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 101,323 件掲載。コマンド 1 行でインストールできます。
すべて
インストール済みバージョンに基づいて Python パッケージの公開 API を調べ、保存する価値のある情報をキャッシュします。質問の種類に応じた 4 つの方法:(0)`scratch/api/<lib>/<version>/` のキャッシュを確認、(1)シンボルには `inspect.signature` + `pydoc.render_doc` を使用、(2)モジュールの公開内容には `dir` / `pkgutil.iter_modules` を使用、(3)説明を要する質問(「方法」「どちら」「Y の場合 X は何を返す?」)にはバージョン指定のドキュメントを WebSearch + WebFetch で参照します。訓練データの記憶だけを頼りにシンボルを記述しないでください。見覚えがあることは、調査したことにはなりません。次のいずれかで使用します:- コードにシンボル(関数 / クラス / メソッド / 引数)を記述する直前。- ユーザーが「X のシグネチャは?」「Y モジュールには何がある?」「X の呼び出し方は?」「A/B のどちらを使うべき?」と質問したとき。- ユーザーが「<条件> のとき X は何を返す?」と質問したとき(方法 3 — 判定表を参照)。- 他のワークフロースキル(`build-ml-pipeline`、`evaluate-ml-pipeline`、`iterate-from-skore`、`smoke-test-ml-pipeline`)が「API スキルを参照」と指示するとき。- ライブラリの「当然の」使い方を記憶に頼って選ぼうとしているとき。次の場合はスキップします:このターンで読み取った呼び出し箇所からシグネチャが明らか;作業がファイルシステム / shell のみ(Python シンボルなし);`scratch/api/<lib>/<version>/<topic>.md` のキャッシュファイルで質問に回答できる(方法 0 の参照には該当しますが、取得は不要)。使用方法:まず一時ファイルでパッケージのバージョンを確認します(`scratch/<ts>_version_<pkg>.py` に `import <pkg>; print(<pkg>.__version__)` を記述し、`pixi run python scratch/<ts>_version_<pkg>.py` で実行)。次に `scratch/api/<lib>/<version>/` を一覧表示します。その後、「質問の種類は?」の表から方法を選びます。説明的な調査結果はキャッシュに保存します。**Python の実行はすべて `scratch/<ts>_*.py` ファイル経由とし、長さにかかわらずインラインの `python -c` は禁止です。**スタック固有のガイドは `references/stack_orientation.md` にあります。必要に応じて読み込んでください。
GitHub リポジトリのリリースを最初から最後まで作成します。最後のタグ以降の Conventional Commits から次のセマンティックバージョンを決め、適切なリリースノートを作成します(`.github/release.yml` による GitHub 自動生成、または変更の種類ごとに手動で整理し、主な変更点と破壊的変更のアップグレード案内を記載)。注釈付きタグを作成してプッシュし、GitHub リリースを公開し、必要に応じて `CHANGELOG.md` を更新します。ユーザーが「cut a release」「tag a release」「publish a release」「ship vX.Y.Z」「bump the version」「what version should this be」「write the release notes」「draft the changelog」と言うか、/release を呼び出した場合に使用します。`.github/release.yml` とリリースワークフローの仕組みを一度だけ用意する /gh-bootstrap とは異なり、このスキルは実際のリリース作業(バージョン決定、ノート、タグ付け、公開)を行います。作業をデフォルトブランチにマージした後に実行してください。
リポジトリの .gitattributes、.editorconfig、.gitignore、Git LFS フィルターを設定します。改行コードを正規化し、GitHub linguist 向けに生成物、ベンダー提供物、ドキュメントのパスを指定し、言語ごとのエディター既定値を設定して、GitHub テンプレートの .gitignore 内容をマージします。ユーザーが「add .gitattributes」「fix line endings」「CRLF」「linguist」「mark generated files」「set up .editorconfig」「gitignore template」「git lfs」と言うか、/repo-attributes を呼び出した場合に使用します。prek や pre-commit フックの設定には使用せず、/prek を使用してください。GitHub カスタムプロパティ(組織レベルのメタデータ)は対象外です。このスキルはリポジトリ単位の属性、エディター、ignore ファイルのみを扱います。コミュニティ健全性ファイル(README、LICENSE、CODE_OF_CONDUCT、CONTRIBUTING、SECURITY)はこのスキルではなく /oss-hygiene の対象です。
あらゆる SDK ドキュメントサイトを監査し、完全に採点されたダウンロード可能な HTML レポートを生成する。ユーザーがドキュメントの URL を提示し、SDK ドキュメントの監査、レビュー、分析、採点、品質確認を求めたときは常にこのスキルを使用。次のような表現でもトリガーする:「X の SDK ドキュメントを監査して」「X のドキュメントが完全か確認して」「この SDK ドキュメントをレビューして」「これらのドキュメントはどの程度優れているか」「X に対して SDK 監査を実行して」、またユーザーが URL とともに監査、レビュー、クロール、確認、分析、品質、完全性、ギャップといった語を貼り付けたとき。必ずこのスキルを使用すること——この構造化されたクロール → 分析 → 相互参照 → レポートのワークフローに従わずに監査を試みないこと。
Higgsfield 上の Seedance 2.0 向けに、ラグジュアリーでプレミアムな美学の動画プロンプトを生成する。ラグジュアリーブランドのコンテンツ、プレミアム製品のショーケース、ハイエンドなライフスタイル、ミニマルな美学、エレガントなブランド動画、洗練されたビジュアル表現を要するあらゆるコンテンツに使用する。トリガー:luxury、premium、high-end、elegant、minimalist、sophisticated、exclusive、refined、designer、couture、bespoke。
オールインワンの出荷パイプライン — 未コミットの作業をコミットし、変更ゲート付きの lint プリフライトを実行し、日付入りの変更履歴エントリを作成し、Conventional Commits の PR タイトルを組み立て、プッシュし、PR を作成または更新し、リンクされた Linear イシューを In Review に移動し、その後 `triage-pr`(ステップ 11)へチェーンして PR をマージ可能な状態へ導く。triage-pr が終端の結果(そのステップ 13 のレポート、その human envelope、または文書化された停止)に達するまで、あるいは理由を明示して `--skip-triage` / `triage: false` が使われていない限り、未完了である。出荷、send it、ブランチの完了、PR の作成または更新、まとめてプッシュを求められたときに使用する。`commit`、`preflight`、`changelog`、`linear-sync`、`pr`、`triage-pr` を束ねる薄いオーケストレーターであり、ブランチガード、リリースタイプの判断、PR タイトル、プッシュ、PR を担う。monorepo と単一パッケージのリポジトリの両方に対応する。
1 万行以上の Excel データセット向けの高性能分析エンジン。openpyxl read_only によるストリーミング読み込み(iter_rows は 10 万行以上に対応)、Parquet 変換による高速化、メモリ最適化、チャンク処理、大容量ファイル書き込みモードを提供する。**次のいずれかに該当する場合は本 skill を積極的に使用すること**:①データ行数が ≥ 10k(sn-da-excel-workflow の行数評価ステップでトリガーされる);②ユーザーが次のトリガーワードを用いる:大文件 / 大数据量 / 性能优化 / 内存不足 / OOM / 百万行 / 十万行 / 流式读取 / Parquet / 分块处理 / large file / big data / streaming read / chunked processing;③pd.read_excel() を直接使用してタイムアウトやメモリ不足が発生する;④ユーザーが大規模データセットの高性能処理を明示的に要求する。次には使用しない:10k 行未満の通常の Excel 分析(sn-da-excel-workflow を使用すればよい)。
MCP の `fabric-sqlendpoint-execute_query` ツールを使って、Fabric Data Warehouse、Lakehouse SQL Endpoints、Mirrored Databases に対する読み取り専用の T-SQL クエリを実行します。ユーザーが PySpark または Spark DataFrames を明示的に要求しない限り、あらゆる lakehouse データクエリ(行数のカウント、SELECT、フィルタリング、集計)に使用するデフォルトのスキルです。次の場合に使用します:(1) warehouse/lakehouse データのクエリ、(2) 行数のカウントまたは lakehouse テーブルの調査、(3) スキーマ/列の確認、(4) T-SQL スクリプトの生成、(5) SQL パフォーマンスの監視、(6) 結果の CSV/JSON へのエクスポート。Fabric notebook のセル(%%sql またはその他の notebook magics)には、このスキルではなく `spark-authoring-cli` を使用してください。トリガー:「warehouse」「SQL query」「T-SQL」「query warehouse」「show warehouse tables」「show lakehouse tables」「query lakehouse」「lakehouse table」「how many rows」「count rows」「SQL endpoint」「describe warehouse schema」「generate T-SQL script」「warehouse performance」「export SQL data」「connect to warehouse」「lakehouse data」「explore lakehouse」。
ユーザーが「このタスクのブリーフを作成して」「適切に範囲を定めて」「何を提供すればいい?」「プロンプトを改善して」「より良い出力を得る方法を教えて」「再利用できるプロンプトにして」「同僚に渡せるプロンプト」などと言った場合や、複数ステップ・複数ドキュメントにわたる作業、または他者が読む成果物となる大規模なタスクを一行の簡単な依頼として提示した場合に使用します。大規模な作業を始める前にタスクブリーフを作成し、確認可能な「完了条件」で目標を定め、背景、制約(常設ルールも自動的に含める)、ツールを明確にします。ユーザーの確認後、その内容に沿って実行します。再利用プロンプトモードでは、実行する代わりに、ブリーフを繰り返し使える構造化プロンプトとして保存します。出力が変わる場合に限り、確認質問を最大 2~3 件行います。それ以外はブリーフに前提を記して進めます。簡単な一段階の依頼には使用せず、そのまま回答します。
Tenzir のドキュメントを使って質問に回答します。TQL の構文、パイプライン演算子、関数、データの解析や変換、正規化、OCSF マッピング、エンリッチメント、ルックアップテーブル、コンテキスト、パッケージ、ノード、プラットフォームのセットアップ、デプロイ、設定、Splunk、Kafka、S3、Elasticsearch などのツールとの統合、その他の Tenzir 機能について質問された場合に使用します。Tenzir によるセキュリティデータの収集、ルーティング、フィルタリング、集計、エクスポート方法についての質問や、TQL パイプラインの作成・デバッグ支援にも使用します。「Tenzir」と明示されていなくても、Tenzir の利用が明らかな場合は対象です。
メンデルランダム化(MR)による因果推論 — 曝露、リスク因子、バイオマーカーが疾患/アウトカムに CAUSALLY 影響するかどうかを、遺伝子変異を操作変数として用いて検証します(IEU OpenGWAS / EpiGraphDB MR-EvE)。ユーザーが X が Y を引き起こすかどうかを尋ねる場合、観察的な関連が実際に因果的か単なる相関かを問う場合、バイオマーカー/形質が因果的なリスク因子かどうかを問う場合、疫学を遺伝学的証拠と三角測量したい場合、またはメンデルランダム化、操作変数分析、2 サンプル MR、遺伝的因果証拠に言及した場合は常にこれを使用します — ユーザーが「MR」と言わなくても(例:「LDL コレステロールは心疾患に本当に因果的か?」、「BMI は 2 型糖尿病を引き起こすのか、単に相関するだけか?」、「CRP は脳卒中の因果的ドライバーか?」)。形質ラベルの解決、MR 効果の方向/大きさ、操作変数の品質(MOE スコア)、手法の一致(IVW 対 MR-Egger 対加重中央値)、逆因果のための双方向 MR、因果と遺伝相関の区別をカバーします。通常の GWAS 関連検索(GWAS スキルを使用)や、生の要約統計から独自の操作変数をフィッティングする場合には適していません。
高度なTwitter検索とソーシャルメディアデータ分析を行います。Twitter APIを使ってキーワードでツイートを取得し、最大1000件の結果を処理して、インサイトと実行可能な提案を含む専門的なデータ分析レポートを生成します。Twitter/Xの検索、ソーシャルメディアのトレンド分析、ツイートのデータマイニング、ソーシャルリスニング、インフルエンサーの特定、ツイートのトピック別感情分析など、インサイトを得るためにTwitterデータを収集・分析するタスクに使用します。
コンポーネントとアプリ画面のコア UI パターン:トークン、視覚的階層、インタラクティブ状態、フォーム、ナビゲーション、フィードバック状態、アクセシビリティ、レスポンシブルール。ユーザーが「UI を設計する」「コンポーネントを構築する」「インターフェースを作成する」「フォームをスタイリングする」「見た目を良くする」「デザインを改善する」「ホバー状態を追加する」「アクセシブルにする」または一般的な UI 作業を求めたときに使用。これは他の UI スキルの土台となるもの。マーケティング用のフルページには landing-page-design、ファーストビューのブロックのみには hero-section、カードには card-design、データが密な管理ビューには dashboard-design、タッチ優先の画面には mobile-ui-design、テーマ設定には dark-mode、HTML メールには email-design を優先する。
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。
