Llm

regex-vs-llm-structured-text は、構造化テキスト抽出で regex と LLM のどちらを使うかを判断するためのスキルです。まずは決定論的なパースから始め、信頼度の低い例外ケースには LLM による検証を追加。文書、フォーム、請求書、データ分析では、より安価で信頼性の高いパイプラインを構築できます。

llm-trading-agent-security は、ウォレット権限を持つ自律型トレーディングエージェントを安全にするための実践ガイドです。プロンプトインジェクション、支出上限、送信前シミュレーション、サーキットブレーカー、MEVを意識した実行、鍵の分離を扱い、Security Audit における金銭損失リスクの低減に役立ちます。

foundation-models-on-device は、iOS 26+ で Apple FoundationModels の機能を構築するためのガイドです。オンデバイスのテキスト生成、@Generable を使ったガイド付き出力、tool calling、snapshot streaming、利用可否チェックまで、プライバシー重視のアプリに必要な要素をまとめています。

cost-aware-llm-pipelineは、モデルルーティング、不変のコスト追跡、リトライ処理、プロンプトキャッシュによって、APIコストを抑えたLLMワークフローの構築を支援します。出力量と品質のトレードオフに明確なルールが必要なバッチ処理、ドキュメントパイプライン、Workflow Automationに適しています。

fact-checker は、主張の検証を構造的に進め、情報源を評価し、確信度と文脈付きで分かりやすい判定を返すプロンプト駆動型スキルです。Shubhamsaboo/awesome-llm-apps から導入すれば、発言、噂、統計、不正確または誤解を招く主張のファクトチェックを、再現しやすいワークフローで進められます。

deep-research は、構造化された Web リサーチ向けの軽量なエージェントスキルです。調査範囲の明確化、複数ソースの収集、信頼性の見極め、出典付きの知見整理までを、1つの SKILL.md ワークフローで進めやすくします。

cso は、エージェント向けの Chief Security Officer 風セキュリティ監査スキルです。Secrets の露出、依存関係とサプライチェーンのリスク、CI/CD のセキュリティ、LLM/AI セキュリティを、OWASP Top 10 と STRIDE を使ってコードベースとワークフローの両面からレビューするのに役立ちます。信頼度ゲート、アクティブ検証、トレンド追跡を備えた構造化された Security Audit レビューに cso を使ってください。

langsmith-fetch は、LangChain と LangGraph エージェント向けのデバッグ skill です。CLI のインストール、LangSmith 認証情報の設定、直近の trace 取得をアシスタントに案内し、trace の根拠に基づいてエラー、ツール呼び出し、メモリ動作、レイテンシ、トークン使用量を分析できるようにします。

humanloop-automation は、Composio Rube MCP を通じて Humanloop ワークフローを自動化するための Claude skill です。ComposioHQ/awesome-claude-skills からインストールし、https://rube.app/mcp を設定して、RUBE_SEARCH_TOOLS を確認します。そのうえで Humanloop を接続し、実行前に最新の tool schemas を検出します。

GroqCloud Automation は、GroqCloud のモデル検出、チャット補完、音声翻訳、TTS 音声選択を `GROQCLOUD_*` ツール経由で扱うための Composio MCP スキルです。

prompt-engineering-patterns は、本番運用を見据えたプロンプト設計に役立つ実践的なスキルです。導入時の前提整理、再利用しやすいテンプレート、few-shot examples、structured outputs、さらに Context Engineering のためのプロンプト最適化ワークフローまで幅広くカバーします。

evaluation-methodologyは、Model EvaluationにおけるPluginEvalの採点方法を解説するスキルです。評価レイヤー、ルーブリック、合成スコア、バッジ閾値に加え、結果の読み解き方や弱い評価軸の改善に役立つ実践的な指針を確認できます。

rag-implementationは、ベクターデータベース、埋め込み、検索パターン、根拠に基づく回答フローを踏まえてRAGシステムを設計するための実践的なスキルです。スタック候補の比較、アーキテクチャ判断の整理、ドキュメントQ&A・ナレッジアシスタント・セマンティック検索向けの導入や活用方針の検討に役立ちます。

similarity-search-patterns は、セマンティック検索や RAG ワークフローに向けて、距離指標、インデックス方式、ハイブリッド検索パターンの選定を支援するスキルです。再現率・レイテンシ・スケールのバランスを踏まえ、プロダクション環境のベクトル検索設計を検討したいときに役立ちます。

hybrid-search-implementation スキルは、RAG や検索システム向けに、ベクトル検索とキーワード検索を組み合わせ、RRF、線形融合、reranking、cascade パターンを実装する方法を示します。

langchain-architecture は、LangChain 1.x と LangGraph アプリケーションを設計するためのガイドです。実装に入る前に、chains、agents、retrieval、memory、stateful orchestration のどのパターンを採用するか整理・判断するのに役立ちます。

llm-evaluation スキルを使うと、LLMアプリ、プロンプト、RAGシステム、モデル変更に対して、指標設計、人手レビュー、ベンチマーク、リグレッションチェックを組み合わせた再現性のある評価計画を設計できます。

embedding-strategies は、セマンティック検索や RAG ワークフロー向けに埋め込みモデルを選定・最適化するためのスキルです。チャンク分割の実践、モデル選定のトレードオフ、多言語コンテンツへの対応、検索評価の進め方まで、実務で役立つ観点をまとめて確認できます。

ai-prompt-engineering-safety-review は、LLMプロンプトを本番導入前、評価時、または顧客向け利用前に見直し、安全性・バイアス・セキュリティ上の弱点・出力品質を監査するためのプロンプトレビュー用スキルです。

agentic-eval は、reflection、rubric ベースの批評、evaluator-optimizer パターンを使って、AI 出力の評価ループをどう構築するかを示す GitHub Copilot スキルです。

develop-ai-functions-example は、vercel/ai の `examples/ai-functions/src/` 配下で実行可能な AI SDK サンプルを新規作成・修正するときに役立つスキルです。適切なカテゴリ選定、リポジトリ規約への準拠、プロバイダ検証・デモ・fixture 向けの最小構成のサンプル作成を進めやすくします。

agent-workflow-designer は、本番向けのマルチエージェントワークフローを計画するためのスキルです。パターン選定、ハンドオフ契約、リトライ、タイムアウト、コンテキスト上限、品質ゲートを整理できます。sequential、parallel、router、orchestrator、evaluator などのフロー設計に加え、scripts/workflow_scaffolder.py でスターター用のひな形を生成する用途に適しています。

prompt-governance は、本番プロンプトをバージョン管理され、レビューされ、テスト済みの資産として扱うための Claude skill です。AI 機能における prompt registries、regression tests、A/B experiments、eval pipelines、release approvals、rollback workflows の設計・運用計画に活用できます。

senior-ml-engineer は、エージェントが production ML システムを計画するための skill です。model deployment、MLOps pipelines、monitoring、drift detection、RAG architecture、LLM integration を扱います。deployment、monitoring、RAG 向けのリファレンスガイドとスタータースクリプトが含まれていますが、本番環境で使う前に各チームの要件に合わせて調整する前提です。