「prompt」の検索結果

Generate optimized prompts for Gemini 2.5 Flash Image (Nano Banana). Use for image generation, crafting photo prompts, art styles, or multi-turn editing workflows with best practices.

日本語の概要は準備中です。原文の説明を表示しています。

当需要为 AI 产品定义核心身份、角色声明和能力边界时调用此 skill。典型场景包括：设计新 AI 产品的 system prompt 首段、为不同场景创建差异化角色（如教学助手 vs 编程代理）、重新定义 AI 与用户的关系框架。 不适用于：纯人格风格调优（应使用 personality-system）、安全规则制定（应使用 safety-guardrails）、工具集成（应使用 tool-specification）。 关键 trigger 信号：产品需要 AI 有明确自我认知、多个角色共享底层能力但身份不同、需要限制 AI 在特定领域内运作、用户会问"你是谁"。

日本語の概要は準備中です。原文の説明を表示しています。

当需要为 AI 系统设计多层安全防线、内容过滤策略和伦理边界时调用此 skill。典型场景包括：设计拒绝策略与升级机制、防御 prompt 注入攻击、实现领域特定安全规则（教育、医疗、金融等）、定义 AI 的价值观锚点。 不适用于：定义工具操作权限（应使用 tool-specification）、定义 AI 身份（persona-design）、调整输出风格（personality-system）。 关键 trigger 信号：AI 涉及敏感话题、需要设计"拒绝回答"策略、存在 prompt 注入风险、特定行业合规要求、需要多层防御而非单一规则。

日本語の概要は準備中です。原文の説明を表示しています。

Threat-model and harden AI agents, RAG systems, assistants, and tool-using workflows against direct, indirect, stored, cross-agent, and multimodal prompt injection. Use when reviewing an agent architecture, isolating untrusted content, constraining tools and egress, protecting secrets, adding injection-focused tests, investigating a suspected injection incident, or documenting residual prompt-injection risk.

日本語の概要は準備中です。原文の説明を表示しています。

Use when designing, refactoring, or debugging Formax system prompt assembly, system-reminder injection, or skills/deferred-tool prompt exposure semantics; mandatory for any change involving FORMAX_DEFERRED_TOOL_EXPOSURE and request-payload parity checks.

日本語の概要は準備中です。原文の説明を表示しています。

Generate visual prototype prompts from SCR- entries for Google Stitch (or equivalent UI generation tool). Triggers on: 'make a prototype', 'visualize screens', 'generate Stitch prompt', 'I need a visual demo', 'prototype the workflow', 'show me what this looks like', 'get this to a demo', 'visual gate'. Consumes SCR- (Screen Flow Definition), PER- (Personas), UJ- (User Journeys), DES- (Design Components). Outputs Stitch prompt blocks per SCR- entry + Feedback Capture Template. No new SoT IDs created — this skill makes existing SCR- entries visual and routes feedback back to them.

日本語の概要は準備中です。原文の説明を表示しています。

Test AI/LLM features that ship in your product. Covers prompt regression testing, response quality evaluation, tool-call validation, hallucination and RAG grounding checks, nondeterministic-output strategies, red-team/safety scans, eval frameworks, and agent-as-target injection (indirect injection via tool output / RAG / scan reports, self-propagating payloads, data exfiltration via an agent) plus a bundled detector for untrusted content. Use when: "test our LLM feature," "prompt regression test," "eval framework," "hallucination test," "RAG grounding," "nondeterministic output," "AI feature testing," "red-team our chatbot," "indirect prompt injection," "agent reading untrusted tool output," "production AI quality." Not for: using AI to generate your own test code — use ai-test-generation. Not for: classifying CI failures with AI — use ai-bug-triage. Not for: EU AI Act / GDPR conformity of an AI feature — use compliance-testing. Not for: canary/flag rollout of an AI feature — use testing-in-production. Related: ai-test-generation, ai-qa-review, api-testing, compliance-testing, security-testing, risk-based-testing, test-data-management.

日本語の概要は準備中です。原文の説明を表示しています。

Implement safety guardrails for AI systems — content filtering, prompt injection detection, output validation, bias mitigation, and responsible AI practices. Use when tasks involve adding safety layers to LLM applications, detecting prompt injection attacks, filtering harmful content, implementing rate limiting for AI APIs, validating LLM outputs against schemas, building moderation pipelines, or ensuring AI systems comply with safety policies.

日本語の概要は準備中です。原文の説明を表示しています。

Expert in Langfuse - the open-source LLM observability platform. Covers tracing, prompt management, evaluation, datasets, and integration with LangChain, LlamaIndex, and OpenAI. Essential for debugging, monitoring, and improving LLM applications in production. Use when "langfuse, llm observability, llm tracing, prompt management, llm evaluation, monitor llm, debug llm, langfuse, observability, tracing, llm-monitoring, evaluation, prompt-management, debugging, analytics" mentioned.

日本語の概要は準備中です。原文の説明を表示しています。

LLM application architecture expert for RAG, prompting, agents, and production AI systemsUse when "rag system, prompt engineering, llm application, ai agent, structured output, chain of thought, multi-agent, context window, hallucination, token optimization, llm, rag, prompting, agents, structured-output, anthropic, openai, langchain, ai-architecture" mentioned.

日本語の概要は準備中です。原文の説明を表示しています。

推特中文圈 AI 自媒体博主 (推特(X) 中文圈 AI 自媒体博主 (从业者视角) — 在 X/推特 用中文做 AI 内容的自媒体博主，重点是**怎么写推文/thread、怎么制作内容**。覆盖: (a) 选题 — AI 模型发布解读 / prompt 技巧 / AI 工具实测 / AI 出海与独立开发(build in public) / 英文一手编译翻译 / 信息差 / AI 资讯快讯 / 深度长推; (b) 文案与内容结构(核心) — 单条推(开头钩子/信息密度/短句断行/配图截图/数据图)、长推与 thread(首条钩子/编号/逻辑链/结尾关注 CTA)、引用锐评(quote tweet)、排版可读性、配图(ray.so/carbon 代码图/产品截图/对比图); (c) 内容制作工作流 — 找信息源(英文一手/arXiv/官方/Reddit/HN)→选题→编译总结加洞察→写推/thread→配图→发布→互动维护; (d) AI 工具用于内容生产 — 英文一手编译总结(GPT/Claude/Kimi)、配图(ray.so/carbon/截图美化)、thread 工具(Typefully/Hypefury)、翻译、排程分析; (e) 平台机制与涨粉 — X 算法时间线(转评赞/互动权重/外链降权)、蹭热点借势、互动与回复、build in public 涨粉、英文区搬运到中文区的信息差红利; (f) 变现(次要) — 广告 / 知识星球 / 社群 / 付费课程 / 咨询 / 导流。学派分歧: 编译搬运(英文一手翻译) vs 原创洞察、快讯资讯 vs 深度长推、锐评玩梗 vs 严肃干货、build in public vs 纯内容、全 AI 自动发 vs 人工精选。代表生态(宝玉/歸藏/向阳乔木/AI 进化论/小互/Gorden Sun 等)。不含: 英文 AI Twitter 圈(聚焦中文圈)、通用 X 增长营销、其他平台、AI 工具技术原理。) Master OS — automated mastery of 推特(X) 中文圈 AI 自媒体博主 (从业者视角) — 在 X/推特 用中文做 AI 内容的自媒体博主，重点是**怎么写推文/thread、怎么制作内容**。覆盖: (a) 选题 — AI 模型发布解读 / prompt 技巧 / AI 工具实测 / AI 出海与独立开发(build in public) / 英文一手编译翻译 / 信息差 / AI 资讯快讯 / 深度长推; (b) 文案与内容结构(核心) — 单条推(开头钩子/信息密度/短句断行/配图截图/数据图)、长推与 thread(首条钩子/编号/逻辑链/结尾关注 CTA)、引用锐评(quote tweet)、排版可读性、配图(ray.so/carbon 代码图/产品截图/对比图); (c) 内容制作工作流 — 找信息源(英文一手/arXiv/官方/Reddit/HN)→选题→编译总结加洞察→写推/thread→配图→发布→互动维护; (d) AI 工具用于内容生产 — 英文一手编译总结(GPT/Claude/Kimi)、配图(ray.so/carbon/截图美化)、thread 工具(Typefully/Hypefury)、翻译、排程分析; (e) 平台机制与涨粉 — X 算法时间线(转评赞/互动权重/外链降权)、蹭热点借势、互动与回复、build in public 涨粉、英文区搬运到中文区的信息差红利; (f) 变现(次要) — 广告 / 知识星球 / 社群 / 付费课程 / 咨询 / 导流。学派分歧: 编译搬运(英文一手翻译) vs 原创洞察、快讯资讯 vs 深度长推、锐评玩梗 vs 严肃干货、build in public vs 纯内容、全 AI 自动发 vs 人工精选。代表生态(宝玉/歸藏/向阳乔木/AI 进化论/小互/Gorden Sun 等)。不含: 英文 AI Twitter 圈(聚焦中文圈)、通用 X 增长营销、其他平台、AI 工具技术原理。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on 推特(X) 中文圈 AI 自媒体博主 (从业者视角) — 在 X/推特 用中文做 AI 内容的自媒体博主，重点是**怎么写推文/thread、怎么制作内容**。覆盖: (a) 选题 — AI 模型发布解读 / prompt 技巧 / AI 工具实测 / AI 出海与独立开发(build in public) / 英文一手编译翻译 / 信息差 / AI 资讯快讯 / 深度长推; (b) 文案与内容结构(核心) — 单条推(开头钩子/信息密度/短句断行/配图截图/数据图)、长推与 thread(首条钩子/编号/逻辑链/结尾关注 CTA)、引用锐评(quote tweet)、排版可读性、配图(ray.so/carbon 代码图/产品截图/对比图); (c) 内容制作工作流 — 找信息源(英文一手/arXiv/官方/Reddit/HN)→选题→编译总结加洞察→写推/thread→配图→发布→互动维护; (d) AI 工具用于内容生产 — 英文一手编译总结(GPT/Claude/Kimi)、配图(ray.so/carbon/截图美化)、thread 工具(Typefully/Hypefury)、翻译、排程分析; (e) 平台机制与涨粉 — X 算法时间线(转评赞/互动权重/外链降权)、蹭热点借势、互动与回复、build in public 涨粉、英文区搬运到中文区的信息差红利; (f) 变现(次要) — 广告 / 知识星球 / 社群 / 付费课程 / 咨询 / 导流。学派分歧: 编译搬运(英文一手翻译) vs 原创洞察、快讯资讯 vs 深度长推、锐评玩梗 vs 严肃干货、build in public vs 纯内容、全 AI 自动发 vs 人工精选。代表生态(宝玉/歸藏/向阳乔木/AI 进化论/小互/Gorden Sun 等)。不含: 英文 AI Twitter 圈(聚焦中文圈)、通用 X 增长营销、其他平台、AI 工具技术原理。 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「推特 ai 博主」「推特中文 ai」「x ai 自媒体」「推特 thread」「推特爆款推文」

日本語の概要は準備中です。原文の説明を表示しています。

小红书 AI 自媒体博主 (小红书 AI 自媒体博主 (从业者视角) — 在小红书做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具测评 / AI 绘画 / AI 教程与 prompt / AI 副业变现 / AI 资讯解读 / AI 效率，按小红书用户(偏年轻女性 + 泛知识)重构选题; (b) 文案与内容结构(核心) — 封面(第一眼/大字报/对比图)、标题(数字/痛点/好奇缺口/关键词前置)、正文(钩子开头/分点/口语化/emoji/利他价值)、标签与 SEO 关键词、CTA 与互动引导、人设 voice; (c) 内容制作工作流 — 选题(对标爆款/找选题)→标题封面→脚本或正文→制作(图文/口播/录屏/数字人)→标签发布→数据复盘迭代; (d) AI 工具用于内容生产 — 文案(豆包/Kimi/DeepSeek/GPT)、生图(即梦/MJ/可图)、口播数字人、剪辑(剪映)、封面(Canva/创可贴)、选题与 SEO(新红/千瓜/灰豚); (e) 平台机制与起号 — 推荐算法(收藏率/互动率/完播/搜索)、薯条投放、违禁词/限流/避坑、起号与涨粉、垂直度; (f) 变现(次要) — 蒲公英广告 / 知识付费 / 引流私域 / AI 工具带货。学派分歧: 图文 vs 短视频、干货教程 vs 测评种草 vs 资讯搬运、真人出镜 vs 数字人/无人起号、原创 vs 搬运洗稿、AI 全自动批量 vs AI 辅助精做。不含: 通用小红书运营(已有 xiaohongshu-ops skill, 本 skill 聚焦 AI 赛道 + 文案/内容生产)、电商带货全流程、其他平台、AI 工具本身的技术原理。) Master OS — automated mastery of 小红书 AI 自媒体博主 (从业者视角) — 在小红书做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具测评 / AI 绘画 / AI 教程与 prompt / AI 副业变现 / AI 资讯解读 / AI 效率，按小红书用户(偏年轻女性 + 泛知识)重构选题; (b) 文案与内容结构(核心) — 封面(第一眼/大字报/对比图)、标题(数字/痛点/好奇缺口/关键词前置)、正文(钩子开头/分点/口语化/emoji/利他价值)、标签与 SEO 关键词、CTA 与互动引导、人设 voice; (c) 内容制作工作流 — 选题(对标爆款/找选题)→标题封面→脚本或正文→制作(图文/口播/录屏/数字人)→标签发布→数据复盘迭代; (d) AI 工具用于内容生产 — 文案(豆包/Kimi/DeepSeek/GPT)、生图(即梦/MJ/可图)、口播数字人、剪辑(剪映)、封面(Canva/创可贴)、选题与 SEO(新红/千瓜/灰豚); (e) 平台机制与起号 — 推荐算法(收藏率/互动率/完播/搜索)、薯条投放、违禁词/限流/避坑、起号与涨粉、垂直度; (f) 变现(次要) — 蒲公英广告 / 知识付费 / 引流私域 / AI 工具带货。学派分歧: 图文 vs 短视频、干货教程 vs 测评种草 vs 资讯搬运、真人出镜 vs 数字人/无人起号、原创 vs 搬运洗稿、AI 全自动批量 vs AI 辅助精做。不含: 通用小红书运营(已有 xiaohongshu-ops skill, 本 skill 聚焦 AI 赛道 + 文案/内容生产)、电商带货全流程、其他平台、AI 工具本身的技术原理。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on 小红书 AI 自媒体博主 (从业者视角) — 在小红书做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具测评 / AI 绘画 / AI 教程与 prompt / AI 副业变现 / AI 资讯解读 / AI 效率，按小红书用户(偏年轻女性 + 泛知识)重构选题; (b) 文案与内容结构(核心) — 封面(第一眼/大字报/对比图)、标题(数字/痛点/好奇缺口/关键词前置)、正文(钩子开头/分点/口语化/emoji/利他价值)、标签与 SEO 关键词、CTA 与互动引导、人设 voice; (c) 内容制作工作流 — 选题(对标爆款/找选题)→标题封面→脚本或正文→制作(图文/口播/录屏/数字人)→标签发布→数据复盘迭代; (d) AI 工具用于内容生产 — 文案(豆包/Kimi/DeepSeek/GPT)、生图(即梦/MJ/可图)、口播数字人、剪辑(剪映)、封面(Canva/创可贴)、选题与 SEO(新红/千瓜/灰豚); (e) 平台机制与起号 — 推荐算法(收藏率/互动率/完播/搜索)、薯条投放、违禁词/限流/避坑、起号与涨粉、垂直度; (f) 变现(次要) — 蒲公英广告 / 知识付费 / 引流私域 / AI 工具带货。学派分歧: 图文 vs 短视频、干货教程 vs 测评种草 vs 资讯搬运、真人出镜 vs 数字人/无人起号、原创 vs 搬运洗稿、AI 全自动批量 vs AI 辅助精做。不含: 通用小红书运营(已有 xiaohongshu-ops skill, 本 skill 聚焦 AI 赛道 + 文案/内容生产)、电商带货全流程、其他平台、AI 工具本身的技术原理。 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「小红书 ai 博主」「小红书 ai 自媒体」「小红书 ai 赛道」「小红书爆款文案」「小红书 ai 教程」

日本語の概要は準備中です。原文の説明を表示しています。

知乎 AI 自媒体博主 (知乎 AI 自媒体博主 (从业者视角) — 在知乎做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具实测 / 大模型解读 / prompt 工程 / AI 副业与变现 / AI 编程 / AI 行业分析 / AI 资讯解读，按知乎用户(偏高学历、理性、求深度、爱较真)重构选题; (b) 文案与内容结构(核心) — 知乎体回答/文章(开头钩子『先说结论/抛反常识/讲故事』、逻辑论证、数据与案例、分点小标题、配图与代码块、结尾升华或金句)、标题(问题型/数字型/反差型/痛点型)、专业感与『讲人话』的平衡、人设 voice、引用与举证(知乎读者吃『有理有据』); (c) 内容制作工作流 — 找问题/选题(热榜/搜索流量词/对标高赞)→搭框架(论点+论据+案例)→写初稿→配图配数据→排版→发布→盐选/付费咨询/带货沉淀; (d) AI 工具用于内容生产 — 找选题与资料(GPT/Claude/Kimi/秘塔)、写作辅助与改写、配图(即梦/MJ)、代码与图表、英文一手编译; (e) 平台机制与涨粉 — 知乎推荐算法(赞同/收藏/想法/盐值/专业徽章/搜索长尾)、热榜与问题流量、好物推荐/知乎带货、盐选专栏、创作者激励、垂直度与权重、避坑(折叠/限流/广告判定); (f) 变现(次要) — 盐选专栏 / 好物推荐带货 / 付费咨询 / 知乎知学堂引流 / 私域 / 商业合作。学派分歧: 长答案深度干货 vs 短平快蹭热榜、专业严肃 vs 故事化通俗、原创 vs 编译搬运洗稿、真人专业人设 vs AI 批量生产、回答优先 vs 文章优先、纯涨粉 vs 直奔盐选变现。不含: 通用知乎运营、电商带货全流程、其他平台(小红书/推特另有 sister skill)、AI 工具本身技术原理。) Master OS — automated mastery of 知乎 AI 自媒体博主 (从业者视角) — 在知乎做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具实测 / 大模型解读 / prompt 工程 / AI 副业与变现 / AI 编程 / AI 行业分析 / AI 资讯解读，按知乎用户(偏高学历、理性、求深度、爱较真)重构选题; (b) 文案与内容结构(核心) — 知乎体回答/文章(开头钩子『先说结论/抛反常识/讲故事』、逻辑论证、数据与案例、分点小标题、配图与代码块、结尾升华或金句)、标题(问题型/数字型/反差型/痛点型)、专业感与『讲人话』的平衡、人设 voice、引用与举证(知乎读者吃『有理有据』); (c) 内容制作工作流 — 找问题/选题(热榜/搜索流量词/对标高赞)→搭框架(论点+论据+案例)→写初稿→配图配数据→排版→发布→盐选/付费咨询/带货沉淀; (d) AI 工具用于内容生产 — 找选题与资料(GPT/Claude/Kimi/秘塔)、写作辅助与改写、配图(即梦/MJ)、代码与图表、英文一手编译; (e) 平台机制与涨粉 — 知乎推荐算法(赞同/收藏/想法/盐值/专业徽章/搜索长尾)、热榜与问题流量、好物推荐/知乎带货、盐选专栏、创作者激励、垂直度与权重、避坑(折叠/限流/广告判定); (f) 变现(次要) — 盐选专栏 / 好物推荐带货 / 付费咨询 / 知乎知学堂引流 / 私域 / 商业合作。学派分歧: 长答案深度干货 vs 短平快蹭热榜、专业严肃 vs 故事化通俗、原创 vs 编译搬运洗稿、真人专业人设 vs AI 批量生产、回答优先 vs 文章优先、纯涨粉 vs 直奔盐选变现。不含: 通用知乎运营、电商带货全流程、其他平台(小红书/推特另有 sister skill)、AI 工具本身技术原理。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on 知乎 AI 自媒体博主 (从业者视角) — 在知乎做『AI 赛道』内容的自媒体博主，重点是**怎么写文案、怎么制作内容**。覆盖: (a) AI 赛道选题 — AI 工具实测 / 大模型解读 / prompt 工程 / AI 副业与变现 / AI 编程 / AI 行业分析 / AI 资讯解读，按知乎用户(偏高学历、理性、求深度、爱较真)重构选题; (b) 文案与内容结构(核心) — 知乎体回答/文章(开头钩子『先说结论/抛反常识/讲故事』、逻辑论证、数据与案例、分点小标题、配图与代码块、结尾升华或金句)、标题(问题型/数字型/反差型/痛点型)、专业感与『讲人话』的平衡、人设 voice、引用与举证(知乎读者吃『有理有据』); (c) 内容制作工作流 — 找问题/选题(热榜/搜索流量词/对标高赞)→搭框架(论点+论据+案例)→写初稿→配图配数据→排版→发布→盐选/付费咨询/带货沉淀; (d) AI 工具用于内容生产 — 找选题与资料(GPT/Claude/Kimi/秘塔)、写作辅助与改写、配图(即梦/MJ)、代码与图表、英文一手编译; (e) 平台机制与涨粉 — 知乎推荐算法(赞同/收藏/想法/盐值/专业徽章/搜索长尾)、热榜与问题流量、好物推荐/知乎带货、盐选专栏、创作者激励、垂直度与权重、避坑(折叠/限流/广告判定); (f) 变现(次要) — 盐选专栏 / 好物推荐带货 / 付费咨询 / 知乎知学堂引流 / 私域 / 商业合作。学派分歧: 长答案深度干货 vs 短平快蹭热榜、专业严肃 vs 故事化通俗、原创 vs 编译搬运洗稿、真人专业人设 vs AI 批量生产、回答优先 vs 文章优先、纯涨粉 vs 直奔盐选变现。不含: 通用知乎运营、电商带货全流程、其他平台(小红书/推特另有 sister skill)、AI 工具本身技术原理。 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「知乎 ai 博主」「知乎 ai 自媒体」「知乎 ai 赛道」「知乎高赞回答」「知乎 ai 文章」

日本語の概要は準備中です。原文の説明を表示しています。

Practical prompt patterns and techniques for effective Claude Code usage. Reference when crafting prompts, planning workflows, or debugging interactions.

日本語の概要は準備中です。原文の説明を表示しています。

FLOW framework integration — evidence-led SEO using the Find → Leverage → Optimize → Win loop. Surfaces stage-specific AI prompts from the FLOW knowledge base (41 prompts, CC BY 4.0). Use when user says "FLOW", "FLOW framework", "seo flow", "evidence-led SEO", "find leverage optimize win", or wants stage-specific SEO prompts.

日本語の概要は準備中です。原文の説明を表示しています。

FLOW framework integration for bloggers. Evidence-led content workflow using the Find, Optimize, Win loop with stage-specific AI prompts from the FLOW knowledge base (30 blog-applicable prompts). Use when user says "FLOW", "FLOW framework", "blog flow", "evidence-led blogging", "find optimize win", or wants stage-specific blog prompts.

日本語の概要は準備中です。原文の説明を表示しています。

Next-action selector for the Suede pack: inspects current repo, terminal, plan, or handoff state read-only and returns one recommended next move plus a short, self-contained copy/paste prompt for it. Use when the user asks 'what's next', 'what should I do next', 'recommend the next move', 'give me the prompt', 'expand prompt', or 'make it granular', especially after a review, audit, plan, or stalled task. NOT FOR: executing the recommended action without the user's separate authorization, or coordinating a multi-lane build across specialists (use suede-agent-teams).

日本語の概要は準備中です。原文の説明を表示しています。

Suede AI MCP release QA, scoped to this pack's own server (mcp/suede-skills-mcp.mjs) and its catalog, install, and docs surface. Runs the full JSON-RPC lifecycle against a live server (initialize, notifications/initialized, ping, tools/list, tools/call, resources/list, resources/read, prompts/list, prompts/get), plus protocol negotiation, closed input and output schemas, tool annotations, structuredContent with text fallbacks, malformed-input probes, clean stdio, catalog-to-folder agreement, and install-path language. Use when the MCP server, mcp/catalog.json, a tool, resource, or prompt definition, or the MCP install docs change, or before publishing an MCP release. A check that did not run against the live server is a FAIL, not a skip. NOT FOR: a generic third-party MCP server, which this skill's hardcoded surface does not describe; fixing or testing the public install path itself (use suede-launch-packaging).

日本語の概要は準備中です。原文の説明を表示しています。

Heuristic security scan of installed skills — prompt-injection phrases, hidden unicode instructions, credential-store access, network-pipe-to-shell and payload-smuggling patterns. Use when the user asks 'are my skills safe', wants to scan skills for prompt injection or malware patterns, or before trusting a newly installed skill. Trigger with '/janitor-security'.

日本語の概要は準備中です。原文の説明を表示しています。

Use when the user wants to turn a static scene, character images, aerial map, drawn path, or route-control image into an immersive first-person FPV AI video prompt, especially Seedance/Kling/Runway/Veo style one-shot videos with numbered stop markers, red-line path control, world-map flythroughs, camera route planning, variable character counts, non-human POVs such as drones, pets, robot vacuums, character references, timed interactions, dialogue, spatial audio, and negative constraints.

日本語の概要は準備中です。原文の説明を表示しています。

Use when you have a finalized brainstorm-beagle spec at `.beagle/concepts/<slug>/spec.md` and need a bite-sized, TDD-driven implementation plan before any code is written. Triggers on: "write a plan", "plan this spec", "turn the spec into a plan", "now plan the implementation", "write-plan". Reads the spec, designs the file structure, decomposes work into 2-5 minute TDD steps with exact paths and commands, self-reviews against the spec, gets user approval, then writes to `.beagle/concepts/<slug>/plan.md` and offers to generate an execution handoff prompt via the subagent-prompt skill. Does NOT brainstorm specs, write code, or execute the plan — produces the plan document (and an optional handoff prompt) only.

日本語の概要は準備中です。原文の説明を表示しています。

Run a Meta-Harness-style optimization loop NATIVELY — automatically search over the scaffolding around a FIXED base model (memory, retrieval, context construction, prompt templates, summarization, tool-selection logic) by proposing candidate variants, scoring each on a cheap deterministic eval, and keeping a Pareto frontier of quality vs cost — using native Agent / Workflow / loop tools instead of a standalone Python harness. Use this whenever the user wants to optimize, evolve, tune, distill, or search over a harness, scaffold, prompt system, memory or retrieval policy, context-assembly code, or summarizer while keeping the model fixed; whenever they mention Meta-Harness, harness optimization, scaffold evolution, automatic prompt/memory optimization, an evolutionary or Pareto search over candidate implementations, or "make the harness/agent better without retraining"; and whenever the gain must come from the code AROUND the model rather than the model weights. Reproduces the Meta-Harness paper's method natively, with no claude_wrapper.py and no metered solver API.

日本語の概要は準備中です。原文の説明を表示しています。

Expert guide for deterministic prompt prefix engineering, KV-cache locking for Gemini 4 Pro / Claude 5.5 / GPT Astra 6, canonical tool sorting, and achieving 90%+ prompt cache hit rates / Panduan ahli rekayasa prefix prompt deterministik, penguncian KV-cache untuk Gemini 4 Pro / Claude 5.5 / GPT Astra 6, pengurutan kanonikal tool, dan pencapaian 90%+ cache hit rate.

日本語の概要は準備中です。原文の説明を表示しています。

Expert guide for defending AI applications against prompt injection, jailbreak attacks, indirect injection via tool outputs, and data exfiltration through tool calls — input sanitization, output filtering, canary token detection, and layered defense architecture / Panduan ahli pertahanan aplikasi AI terhadap prompt injection, serangan jailbreak, injeksi tidak langsung via output tool, dan eksfiltrasi data melalui tool calls — sanitasi input, filtering output, deteksi canary token, dan arsitektur pertahanan berlapis.

日本語の概要は準備中です。原文の説明を表示しています。