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
コーディングまたは研究セッションの終了時に会話を確認し、判断、実験、行き詰まり、方向転換、主張、ヒューリスティクスを ara/ ディレクトリ（exploration_tree.yaml、claims.md、heuristics.md、observations.yaml、セッション記録）に書き込み、各項目に user、ai-suggested、ai-executed、user-revised のいずれかのタグを付けて、研究の来歴を記録します。タスク完了後にセッションのエピローグを残したい場合に使用します。プロジェクトの変遷を監査可能な形で追跡する必要がある場合に使用します。判断や行き詰まりを来歴とともに記録する場合や、ara/ ディレクトリを初期化する場合にも使用します。リクエスト完了後にのみ実行するため、タスクの実行中には使用しないでください。
現代のデータプラットフォームを設計するための戦略的ガイダンス。ストレージのパラダイム（データレイク、ウェアハウス、レイクハウス）、モデリング手法（ディメンショナル、正規化、Data Vault、ワイドテーブル）、データメッシュの原則、メダリオンアーキテクチャのパターンを扱う。データプラットフォームを設計するとき、集中型と分散型のパターンを選択するとき、テーブルフォーマット（Iceberg、Delta Lake）を選定するとき、データガバナンスのフレームワークを設計するときに使用する。
処理の失敗や情報漏えいを防ぎながら、arXiv へのプレプリント投稿を準備、公開します。TeX ソースのパッケージ化（.bbl、図、大小文字を区別するパス）、非公開コメントの削除、カテゴリとライセンスの選択、推薦、メタデータ（タイトル、要旨、コメント欄）、バージョン管理と差し替え、後からのジャーナル DOI の紐付けを扱います。arXiv への論文投稿、arXiv の TeX コンパイル失敗、ソースアップロード前の確認、採択後のプレプリント更新に使用します。依存関係ゼロの事前チェックツールを含みます。
ascend-kernel（csrc/ops + build.sh + torch_npu PyTorch カスタムオペレーター）プロジェクトにおける Ascend NPU 向けのエンドツーエンドの AscendC カスタムオペレーター開発。名前と数学/機能仕様から新しい AscendC オペレーターを設計、生成、ビルド、テスト、文書化、チューニングするために使用する。プロジェクトの初期化、2 段階の tiling 設計、op_host/op_kernel のコード生成、フレームワーク登録、コンパイル/インストール/デバッグ、PyTorch スタイルの API ドキュメント、精度評価と根本原因のデバッグ、torch_npu.profiler によるパフォーマンスベンチマーク、パフォーマンス最適化、セキュリティコードレビューを扱う。
単一の Figma コンポーネントまたはコンポーネントセット向けの詳細なアクセシビリティスコアカード——状態のカバレッジ（default/hover/focus/disabled/error/active/loading）、フォーカスインジケーターの品質とコントラスト、色以外による状態の区別、ターゲットサイズ、注釈の完全性、色覚シミュレーション（protanopia/deuteranopia/tritanopia）を扱い、すべてをカテゴリ別の 0〜100 のスコアと優先順位付きの推奨事項にまとめる。ユーザーがリリース前に 1 つのコンポーネントを検証したいときに使用する：トリガーは 'audit this component'、'accessibility score for this button'、'is this component set accessible'、'check the states on this component'、'does my button have a focus state'、'color blind check'、'rate this component for a11y'、'component accessibility scorecard'。あらゆる Figma プランで動作する。ページ/フレーム全体を広く走査する場合は lint-design-figma を、コード側（HTML）のチェックには scan-code-accessibility-figma を使用する。
LocalServiceRegistry を使用して B2C Commerce で Web サービス統合を実装する。ユーザーが cartridge から外部の REST または SOAP API を呼び出す、services.xml でサービス認証情報とプロファイルを構成する、createRequest/parseResponse コールバックで HTTP リクエストを処理する、FTP または SFTP ファイル転送を設定する、サーキットブレーカーのエラーをトラブルシューティングする必要がある場合は常にこのスキルを使用する。決済ゲートウェイ、配送プロバイダー、サードパーティサービスへの接続時にも使用する——「自分の controller から外部 API を呼びたい」「サービスがいつもタイムアウトする」と言っただけの場合でも。
Barry の英語コミュニケーション方法論を提供する常駐型 Q&A コーチ。学習者はいつでも呼び出して、4 種類の質問に回答できる：① 英語表現／単語／翻訳／ビジネスでの用法（AI が直接回答 + 5 列のバイリンガル見出し + 追加質問では fancy-vocab を付加）；② 方法論の概念（ツールボックスとともにインストールされた methodology wiki の該当原文を RAG で回答し、理解したうえで Barry 流に適応的に表現）；③ トレーニングの悩み（方法論のフレームワークで診断 + 具体的な次のステップを示す）；④ 状況の変化（転職／進歩／目標の変更）→ /barry-onboarding の再実行を案内してプロファイルを再測定。**学習者のプロファイルは書き換えず、評価もせず、Q&A ログも保存しない**。Barry のスタイル（直接的、口語的、表現を恐れない、必ず例を出す）。トリガーワード：問个问题、请教、coach、barry coach、/barry-coach、英文怎么说、什么意思、怎么翻译、方法论、X 怎么练、我什么级别、A1/A2/B1/B2/C1/C2 各是什么。
职场の学習者向けの翻訳スキル独立トレーニング。2 つのモード：コーチモード（Filtering → 脱殻 → ロジックの顕在化 → 再表現 → 文化的適応、各ステップでコーチが導く）とクイックモード（AI が翻訳結果を直接出し、各ステップでどのような調整をなぜ行ったかを順に説明する）。脱殻の工程は学習者のレベルに応じて適応的——レベルが高いほど脱殻が必要な部分は少なくなる。トリガーワード：翻译技巧训练、翻译训练、练翻译、translation training。
Basecamp から自分の Claude Code セッションを操作する：ローカルコネクターを実行し、信頼できるリクエストを承認して、Basecamp で返信するバックグラウンドのサブエージェントに作業を委任。エージェントをこのコンピューターに接続する、Basecamp からエージェントを操作する、メンション・割り当て・通知・コメント・boost を監視する、コネクターを起動・停止する、状態や健全性を確認する、作業を指示できる人や対象プロジェクトを変更するよう求められた場合に使用。認証情報（basecamp auth agent connect）、権限とプロジェクト（basecamp connect setup）、状態、doctor に対応。コネクターの実行には Claude Code が必要。
ユーザーが Bing Maps のリスティングを最適化したい、Bing Places for Business を設定したい、または Microsoft の検索エコシステムでの可視性を高めたいときに使用する。ユーザーが "Bing Places"、"Bing Maps"、"Bing local"、"Microsoft local listings"、"Copilot local" に言及したときにも使用する。Google Business Profile については gbp-optimization を参照。Apple Maps については apple-business-connect を参照。
Blutui Engineering チームによる Blutui プロジェクトのガイドライン。Blutui プロジェクトに取り組むときは常にこのスキルを使用する——テンプレート、レイアウト、コンポーネント、partials の作成や編集; Collections の作成やクエリ; フォームの構築や処理; ルーティングや Courier の設定; Canopy や Cassettes での作業; Blutui MCP の使用; 新規 Blutui プロジェクトのゼロからのセットアップ。ユーザーが Blutui、Canopy、Cassettes、Courier、または Blutui 固有の概念に言及した場合は、コードや設定を書く前に必ずこのスキルを読み込んで従う。
あらゆる LLM や AI アシスタント向けに高品質なプロンプトを作成する——Claude、Claude Code、ChatGPT、Gemini、Cursor、Windsurf、Copilot、または任意のコーディング / チャットエージェント。ユーザーがプロンプトの作成、改善、洗練、短縮、書き直しを求めたとき、"[モデル] にはどう表現すればよいか" や "[タスク] に良いプロンプトは何か" と尋ねたとき、AI にやらせたいタスクを説明したがまだプロンプトとして定式化していないとき、あるいは既存のプロンプトを貼り付けて修正を求めたときにこのスキルを使用する。Boris（Anthropic、Claude Code の作者）のプロンプト方法論に基づく——短く正確なプロンプト、コード前に計画、フィードバックループ、ファイル内の永続コンテキスト。普遍的な原則（短い、計画優先、フィードバックループ、無駄を省く）はどの LLM にも当てはまる；Claude Code 固有のアンカー（CLAUDE.md、@file、スラッシュコマンド）は対象が Claude Code のときのみ適用される。ユーザーの意図が不明確な場合（対象モデル、成果物、範囲、または AI に自己検証の手段があるかが欠けている場合）、プロンプトを書く前に AskUserQuestion で 1〜3 個の的を絞った確認質問をする。
Contentstack Brand Kit の概念、セットアップ、ガバナンス、ブランドに沿った AI 生成についてユーザーに助言します。API 固有のタスクは適切な Brand Kit 機能またはリファレンススキルに振り分け、完成品として提示する前にブランドと安全性のルールを適用します。Contentstack Brand Kit、Voice Profiles、Knowledge Vault、ブランドボイス、トーン、スタイルルール、ブランドに沿った AI 生成、セットアップ、ガバナンス、API の使用について質問された場合に使用します。
React または TypeScript アプリの作成、構成、レビュー時に bulletproof-react の規約を適用します。機能別フォルダー構成、API レイヤー、状態管理の分類、テスト戦略、エラー処理、認証、パフォーマンスを扱います。ユーザーが React の新機能を作成する、プロジェクト構成を設定する、「これはどこに置くべきか」「どう整理すべきか」と尋ねる、状態の配置場所を決める、データ取得や認証のコードを書く、React アーキテクチャのレビューを依頼する場合に使用します。「機能フォルダー」「React プロジェクト構成」「Redux を使うべきか」「API 呼び出しの構成方法」などがトリガーです。
Redis を基盤とするジョブキュー、ワーカー、フロー、スケジューラーに関する BullMQ キューシステムのリファレンス。使用場面：(1) BullMQ でキューとワーカーを作成する、(2) ジョブを追加する（遅延、優先度、繰り返し、重複排除）、(3) FlowProducer の親子ジョブ階層を設定する、(4) リトライ戦略、レート制限、並行性を構成する、(5) cron／インターバルパターンでジョブスケジューラーを実装する、(6) BullMQ を本番向けに準備する（グレースフルシャットダウン、Redis 設定、監視）、または (7) 停滞したジョブや接続の問題をデバッグする
React と Web Components 向けの Carbon Design System のエキスパートです。Carbon コンポーネント（Button、Modal、DataTable など）、IBM 製品 UI、Carbon Charts（React/Angular/Vue/Svelte/vanilla JS）、Carbon アイコンとピクトグラム、Carbon デザイントークンと IBM Plex フォント、Carbon の利用方法やアクセシビリティのドキュメント、AI Chat / watsonx の統合、あらゆる Carbon コード生成に使用します。
RAG パイプラインで高速かつ軽量なテキストチャンキングを行うには Chonkie を使用する。11 種類すべてのチャンカー（Token、Fast、Sentence、Recursive、Semantic、Late、Code、Neural、Slumber、Table、TeraflopAI）、fetch→process→chunk→refine→export→store ワークフローを連結する Pipeline API、embeddings refineries、ベクトル DB との接続（Chroma、Qdrant、Pinecone など）、tokenizer の選択、recipe システム、REST API サーバー、非同期/バッチ処理を扱う。使用場面：embeddings 用のドキュメント分割、取り込みパイプラインの構築、コードや markdown のチャンキング、ベクトル DB 取り込みの設定、または検索拡張生成のためのあらゆるテキスト分割タスク。
構造化されたエビデンス出力を伴う決定論的な CI/CD インタラクションパターン。プッシュして待つ規律（保留中の実行は同時に 1 つだけ）、5 カテゴリの失敗トリアージ（test-failure、lint-failure、build-failure、flaky-test、infra-failure）と分類別の修正戦略、lint/format/infra 失敗の自己修復、flaky テストの検出、そして実行ごとの CI_RESULT JSON エビデンスパケット。コードを CI にプッシュするとき、CI 失敗をトリアージするとき、パイプラインの結果を待つとき、ビルドエラーを分類するとき、flaky テストに対処するとき、品質ゲート用の CI エビデンスを生成するときに使用する。トリガー：「CI failed」「push and wait for CI」「triage build failure」「flaky test」「CI pipeline」「build broke」「CI evidence」。対象外：個別のテストデバッグ（debugging-protocol を使用）、コードレビュー（code-review を使用）。
Spring Boot 4 / Java 17+ のコードを具体的なファイルや diff（プルリクエスト、モジュール、貼り付けられた Java/Spring ソース）とともにレビューするときに使用——移行リスク、アーキテクチャ境界の漏れ、JSpecify の null 安全性のギャップ、セキュリティ上の欠陥、パフォーマンスの劣化、Spring Data の落とし穴を見つけるため。Kotlin のみのコード、非 Spring フレームワーク、コードコンテキストのない一般的なレビュー助言には適さない。
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。