新着スキル

design-taste-frontend は、ランディングページ、ポートフォリオ、編集系ページ、リデザイン向けのアンチスロップなフロントエンド skill です。依頼内容を読み取り、適切なビジュアルの方向性を推測し、テンプレート感ではなく意図のある интерфェースを仕上げるのに役立ちます。デザインのセンス、階層設計、ブランドとの整合性が重要な Frontend Development に最適です。

design-taste-frontend-v1 は、高い裁量で進めるフロントエンド作業向けに最初に用意された taste-skill で、厳密な後方互換性のためにそのまま保存されています。React/Next.js を前提にした UI コード生成を支援し、より明確な taste の判断、依存関係の確認、実務的なガードレールを提供します。v2 の実験的なリライトではなく、旧来の挙動が必要なときにこの design-taste-frontend-v1 スキルを使ってください。

create-skill-test は、dotnet/skills のエージェント向けスキル用に `eval.yaml` のテストファイルを作成するためのスキャフォールドを提供します。スキルテストの作成、シナリオやフィクスチャ、アサーション、ルーブリックの定義に使え、評価設計における過学習の抑制にも役立ちます。既存テストの実行、validator エラーのデバッグ、`SKILL.md` ファイルの作成には向きません。

create-skill は、dotnet/skills スタイルで新しいエージェントスキルを作成するためのスキャフォールド生成ツールです。適切なスキルフォルダを作成し、frontmatter 付きの SKILL.md を生成し、Skill Scaffolding のリポジトリ規約に沿って進めるのに役立ちます。既存スキルの編集よりも、新規スキル作成に向いています。

create-custom-agent は、ツール、指示、受け渡しを備えた特化型 AI ペルソナ用の VS Code カスタム エージェント ファイル（.agent.md）を作成するのに役立ちます。新しいエージェントのひな形作成、ツール制限の設定、Skill Authoring 向けのエージェント間ワークフローの定義に使えます。

write は、中国語または英語の文章を、意味を保ったまま自然で明瞭、かつ AI っぽさの少ない表現に書き換えるための編集 skill です。下書き、ドキュメント、リリースノート、ローンチ文、SNS 投稿、Technical Writing の整文に向いています。ゼロからアイデアを出す用途ではなく、すでにある文章を、より締まりのある読者目線の文章に整えたいときに使います。

think は、ざっくりしたアイデアを、コーディング前に承認済みの決定完了プランへ落とし込むための意思決定支援スキルです。機能設計、アーキテクチャ選定、トレードオフ分析、そして「やるべきか？」を判断したい場面で使います。目的は実装ではなく判断であり、repo-first のワークフローにおける think の Decision Support、think guide、think usage のニーズに合っています。

readスキルは、URLやPDFを読みやすいMarkdownに変換して取得し、閲覧、引用、出典明記、後続処理に使えるようにします。課金壁のあるページ、JavaScript主体のサイト、X/Twitter、GitHubファイル、中国系プラットフォーム、そして分析前に信頼できるソース本文が必要なWorkflow Automationの流れに向けて設計されています。コメントではなくソースそのものを取り込みたいときに、readガイドを使ってください。

Learnは、なじみのないトピック、ソースの束、収集メモを、筋の通った公開可能なアウトプットにまとめるリサーチスキルです。深掘り、ソース収集、解説、構造化された統合に向いており、Webリサーチや複数ソースを扱う作業で力を発揮します。素早い検索ではなく、多数の入力から信頼できる1本の参照資料を作りたいときに最適です。

hunt は、修正に着手する前に必ず根本原因を考えるよう促す、デバッグ優先の skill です。エラー、クラッシュ、リグレッション、テスト失敗、キャッシュの古さに起因する不具合、スクリーンショットのバグ、「以前は動いていたのに」起きる障害に使えます。検証可能な仮説を立て、証拠を集め、勘に頼るのを避けるのに役立ちます。コードレビューや新機能向けではありません。

health は、Codex、Claude Code、Pi、エージェント指示、hooks/MCP、検証面、AI保守性を対象に、予算を意識した Agent Health 監査を実行します。エージェントが指示を無視する、検証を見落とす、あるいは保守しづらい挙動にずれていく理由を確認したいときに使うスキルです。Security Audit のワークフローでは特に有効ですが、コードのデバッグや PR レビューには向きません。

design スキルは、あいまいな UI 要件を、ページ、コンポーネント、ダッシュボード、スクリーンショットベースの仕上げに対応する本番品質のビジュアル出力へと変えるのに役立ちます。見た目が悪い、わかりにくい、整合性がない、またはビジュアルとしておかしいと感じるときや、バックエンドロジックやデータパイプラインではなく UI Design のためのデザインが必要なときに使います。インストール、使い方、ガードレール、より良い美的判断に関する指針も含まれています。

check skill は、コード差分、PR、issue キュー、リリース準備状況、コミット、push、公開、プロジェクト監査をレビューする skill です。merge や release の前に、dirty な作業ツリーや未追跡ファイルに対する安全ゲート付きで、Code Review を дисциплинированно に確認したいときに使います。アイデア出し、根本原因のデバッグ、文章レビューには向きません。

treatment-plans skill は、簡潔で臨床家向けの医療治療計画を LaTeX/PDF でそのまま使える形式にまとめるのに役立ちます。一般内科、リハビリテーション、メンタルヘルス、慢性疾患、周術期ケア、疼痛管理をカバーし、SMART 目標、エビデンスに基づく介入、最小限の引用、コンプライアンスに配慮した書式に対応します。Technical Writing の treatment-plans や、構造化されたケア文書作成に適しています。

transformersスキルは、Hugging Face Transformersを使ったモデルの読み込み、推論、トークナイゼーション、ファインチューニングを支援します。テキスト、画像、音声、マルチモーダルの各ワークフローで使える実践的なtransformersガイドとして、素早いベースライン構築からカスタム学習までをわかりやすく整理しています。

torchdrug は、分子およびタンパク質の機械学習に特化した PyTorch ネイティブのツールキットです。torchdrug skill を使えば、グラフニューラルネットワーク、タンパク質モデリング、知識グラフ推論、分子生成、逆合成に向けて、タスク、データセット、モジュール型モデルを見極められます。用意されたデモを見るだけでなく、カスタムモデル開発と再現性の高い設定を重視する場合に最適です。

PyTorch Geometric のグラフニューラルネットワーク向け torch-geometric スキルガイドです。torch-geometric のインストール支援、torch-geometric の使い方、グラフ分類、ノード分類、リンク予測、異種グラフ、カスタム MessagePassing レイヤー、Machine Learning ワークフローでの GNN のスケーリングに役立ちます。

sympyスキルを使って、Pythonでの厳密なシンボリック計算を行えます。代数、微積分、行列、物理式、数論、幾何、コード生成まで幅広く対応。式を厳密に保ち、適切なSymPyモジュールを選び、浮動小数点中心の誤りを避けるのに役立ちます。シンボリックなワークフローやData Analysisでのsympy活用を実践的に学びたい人に最適です。

statsmodelsスキルは、Pythonでのデータ分析において、統計モデル、推定、診断が必要なときにstatsmodelsを使いこなすのを助けます。OLS、GLM、離散型アウトカム、時系列、混合モデルまで対応し、係数表、p値、信頼区間、仮定チェックも扱えます。計量経済学、予測、説明責任のあるレポーティングに、このstatsmodelsガイドを活用してください。

statistical-analysis スキルは、Data Analysis における検定の選定・実行・報告を支援します。前提条件、効果量、検出力、APA スタイルの結果表記まで含め、根拠ある分析を進めやすくします。学術研究、実験、観察研究などで、特定モデルのコーディングよりも検定選択と明確な報告が重要な場面に向いています。

Machine Learningワークフロー向けの stable-baselines3 スキルガイドです。RLエージェントの学習、Gymnasium環境の接続、PPO・SAC・DQN・TD3・DDPG・A2C の選択を、迷いを減らしながら進められます。標準的な単一エージェント強化学習、素早いプロトタイピング、実践的な stable-baselines3 の活用に最適です。

simpy は、プロセスベースの離散事象シミュレーションを行うための Python フレームワークです。この simpy skill は、待ち行列、リソース、時間ベースのイベントをモデル化したいときに役立ちます。製造、サービス運用、物流、ネットワーク、そして待ち時間・稼働率・スループット・ボトルネックの把握が必要な simpy for Data Analysis に最適です。

モデルの解釈性と説明可能AIのための shap スキルです。予測の理解、特徴量の寄与度の算出、SHAPプロットの選択、モデル挙動のデバッグに使えます。ツリー、線形、深層学習、ブラックボックスモデルを対象に、データ分析の文脈で活用できます。

Seabornは、pandasと相性のよい入力と強力なデフォルト設定を備えた、Python向け統計可視化のためのseabornスキルです。分布、関係性、カテゴリ比較、箱ひげ図、バイオリンプロット、ペアプロット、ヒートマップを素早く探索したいときに使えます。matplotlib上に構築されており、静的でそのまま掲載しやすい図を作成できます。