kaggle-automation
作成者 ComposioHQkaggle-automation は、Composio の Rube MCP を通じて Kaggle タスクの自動化を支援するスキルです。現在利用できるツールの検出、Kaggle 接続ステータスの確認、実行前のライブスキーマ参照により、エージェントがより安全に Kaggle ワークフローを進められるようにします。
スコア: 67/100。掲載は可能ですが、充実した Kaggle 自動化プレイブックというより、用途が限定されたユーティリティスキルとして見るのが妥当です。ディレクトリ利用者は、このスキルが Composio/Rube MCP 経由で Kaggle リクエストをルーティングし、接続確認と動的なツール検出を支援することは十分に把握できます。一方で、詳細な組み込みの Kaggle ワークフローではなく、実行時の Rube ツールスキーマに依存する前提で考える必要があります。
- 有効な frontmatter でスキル名、説明、Rube MCP 要件が宣言されており、想定されるトリガーと依存関係が分かりやすく示されています。
- 前提条件とセットアップで、RUBE_SEARCH_TOOLS の確認、RUBE_MANAGE_CONNECTIONS による Kaggle 接続管理、ワークフロー実行前の ACTIVE ステータス確認をエージェントに明示しています。
- Kaggle ツールが変更された場合でもスキーマの推測に頼らずに済むよう、最新のツールスキーマ取得のためにまず RUBE_SEARCH_TOOLS を呼び出すよう繰り返し指示しています。
- SKILL.md 以外にサポートファイル、スクリプト、参考資料、README、インストールコマンドがないため、導入にはユーザー側でスキルのインストール方法と MCP の設定を理解していることが前提になります。
- 内容の多くは汎用的な Rube MCP のツール検出／接続確認パターンです。提示されている情報からは、ツール検索と Kaggle 接続管理以上の、Kaggle 固有の実務手順や具体例はあまり見えてきません。
kaggle-automation skill の概要
kaggle-automation でできること
kaggle-automation は、Rube MCP を使って Composio の Kaggle toolkit 経由で Kaggle 操作を自動化するための Claude skill です。Kaggle tools の検出、認証状態の確認、Kaggle 関連ワークフローの実行を、古い API スキーマを決め打ちせずに行いたいエージェント向けに設計されています。
重要な動作はシンプルです。Kaggle に関する操作を行う前に、エージェントは必ず RUBE_SEARCH_TOOLS を呼び出し、現在利用できる tools、schemas、execution plan、pitfalls を確認する必要があります。
向いているユーザーとワークフロー
kaggle-automation skill が特に役立つのは、すでに Claude と MCP を使っていて、Kaggle の dataset discovery、competition 関連操作、notebook や resource の管理、または Composio の Kaggle toolkit が公開しているその他の操作を、エージェント型ワークフローで実行したい場合です。
単発の Kaggle API スクリプトを書くことよりも、AI エージェントに live schema を確認させたうえで適切な Rube tool を選ばせたいユーザーに向いています。MCP tool schemas は変わる可能性があるため、実行前に discovery を強制する点が、この skill の中心的な価値です。
この skill の違い
一般的な「Kaggle の使い方を手伝って」というプロンプトとは異なり、kaggle-automation は明確な運用パターンを組み込んでいます。
- 実行レイヤーとして Rube MCP を使う。
- ワークフロー実行前に Kaggle connection が有効であることを確認する。
- tool 名や parameters を推測せず、最初に tools を検索する。
- 返された tool schemas と推奨 plans を信頼できる情報源として扱う。
そのため、古い API 例の記憶ではなく、現在の tool metadata に信頼性が左右される Workflow Automation に適しています。
kaggle-automation skill の使い方
kaggle-automation のインストールとセットアップ前提
リポジトリパスから skill をインストールします。
npx skills add ComposioHQ/awesome-claude-skills --skill kaggle-automation
次に、クライアントで Rube MCP を設定するために以下を追加します。
https://rube.app/mcp
上流の skill では、MCP endpoint 自体に API keys は不要とされています。ただし、Rube 経由で有効な Kaggle connection は必要です。まず RUBE_SEARCH_TOOLS が利用可能であることを確認し、その後 toolkit kaggle を指定して RUBE_MANAGE_CONNECTIONS を使います。connection が ACTIVE でない場合は、返された auth link に従って認証し、Kaggle actions を試す前に再確認してください。
skill に渡すべき入力
kaggle-automation を安定して使うには、エージェントに具体的な Kaggle の目的、操作対象、制約を伝えることが重要です。「Kaggle の作業をやって」のような曖昧な依頼では、モデルが用途を推測する必要があり、不要な discovery loop につながる可能性があります。
よりよい入力例:
Use kaggle-automation to find the current Rube MCP Kaggle tools for searching datasets about housing prices. Check that my Kaggle connection is active first. Return the available actions, required fields, and ask before downloading or modifying anything.
さらに強い入力には、次の情報を含めます。
- 対象タイプ: dataset、competition、notebook、file、account action。
- 期待する結果: search、list、upload、download、submit、inspect、summarize。
- 安全上の制限: read-only、submissions 禁止、一定サイズを超える downloads 禁止。
- 出力形式: table、plan、tool call summary、next-step checklist。
エージェント向けの実用ワークフロー
よい kaggle-automation ガイドでは、次の順序を守るべきです。
"Kaggle dataset search"や"Kaggle competition submission"のような use case でRUBE_SEARCH_TOOLSを呼び出す。- 返された session ID を後続の calls で再利用する。
- toolkit
kaggleに対してRUBE_MANAGE_CONNECTIONSを呼び出す。 - inactive の場合は停止し、認証を依頼する。
- 返された tool slug と input schema を正確に使う。
- 破壊的な操作や公開される操作は、確認を取ってから実行する。
この skill は schema drift の影響を特に受けやすい領域です。モデルに fields を推測させないでください。リポジトリでは、Rube が現在の schema と既知の pitfalls を返すため、エージェントはまず tools を検索するよう明示されています。
先に読むべきリポジトリファイル
この skill はコンパクトです。主要なソースは composio-skills/kaggle-automation/SKILL.md です。提供されている tree preview では、helper scripts、references、rules、metadata files は確認できません。そのため、インストール判断に必要な情報の多くは、SKILL.md 内の MCP 前提条件とワークフローパターンを理解することから得られます。
以下の正確な example calls が必要な場合は、ソースを確認してください。
RUBE_SEARCH_TOOLSRUBE_MANAGE_CONNECTIONS- Session handling
- Connection checks before execution
kaggle-automation skill FAQ
kaggle-automation は Kaggle competitions 専用ですか？
いいえ。この skill は competitions だけではなく、Composio の Kaggle toolkit を前提にしています。利用できる actions は、あなたの use case に対して RUBE_SEARCH_TOOLS が返す内容によって決まります。現在の toolkit が公開している範囲に応じて、datasets、competitions、notebooks、その他の Kaggle operations を扱える場合があります。
Claude に Kaggle API を使わせるだけではだめですか？
一般的なプロンプトでも Kaggle の概念は説明できますが、現在の Rube MCP tool schema を自動で検出するわけではありません。kaggle-automation skill が役立つのは、エージェントが Composio/Rube 経由で操作する必要があり、記憶している API 名や parameters に頼るべきではない場合です。
初心者にも使いやすいですか？
MCP server を追加し、OAuth 形式の connection flow を完了できるユーザーにとっては扱いやすい skill です。一方で、ローカルの Python Kaggle API チュートリアルだけを求めている人にはあまり向きません。重要なのは、Rube MCP が実行レイヤーであり、タスク実行前に Kaggle が接続済みでなければならない、という点を理解していることです。
この skill を使わないほうがよいケースは？
スタンドアロンの Kaggle CLI 代替、オフライン scripting、独自の data science modeling logic が必要な場合、kaggle-automation は適していません。また、環境で MCP tools を使えない場合や、対話的な認証ステップなしに決定論的な CI/CD 動作が必要な場合にも向いていません。
kaggle-automation skill を改善する方法
kaggle-automation 向けプロンプトを改善する
品質を最も大きく改善できるのは、tool discovery の use case を狭く具体的に伝えることです。たとえば次のようにする代わりに、
Search Kaggle.
次のように指定します。
Use kaggle-automation to discover current Kaggle tools for finding public datasets related to credit card fraud. Keep the workflow read-only, show required fields before calling any execution tool, and return the top candidate actions with risks.
これにより、skill は適切な search query を選びやすくなり、安全境界を維持し、不要な Kaggle actions を避けられます。
よくある失敗を防ぐ
よくある問題は、たいていセットアップに関係しています。
- Rube MCP が接続されていないため、
RUBE_SEARCH_TOOLSが利用できない。 - Kaggle auth が未完了、または
ACTIVEではない。 - エージェントが tool discovery を省略し、schemas を推測する。
- prompt で、modify、upload、download、submit を許可するかどうかが示されていない。
実行前に connection status と発見された tool schema を報告するようエージェントに求めることで、失敗を減らせます。
初回出力後にワークフローを絞り込む
最初の tool discovery 結果が返ってきたら、返された tool names と fields を使ってワークフローを具体化します。discovery output を短い execution plan に変換するようエージェントに依頼してください。
Based on the discovered Kaggle tools, list the exact tool calls needed, required inputs, optional inputs, and any irreversible actions. Do not execute until I approve.
これにより、kaggle-automation は広い自動化ヘルパーではなく、管理された運用ワークフローとして使えるようになります。
ローカルプロジェクトのガードレールを追加する
チームで使う場合は、Kaggle data handling に関する独自ルールと組み合わせてください。download locations、dataset size limits、competition submission approval、credential handling、logging などです。上流の skill は Rube/Kaggle のワークフローパターンを提供しますが、connection が active になった後にエージェントが何をしてよいかは、利用環境側で定義する必要があります。