は gmgn-callout の対象です。同スキルはコール用エンドポイントの読み取りをすべて担当し、データをそのまま返します。このスキルはそれを呼び出して判断を追加します。コーラーではなくトレーダーとして評価する場合（「这个钱包能不能跟单」「跟单评分」、copy-trade backtest）にも使用しないでください。これは gmgn-wallet-analysis / gmgn-wallet-score の対象で、取引を読み取りますがコールについては把握しません。コーラーが言及したトークン（「他喊的那个币安全吗」、デューデリジェンス、rug check）は gmgn-contract-dd の対象です。トークン作成者の次のローンチ（「这个 dev 的新盘能不能买」）は gmgn-dev-score の対象です。コールの意図を示す表現がないウォレットアドレス単独は gmgn-wallet-analysis が担当し、トークンアドレス単独は gmgn-contract-dd が担当します。このスキルが担当するには、質問に「喊单」／caller／call-out という語が必要です。優先判定：喊单と能不能跟／信誉／砸盘／评分の組み合わせはこのスキルにルーティングし、喊单と喊过什么／最新／谁在喊／列表の組み合わせは gmgn-callout にルーティングします。前者は判断を求め、後者はデータ行を求めています。喊单を伴わない能不能跟は、ウォレットをトレーダーとして評価する質問なので gmgn-wallet-analysis / gmgn-wallet-review が担当します。喊单を伴わない信誉はローンチに関する質問なので gmgn-dev-score が担当します。このスキルが回答するために用意された定型表現（いずれもコールの意図を含む）：「帮我看看 [喊单人ID或地址] 这个喊单的能不能跟」「[喊单人ID] 喊的币能跟吗」「查一下 [钱包地址] 的喊单信誉」「这个喊单号喊完会不会砸盘:[地址]」。回答できない内容は別のスキルに回してください。個別のコール対象コインを買って安全か（gmgn-contract-dd）、現在何をコールしているか（gmgn-callout global）、コピーする価値のあるトレーダーか（gmgn-wallet-score）、同じコインを他の誰がコールしたか、または最初にコールしたか（CLI にトークン別のコーラー一覧がないため計算不可）、コールにいくら投じたか（フィルター不可のグローバル feed でのみ読み取り可能）、30 日より前の情報（コール記録は 30 日分のみ）。
ユーザーがソーシャルメディア投稿のパフォーマンス分析を希望する場合に使用します。「分析」「パフォーマンス」「投稿の成果」「エンゲージメント」「インプレッション」「効果のある内容」「投稿指標」「最も成果の高い投稿」「この投稿のパフォーマンスが低い理由」などに言及した場合にも使用します。利用可能であれば BlackTwist の分析データを使い、それ以外はユーザー提供のデータをもとに分析します。オーディエンスの成長については audience-growth-tracker-sms、パターン検出については content-pattern-analyzer-sms、具体的な次のアクションについては optimization-advisor-sms を参照してください。
CIM、オファリングメモランダム、SEC 提出書類、ウェブ検索、MCP サーバーなど、さまざまな情報源から金融サービス向けの専門的なデータパックを作成します。財務データを抽出、正規化、標準化し、一貫した構成、適切な書式、文書化された前提を備えた、投資委員会向け Excel ワークブックにまとめます。M&A のデューデリジェンス、プライベートエクイティ分析、投資委員会資料、ポートフォリオ企業間の財務報告の標準化に使用します。単純な財務計算や、完成済みデータパックの作業には使用しないでください。
ユーザーが指定した Screenpipe の履歴期間を分析し、繰り返される研究ワークフローを検出して、既存の科学スキルと照合し、新しいスキルの草案や組み合わせレシピをレビュー用に準備します。アクセス可能な Screenpipe HTTP API が必要です。通常は localhost:3030 で動作します。検出と埋め込み推論はローカルで実行され、選択した LLM には、アプリ／タイトルのクラスタ概要を匿名化したものと、一致したスキルの説明が渡されます。ユーザーが最近の作業を分析してスキルを提案するよう明示的に依頼した場合にのみ使用してください。
競合他社がブランドをどのように表現しているか（アイデンティティ、メッセージ、ポジショニング、トーン、ビジュアルスタイル）を分析し、ギャップや機会を見つけます。「競合ブランド分析」「競合ブランドを分析」「競合他社のポジショニング」「競合のメッセージ」「競合のアイデンティティ」「競合他社は何を発信しているか」「競合ベンチマーク」「競争環境におけるブランド」「競合との比較」「競合監査」などの依頼や、自社のポジションを定める前にブランド環境を把握したい場合に使用します。
作業用ディスクの容量が限られ、より大容量の /ephemeral ボリュームがあり、必要に応じて /home/ubuntu/RL/.env のシークレットを使用できる /home/ubuntu/RL で作業する NeMo-RL エージェント向けの Brev インスタンス運用ガイドです。nemo-rl-auto-research のキャンペーン、実験、トレーニングジョブ、モデルやデータセットのダウンロード、共有キャッシュを大量に使うコマンド、ログを生成する実行、チェックポイント生成、認証済みの W&B または Hugging Face のワークフローなど、Brev 上で大容量ファイルを作成する可能性がある場合に使用します。
LinkedIn、Twitter/X、Threads、Bluesky 向けのプラットフォーム固有の戦術的なガイダンスをユーザーが求めている場合に使用します。「LinkedIn strategy」「Twitter strategy」「Threads strategy」「Bluesky strategy」「algorithm」「what works on LinkedIn」「cross-posting」「platform differences」「adapt my content」「which platform should I focus on」への言及がある場合にも使用します。全体的なコンテンツ戦略については content-strategy-sms、投稿の作成については post-writer-sms を参照してください。
ランディングページ、ダッシュボード、Web アプリ、ポートフォリオ、ツールなど、あらゆるビジュアル出力のための UI/UX 品質ゲート兼構築ガイドです。主要な入口は引き続き ui-design です。統合モデル：ui-design のメイントランク + taste-skill のオーバーレイ。- ui-design はエンジニアリング品質（トラックの選定、コンポーネントライブラリ戦略、アクセシビリティ、レスポンシブ対応、テーマ設定、パフォーマンス、プレビューの提供）を担当します。- taste-skill は ui-design のワークフロー内でスタイルを決定する際に呼び出されます（Brief Inference、Design Dials、Anti-slop の厳格なルール）。ビジュアル HTML/CSS/JS を生成するプロジェクトでは、必ず project-builder と併用してください。
メールアドレスを調査します。MX と構文の検証、Gravatar の検索、企業メール形式の推定、漏えい状況の確認、Received チェーン、Message-ID、SPF、DKIM、DMARC の結果を含むメールヘッダー全体の分析に対応します。メール OSINT、アドレスの実在確認、そのアドレスで登録されたアカウントの検索、企業のメール形式の推測、不審なメッセージの実際の送信元の追跡に使用します。ビジネスメール詐欺や請求書詐欺の調査、フィッシングのトリアージ、ベンダーへの支払い確認、契約前の調査に適用できます。参照先：useosint.com/skills/what-an-email-reveals。
Baidu Drive のファイル管理と本文操作に対応します。アップロード、ダウンロード、保存、共有、ファイル検索、本文の一部検索、ファイル全体の読み取り、移動、コピー、名前変更、フォルダー作成、容量・使用済み容量・空き容量の確認ができます。Agent のメモリのバックアップと復元（kimiclaw/maxclaw/qclaw/openclaw）にも対応します。ユーザーが「百度网盘/bdpan/网盘/云盘/baidu drive/Baidu Drive」に言及し、ファイル操作や容量、空き容量、使用率について尋ねた場合、または「备份记忆」（メモリをバックアップ）、「恢复记忆」（メモリを復元）、「查看记忆备份」（メモリのバックアップを確認）などの操作に言及した場合に起動します。ファイル保存以外の操作、他のクラウドドライブの利用、ローカルメモリの整理・削除、PPT 生成（baidu-wenku-aippt skill として独立）では起動しません。
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。