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 101,174 件掲載。コマンド 1 行でインストールできます。
すべて
Azure AI Vision の開発に関する専門知識を提供します。意思決定、制限とクォータ、設定、統合、コーディングパターン、デプロイを扱います。Image Analysis、Read OCR コンテナー、スマートクロップのサムネイル、背景除去、動画フレーム分析、その他の Azure AI Vision 関連の開発タスクに使用します。Azure AI Custom Vision（azure-custom-vision を使用）、Azure AI Video Indexer（azure-video-indexer を使用）、Azure AI Document Intelligence（azure-document-intelligence を使用）、Azure AI Immersive Reader（azure-immersive-reader を使用）には使用しないでください。
better-i18n のすべての統合判断をガイドします。SDK の選択（Next.js、React、Expo、Swift、Flutter、Remix）、CDN と GitHub のワークフロー、MCP ツールによる AI 翻訳管理、CLI のヘルスチェック（scan、doctor、sync）、コンテンツ CMS（ローカライズモデル、エントリー、カスタムフィールド）、ファイル形式の規約（フラット／ネスト／名前空間）、キーの命名、公開フロー、品質分析を扱います。i18n の設定、言語の追加、翻訳キーの管理、公開、AI ワークフローの統合など、ローカライズ機能の構築、変更、レビュー時に使用します。
超圧縮コミュニケーションモード。原始人のような話し方で、技術的な正確さを完全に保ちながらトークン使用量を約75%削減します。強度レベルは lite、full（デフォルト）、ultra、wenyan-lite、wenyan-full、wenyan-ultra です。ユーザーが「caveman mode」「talk like caveman」「use caveman」「less tokens」「be brief」と言うか、/caveman を呼び出した場合に使用します。トークン効率の向上が求められた場合も自動的に有効になります。
特定した実際の失敗パターンに基づいて、PostHog AI observability で継続的に実行されるオンライン評価を作成します。今後の生成結果やトレース全体を自動採点する評価をユーザーが求める場合に使用します（「X を検出する評価を作成」「応答が Y を行うか継続的に確認」「これらの失敗を評価にする」など）。トレースを調べて再発する失敗が見つかった場合も対象です。調査データに基づく評価数の決定、候補の提示、対象と評価タイプ（hog / llm_judge / sentiment）の選択、llm_judge のプロバイダーとモデルの設定、条件による対象生成の限定、無効状態での作成、範囲の確認、有効化、過去データのバックフィルを扱います。検出に値する失敗パターンがない場合は sentiment 評価を提案します。評価対象となる失敗パターンの発見と順位付けは別の作業です。まず exploring-ai-failures を使用してください。既存の評価のデバッグや管理には exploring-llm-evaluations を使用します。
Claude Code 向けの Figma デザインブリッジ。figma-developer-mcp サーバー経由で Figma ファイルを閲覧し、アセットをダウンロードし、デザイントークンを抽出して、Tailwind、React、Vue、Svelte、React Native、Flutter、プレーン CSS のコードを生成します。プロジェクトに合った Figma Community のリソースも検索できます。Figma アクセストークンと figma-developer-mcp サーバーが必要です。
AI 搭載の財務分析スイート。QuickBooks のエクスポートデータ（損益計算書、貸借対照表、総勘定元帳、キャッシュフローなど）から、異常検知、バーンレート、ランウェイ分析、シナリオモデリングを含む CFO 向けエグゼクティブブリーフィングを生成します。組織の間接費を含むコードベースの開発コスト見積もりや、AI の ROI 分析にも対応します。トリガー：「CFO briefing」「financial analysis」「cost briefing」「expense review」「runway analysis」「burn rate」「cost estimate」「how much would this cost to build」「development cost」「Claude ROI」。
既存の文書成果物（ストーリー、計画、受け入れ基準、仕様、デザインモック）を批判的にレビューし、欠落している状態、未対応のエッジケース、明示されていない前提、検証不能な基準、依然として広すぎる、または水平的なスライスを洗い出します。対話形式で一度に1つ質問し、各回答を新しい受け入れ基準、計画の更新、またはモック状態の仕様として成果物に反映します。計画やコーディングの前に成果物を詰める必要がある場合（「何が足りない？」「穴を指摘して」「これを詰めて」）に使用します。確認対象の成果物が必要です。成果物がなく曖昧な意思決定ツリーだけの場合は、specification またはインストール済みの grill-me skill を使用してください。大きすぎる作業の分割については story-splitting を参照してください。
個人創業者向けの体系的なバックリンク構築。GEO + SEO の ROI に基づいて順位付けした 5 種類のチャネルを扱います。Wikipedia（エンティティ）、権威あるメディア（PR）、業界レビュー（G2/Capterra/Product Hunt）、Reddit/Quora の議論、HARO/Featured.com の専門家コメントです。ドメインオーソリティがボトルネックとなる 0→1 段階のサイト向けです。2026 年の Google/Bing GEO ガイダンスに沿っており、バックリンクは AI 検索エンジンが引用先を決める際に用いる、最も強いブランド権威シグナルです。デフォルトでは開発者／B2B 向けのリンク元を扱います。2C 製品（教育、消費者向けアプリ）では権威あるリンク元が異なります。gingiris-seo-geo/references/2c-adaptation.md を参照してください。
Facebook、Instagram、TikTok、LinkedIn向けに、イスラエルのユーザーに最適化されたソーシャルメディアコンテンツを作成します。イスラエル向けのソーシャルメディア戦略、ヘブライ語の投稿、イスラエルでの投稿スケジュール、ヘブライ語のハッシュタグ、イスラエルのFacebookグループマーケティングについて尋ねられた場合に使用します。プラットフォーム別のベストプラクティス、イスラエルの文化的要素、ソーシャルメディア向けのヘブライ語コピーライティングを扱います。有料広告キャンペーン、インフルエンサーへのアプローチ、SEOコンテンツの執筆には使用しないでください。
Jinkō QSP およびメカニスティックモデリングのリクエストを検出し、その作業を担当する公開 Jinkō skill にルーティングする。ユーザーが Jinkō セッションを開始するとき、どの機能や skill を使うべきか尋ねるとき、複数領域にまたがるモデリングリクエストを説明するとき、または該当する jinko-* や jinko-task-* skill をまだ特定していないときに使用する。この skill は科学的な判断、ワークフローの計画、SDK 呼び出しの実行、タスクステップの完了判定は行わない。
エージェントとユーザー向けに、Jinkō の基本的なコンテキスト、ナビゲーション、バージョン管理、ドメイン用語を説明します。Jinkō のプロジェクト、フォルダー、プロジェクト項目、スナップショット、参照、抽出、ハイライト、プロトコル、トライアル、較正、仮想集団、トレーサビリティリンク、モデリングのコンテキストについてユーザーが理解を必要とする場合、一般用語と Jinkō 用語の変換、またはエージェントが Jinkō のアーティファクトを移動、変更する前の案内に使用します。フォルダーの一覧表示、ツリーの表示、明示的なユーザー確認後のフォルダー作成を行う安全な SDK の例を含みます。科学的アーティファクトの作成や編集には、専用の jinko-* ワークフロースキルを使用してください。
jinko-sdk を使って Jinkō 計算モデル（QSP/PK-PD）を構築または編集します。対象はパラメーター、カテゴリーパラメーター、コンパートメント、種、ODE、反応、投与イベント、代数規則、ベースラインチェック、ソルバーオプション、単位、コンポーネントタグです。モデルの新規作成、空のモデルの作成、既存モデルの編集、コンポーネントの追加や変更、入力／ソース／出力タグの適用、単位チェックの設定、モデルレベルの投与イベントの定義、2つのモデルの統合と競合の解決、診断の検証、モデルの妥当性や simple_solve エラーのデバッグをユーザーが求める場合に使用します。再作成より既存モデルの編集を優先してください。試験の実行には使用せず、jinko-trial を使用してください。
jinko-sdk を通じて Jinkō の in-silico 試験の作成、妥当性検査、実行、ポーリング、結果のダウンロード、プロットデータの計算を行います。ユーザーが計算モデルとシンプルな出力セットから試験を設定し、必要に応じて vpop、プロトコル、データテーブル、高度なスコアリング出力セットを添付して試験を起動し、完了を待ち、完了した試験を検査し、TimeSeries と Scalar の結果を pandas DataFrame としてダウンロードし、または計算済みのプロットデータ（スカラー分布、時系列分位帯、生存曲線、寄与／トルネード分析、患者ごとの散布値）を記述子でフィルタリングまたはグループ化して取得し、独自にプロットしたいときに、このスキルを使用します。モデルの編集、vpop の作成、プロトコル設計の作成、データテーブルのアップロード、出力セットの作成／編集、保存済みの TrialVisualization の構成には、このスキルを使用しないでください。
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。