「dr」の検索結果

OpenShellのWindows向けビルドとテストを保守・検証します。x64・ARM64のコンパイルや実行ファイルの生成、未対応ドライバーのエラー確認を扱います。

• Windowsのコンパイル失敗調査
• x64・ARM64の実行ファイル生成
• 未対応ドライバーのエラー確認

MNNのVulkanバックエンドで、CPUとGPUのボトルネックを切り分け、演算子やGPU処理の最適化を進めます。新機能の組み込みと実機での回帰検証も扱います。

• Vulkan推論の遅さを切り分けたいとき
• 指定演算子やshaderを改善したいとき
• cooperative matrixなどを導入したいとき

Appleの設計思想をWebに取り入れ、指に追従するドラッグや慣性のある動きを設計・レビューします。半透明の画面表現、文字組み、動きを抑える設定も扱います。

• 指に追従するドロワーを設計したいとき
• スワイプの勢いを動きに引き継ぎたいとき
• 半透明のレイヤーや文字組みを整えたいとき

技術の仕組みを実物の機械や道具に置き換え、操作できる立体的なSVG図を作るスキル。細かな部品、動き、数値表示を組み合わせ、記事や資料の説明図に仕上げます。

• 記事に技術の説明図を載せたいとき
• アルゴリズムを動く機械で説明
• LPに操作できる図を置きたいとき

UE 5.8版CARLAとAutowareをネイティブROS 2で接続する準備と起動を支援します。通信やセンサーの確認、地図生成、従来型とカメラ型の構成を扱います。

• Autoware対応ビルドの確認
• 車両状態と制御指令の通信確認
• 町ごとのlanelet2・点群地図生成

CARLAのルートファイルに含まれる事故や障害物などのシナリオを、走行エージェントで実行・評価します。ルート構成の確認から、単独・全件実行、結果のJSON出力まで扱います。

• 指定ルートで走行エージェントを試験
• 事故や障害物を含むルートの検索
• Leaderboardの採点なしでシナリオ実行

4輪の骨格を持つFBX車両をCARLAに取り込み、物理・車輪・アニメーションを設定します。Python APIからの生成、走行、操舵まで確認するスキル。

• 独自のバンやトラックを取り込みたいとき
• Python APIから車両を生成したいとき
• 取り込んだ車両の走行不良を調べたいとき

CARLAの自動運転評価環境を、指定したLeaderboardの版に合わせて構築します。関連ソフトの組み合わせと環境変数を整え、読み込みまで確認します。

• 自動運転エージェントの評価環境構築
• スコアの不一致を版の違いから調べたいとき
• Leaderboard 1.0環境の再現

CARLAのネイティブROS 2連携に、新しいメッセージ型を追加します。C++のデータ構造、送受信用の変換処理、型ハッシュ、登録情報とテストを整備します。

• 未対応の標準ROS 2型を追加する
• 独自のcarla_msgsを定義する
• 型ハッシュの警告を調べたいとき

稼働中のCARLAの空間に点・線・矢印・ボックス・文字を重ね、位置や経路を目視で確認するためのスキルです。色や表示時間を指定して、デバッグ用の目印やラベルを描画します。

• 確認したいワールド座標に印を付けたいとき
• 経路や通過点を可視化したいとき
• 対象をボックスとラベルで示したいとき

LLMの文章生成を速めるため、候補を先に作ってまとめて検証する手法を導入します。小型モデルの併用、Medusa、Lookahead Decodingの比較と設定を案内します。

• チャットの応答待ちを短くしたいとき
• コード生成の高速化
• 候補生成用の小型モデルの選定

指定したタグなどの基準以降に取り込まれたPRやコミットを調べ、機能追加や不具合修正などに分類して、リリースノートの下書きと調査範囲の記録を残すスキル。

• 前回のリリースタグ以降の変更収集
• 機能追加や不具合修正の分類
• 破壊的変更とセキュリティ項目の確認

Draft a demand letter from a completed intake, gated on a privilege / FRE 408 / waiver / admission checklist, with a .docx output, post-send checklist, and an offer to create a matter. Use when the user says "draft the demand", "write the [type] letter", or has a finished demand intake ready to turn into a sendable draft.

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。

Draft a brief section in house style, consistent with the case theory — every fact cited, every case checked, every argument tied to the theory. Use when the user says "draft the [section]", "write the statement of facts", "argument section on [issue]", or needs a first draft of a brief section.

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 opening OpenRig fleet terminals into cmux — turning a rig, pod, mission, slice, or saved view into live agent tiles via `rig terminal --provider cmux`, or driving cmux on an agent's request. Same OpenRig view semantics as openrig-herdr (the verbs, honest-partial/degrade, read-only cross-rig, scroll/copy, same-size-only duplicates); cmux is the **best-effort** provider (herdr is the default and the proof-gated one). Prefer openrig-herdr unless cmux is specifically wanted.

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。

Write, reply to, and resolve Google Drive comments on Docs, Sheets, Slides, and Drive files with evidence-backed location context. Use when the user asks to leave comments, review a file with comments, respond to comment threads, or resolve Drive comments.

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。

Scores how completely an implementation fulfills a PRD/spec, case by case, and produces a single comparable final grade. Invoke only when explicitly named (e.g. run spec-driven-eval); do not auto-trigger. Use when benchmarking spec-driven implementations, grading acceptance criteria, evaluating whether a feature was 100% implemented, comparing multiple implementations of the same PRD, or auditing implementation and test coverage (unit and e2e) against product requirements. Do NOT use for planning or building features (use tlc-spec-driven), writing PRDs, or general code review unrelated to a spec.

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。

Creates Architecture Decision Records (ADRs) to document significant architectural choices and their rationale for future team members. Use when the user says "write an ADR", "document this decision", "record why we chose X", "add an architecture decision record", "create an ADR for", or wants to capture the reasoning behind a technical choice so the team understands it later. Do NOT use when the decision hasn't been made yet (use create-rfc instead), for implementation planning (use technical-design-doc-creator), or for general documentation.

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。

Symbolicate the .NET runtime frames in an Android tombstone file. Extracts BuildIds and PC offsets from the native backtrace, downloads debug symbols from the Microsoft symbol server, and runs llvm-symbolizer to produce function names with source file and line numbers. USE FOR triaging a .NET MAUI or Mono Android app crash from a tombstone, resolving native backtrace frames in libmonosgen-2.0.so or libcoreclr.so to .NET runtime source code, or investigating SIGABRT, SIGSEGV, or other native signals originating from the .NET runtime on Android. DO NOT USE FOR pure Java/Kotlin crashes, managed .NET exceptions that are already captured in logcat, or iOS crash logs. INVOKES Symbolicate-Tombstone.ps1 script, llvm-symbolizer, Microsoft symbol server.

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。

Internal — invoked headlessly by `peon create`; humans should run `peon create` instead. Author and render a brand-new PeonPing draft pack — invoked headlessly as: "Use the peon-ping-create-pack skill to draft a pack: name=<n> flavor=<f> vibe=<v> draft_root=<dir>. Follow the skill exactly." Authors all 7 CESP categories honoring the vibe, writes openpeon.json (draft-stamped) and prompts.json, renders every sound via scripts/pack-render.py, and always ends by telling the human to run `peon eval <name>`.

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。

Plan, draft, audit, and publish LinkedIn posts and comments. Use when the user wants to write a viral LinkedIn post, draft a comment or reply on any LinkedIn post URL, audit a draft against 2026 algorithm heuristics, remove AI tells, extract hook formulas from viral posts, or plan a week of content. Powered by the Publora API for publishing. User provides post/comment URLs, skill drafts content, user approves, then publishes.

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。

Classical end-to-end empirical analysis workflow in the traditional Python econometric stack — pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn. **Defaults to economics empirical-paper style** (AER / QJE / AEJ) — every run produces a publication-ready output set with a multi-column regression table (M1→M6 progressive controls/FE) as the centerpiece, plus Table 1 (descriptives), mechanism / heterogeneity / robustness tables, and event-study + coefficient + trend figures. Covers the full 8-step pipeline an applied economist or quantitative social scientist runs on every paper — (1) data cleaning, (2) variable construction & transformation, (3) descriptive statistics & Table 1, (4) statistical diagnostic tests, (5) baseline empirical modeling, (6) robustness battery, (7) further analysis (mechanism, heterogeneity, mediation, moderation), (8) publication-ready tables & figures. **Also covers two parallel domain modes that share the same 8-step scaffolding** — **Mode A — Epidemiology / public health** (target-trial emulation via `zepid` / hand-rolled `pandas`, IPTW + g-formula + TMLE doubly-robust triplet via `zepid` / `econml` / `lifelines`, Mendelian randomization via `pymr` / `mrtool` (or `rpy2` → `MendelianRandomization`/`TwoSampleMR`), KM / AFT / Cox survival via `lifelines`, E-value sensitivity, principal stratification — STROBE / TRIPOD reporting), and **Mode B — ML causal inference** (DML via `econml.dml` / `doubleml`, S/T/X/R/DR meta-learners via `econml.metalearners` / `causalml`, causal forest via `econml.grf` / `causalml`, Dragonnet / TARNet / CEVAE neural causal via `causalml`, BCF via `pymc-bart` / `bcf-py`, matrix completion, CATE distribution + policy tree via `econml.policy` / `policytree-py`, off-policy evaluation, conformal causal via `mapie`, fairness audit via `fairlearn`, DAG learning via `causal-learn` / `cdt` / LLM-assisted). Prescribes which library to reach for at each step, shows the canonical code, and links to deeper `references/` files for variant-specific patterns. Use when the user asks for a **complete empirical analysis** in Python, wants to replicate an applied-economics paper from scratch, needs a reproducible workflow that is NOT opinionated on any single vertical package (contrast with StatsPAI), wants explicit control over every estimator and diagnostic, or asks "how do I write a full empirical pipeline in Python?". Also triggers when the user names a specific classical step in isolation — "winsorize at 1/99%", "run Breusch-Pagan", "build a Table 1 balance table", "do a placebo test", "event study plot", "mediation analysis" — and wants it wired into the broader pipeline. Mode A triggers on "target trial emulation", "IPTW", "TMLE", "Mendelian randomization", "STROBE", "公共健康", "流行病学". Mode B triggers on "DML", "double machine learning", "causal forest", "meta-learner", "Dragonnet", "BCF", "policy tree", "conformal causal", "fairness audit", "因果机器学习".

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。

Read every ADR markdown file in the project's docs/adr/ folder so you have full context on past decisions. Use only when the user explicitly calls it.

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。

Operate and coordinate AI agents in Herdr workspaces in Ghostty. Use when the user mentions Herdr or asks to inspect, message, wait for, or coordinate its agents. Excludes cmux and ordinary terminal sessions.

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。