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
Indexer GraphQL API v4 を通じて Midnight ブロックチェーンデータをクエリおよび購読します。コントラクト状態の読み取り、トランザクション検索、ブロッククエリ、リアルタイム購読(contractActions、blocks、unshielded/shielded transactions)、状態のデシリアライズ、offset/null バグの回避策、TypeScript ヘルパーパターンを扱います。ユーザーがトランザクション後にオンチェーン状態を読み取る、コントラクトイベントをリアルタイムで監視する、ブロックやトランザクションを検索する、unshielded 残高を照会する、または DUST 生成状況を監視する必要がある場合に使用します。
同梱の Python コンバーターを使用し、schema マッピングプロファイルに基づいて NetBox のデバイスタイプとモジュールタイプの定義(netbox-community devicetype-library 形式。NetBox Data Exchange / NDX でも公開)を Infrahub オブジェクトテンプレートに変換し、Infrahub オブジェクト YAML として出力します。次の場合に使用:NetBox のデバイスタイプまたはモジュールタイプのインポート、稼働中の NetBox インスタンスからのデバイスタイプのエクスポート、ベンダーのデバイスモデルからのオブジェクトテンプレート作成、NetBox のモジュールタイプに含まれるラインカード / PSU / トランシーバーから Template* オブジェクトへの変換、マッピングプロファイル変更後の再変換、変換の誤りや失敗のデバッグ。次の場合は使用しない:CSV/TSV データのインポート(infrahub-importing-data を使用)、ゼロからの schema 作成(infrahub-managing-schemas を使用)、通常のオブジェクトデータファイルの作成(infrahub-managing-objects を使用)、稼働中の NetBox との継続的な双方向レプリケーションの設定(別製品 infrahub-sync の対象。ただしデバイスタイプの単発エクスポートは対象)。
`scratch/audit/<stem>/audit.md` にある**監査ダイジェストを読む**(`audit-ml-pipeline` が § 4 record-outcome で生成)ことで、次の ML 実験提案を取得する。ダイジェストの `## Checks summary` の各行のうち `severity` が `issue` または `tip` のものについて、その行の `documentation_url` をたどり、`Item` がドキュメントの推奨する緩和策である Backlog 行を 1 件起草する。`## Metrics summary` は人間向け要約段落の文脈を提供するが、それ自体は Backlog 行を駆動しない。充実した Backlog 行 + 1 段落の要約を `iterate-ml-experiment` に返し、親はその行を `JOURNAL.md` に書き込み、取材メニューを再表示してユーザーが `B<N>` 行を昇格できるようにする。「Backlog enriched, summary returned」で停止する。実験ごとの設計ノートは決して書かず、「勝者」の知見も決して選ばない — ユーザーが `B<N>` で選ぶ。トリガー条件: `iterate-ml-experiment` が取材戦略を選んでいてユーザーがメニューから `skore` を選んだとき; ユーザーが「mine the report」「what does skore see?」「fill the backlog from the diagnostic」と言ったとき; 前の実験が終了し、ユーザーがレポートを実行可能な backlog 項目に変換したいとき。スキップ条件: 前の実験がまだ実行されていない(ディスク上に監査ダイジェストがない); ユーザーに具体的なモデリングのアイデアがある(`iterate-from-user` を使う); タスクがレポートの実行/起動の*仕組み*である — `evaluate-ml-pipeline` に回す; ユーザーがレポートの特定の節を物語として読みたい(`evaluate-ml-pipeline` に回す)。使い方: 既存の `scratch/audit/<stem>/audit.md` ダイジェストをテキストとして読む — skore Project を再度開かない、`report.*` アクセサを呼ばない。`## Checks summary` セクションの各行のうち severity が `issue` または `tip` のものについて、`documentation_url` を(WebFetch で)たどり、`audit:<stem>:checks.<code>` を引用する Backlog 行を 1 件起草する。`JOURNAL.md` の Backlog に既にある行とは出典引用で重複排除する。候補行 + 1 段落の人間向け要約を返す。親スキルがその行を `JOURNAL.md` に書き込み、取材メニューを再表示する。
`AskUserQuestion` で選ばれる 3 つの入口のいずれかを通じて、ユーザーから次の ML 実験提案を取得する:(a) エージェントが読み取り統合すべき科学記事の URL、(b) リソースのリンクまたはパス(GitHub issue / 仕様ファイル / 参照リポジトリ)、(c) ユーザーが直接入力するフリーテキスト。どの分岐でも、エージェントはソースを読み、何を実装するかの理解を統合し、Proposal ブロックを返す*前に*ユーザーに確認する。確認済みの Proposal を `iterate-ml-experiment` に渡し、親はそれを `journal/NN_short_name.md` に書き込み、ユーザーの設計ノート承認を求める。「Proposal returned, user-confirmed」で停止する。設計ノートは決して書かず、受け入れ基準も決して作成しない。トリガー条件: `iterate-ml-experiment` が取材戦略を選んでいてユーザーがメニューから `user` を選んだとき; ユーザーが具体的なアイデアを申し出たとき(「I want to try X」); ユーザーが科学記事、GitHub issue、仕様ファイル、参照リポジトリを貼り付けるかリンクし、読むよう求めたとき。スキップ条件: ユーザーが前のレポートを掘りたい(`iterate-from-skore` を使う); ユーザーがシンボル検索やパイプラインの仕組みを求めている(`python-api` スキルを使う); 作業が単一レポートの評価の仕組みである(`evaluate-ml-pipeline` に回す)。使い方: 入口について `AskUserQuestion` で始める — article-link / resource-link / free-text。各分岐で:適切なツール(`WebFetch`、`gh issue view`、`Read`)でソース資料を集め、理解した内容を 3 つの形成上の問いに統合し、Proposal を返す前に**プレーンテキストでユーザーに確認する**(1〜2 文:「you'd like to implement X by changing src/<pkg>/<file>.py — right?」)。設計ノートは一切書かない。受け入れ基準は作成しない。
フックの公式、フォーマット規則、エンゲージメントのパターンを踏まえた LinkedIn 投稿の作成。投稿タイプ、アルゴリズムのシグナル、文字数制限、コンテンツの柱を扱う。用途:LinkedIn 投稿、プロフェッショナル向けコンテンツ、ソートリーダーシップ、B2B コンテンツ、個人ブランディング。トリガー:linkedin post、linkedin content、linkedin writing、linkedin strategy、linkedin engagement、linkedin algorithm、linkedin hook、linkedin formatting、thought leadership、professional content、b2b content、linkedin growth
すべてのティアにわたる CockroachDB クラスター容量の管理。Self-Hosted は恒久的な削除のためのノード廃止と、拡張のためのノード追加を扱う。Advanced/BYOC は Cloud Console、API、Terraform によるノード数とマシンサイズのスケーリングを扱う。Standard はプロビジョニングされたコンピュート(vCPU)の調整を扱う。Basic は自動スケール——ガイダンスでは支出上限とコスト管理を扱う。容量を増減する場合、ノードを恒久的に削除する場合、コストを管理する場合に使用。
別のベンダーアカウントを使わず、Muapi クレジットで Muapi(api.muapi.ai)上の Claude Code または Codex CLI を実行します。ローカルのコーディングエージェントに Muapi をモデルプロバイダーとして使わせたい場合、Claude Code や Codex で動作する Muapi モデルを知りたい場合、またはいずれかのエージェントのベース URL、API キー変数、プロバイダーブロック、モデル名が必要な場合に使用します。Claude Code(Anthropic Messages)と Codex CLI(OpenAI Responses)、モデルの検索、検証、トラブルシューティングを扱います。
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。
