Claude Code には経験からの学習機能が標準では備わっていません。このスキルは、すべてのタスクからパターンを抽出して継続的に改善するマルチメモリアーキテクチャを追加します。

権限昇格は複雑で時間のかかるプロセスです。このナレッジベースは、SUIDバイナリ、sudo権限、カーネルエクスプロイトを含むLinux権限昇格ベクトルを特定・悪用するための体系的な方法を提供します。

このスキルは、ReActループを使用した構造化された自律型ペネトレーションテストを提供します。状態を保持し、特殊なセキュリティ知識を適用し、偵察、エクスプロイト、権限昇格を調整し、両方のフラグをキャプチャするまで連携します。

このスキルは、許可されたペネトレーションテスト中の脆弱性の悪用と初期アクセスに関する体系的なガイダンスを提供します。業界標準のツールと方法論を使用して、エクスプロイトの発見、適応、シェルの確立、ユーザーフラグの取得をカバーします。

手動のペネトレーションテストは時間がかかり、複数のドメインにまたがる深い専門知識が必要です。このスキルは、特殊なエージェントにタスクを委譲する戦略的コーディネーターを使用して包括的なテストを自動化し、高レベルの意思決定に集中できるようにします。

開発作業 часто теряется в терминальных сессиях. Chronicle записывает все, что вы делаете, и генерирует AI-резюме, чтобы вы могли найти прошлую работу, создать базу знаний и избежать повторения ошибок.

チームはAI支援による作業セッション後にコンテキストを失うことがよくあります。このスキルはChronicleセッションから構造化されたObsidianノートを作成し、決定事項と変更内容を簡単に見つけられるようにします。

Gemini APIが構成されていないリモートシステム上のChronicleセッションを、ローカルマシンで要約できるようになりました。このワークフローはSSHベースの転送とクリーンアッププロセスを自動化します。

追跡なしでプロジェクト開発を管理すると、コンテキストが失われ、優先順位が不明確になります。このスキルは、Chronicleデータベースツールを使用して構造化されたマイルストーンとロードマップ管理を提供し、進捗の可視化とセッションのリンクを可能にします。

過去の失敗を繰り返すことなく、既に実装した解決策を再発見しましょう。このスキルは Chronicle データベースを検索して、過去の開発セッションから関連するコンテキストを見つけます。ゼロから始めるのではなく、過去の作業を活用して構築できます。

ChronicleはすべてのAIセッションを追跡し、作業履歴を検索可能にします。本ガイドは、AIアシスタントが過去のセッションを活用し、同じミスの再発を避け、実証済みのワークフローに従うための必須指針を提供します。

ツールの設計が不十分だとエージェントは失敗します。このスキルは、本番システムで実証されたパターンに従って、ツールの説明を作成し、機能を統合し、複雑さを軽減するための体系的なアプローチを提供します。

明確な方法論なしにLLMアプリケーションを構築すると、時間の浪費と予算超過につながります。このスキルは、タスクの適合性評価、パイプラインアーキテクチャの設計、効率的な反復開発のための実証済みフレームワークを提供します。

単一のAIエージェントは複雑なタスクを処理する際にコンテキスト制限に達します。このスキルは、調整を維持しながら複数のエージェントに作業を分散し、一般的な障害モードを回避するための実証済みパターンを教えます。

セッション结束时、エージェントはすべての知識を失います。このスキルは、エンティティの知識を保存し、関係を追跡し、セッションをまたいだ時間的クエリを可能にする階層的メモリアーキテクチャのパターンを提供します。

Claude、Codex、およびClaude Code用のAIスキル

テストされていないコードを本番環境にデプロイすると、バグ、ダウンタイム、ユーザーに影響するエラーが発生することがよくあります。このスキルは、デプロイコマンドを実行する前に、ビルドの成功、ローカルサーバーの起動、ブラウザテスト、テストの合格を必須とする検証ワークフローを強制します。

LLMのコンテキストウィンドウはタスクの複雑さを制限し、会話が長くなるにつれてコストが増加します。このスキルは、戦略的な圧縮、観測のマスキング、KVキャッシュの最適化、コンテキストの分割を通じて、実質的な容量を拡張する技術を提供します。

コンテキストウィンドウとアテンション機構の理解は、効果的なAIエージェントを構築する上で不可欠です。このスキルでは、コンテキスト使用の最適化、トークンバジェットの管理、効率的なエージェントアーキテクチャの設計方法を学びます。

LLMエージェントはコンテキストが増えると予測不能に失敗します。このスキルは、 lost-in-middle 効果、ポイズニング、Attention崩壊などのコンテキスト劣化問題を特定し修正するのに役立ちます。これにより、エージェントを大規模に信頼性の高い状態に保つことができます。