Explore AI Agent Skills & Claude Prompts
Discover open-source agent skills for Claude Code, Codex, ChatGPT, and any tool that uses SKILL.md.
Enter through keywords, occupations, creators, and GitHub sources to see what kinds of skills are emerging across domains.
Use the same catalog through the API
Connect 381,784 public skills to your own search, analytics, or agent workflow with the REST API.
Querying local SQLite index...
reflection
by mrsekut個人のふりかえりを対話で伴走するコーチスキル。KPT（Keep/Problem/Try）を 「事象評価の4象限（価値×蓋然性）」と「根本的な帰属の誤り」というレンズで再解釈し、 成功を能力に紐付けすぎ／失敗を状況に紐付けすぎる認知バイアスを矯正しながら、 学習の指向性（偶然を実力に変える水平方向、行動を改善する垂直方向）を引き出す。 「ふりかえりたい」「1週間を振り返りたい」「今日を振り返りたい」「KPTやりたい」 「レトロスペクティブしたい」「最近学んだことを整理したい」「反省したい」 「プレモーテムしたい」といった場面で使う。ユーザーが単に出来事を列挙するだけで 終わりそうなとき、ふりかえりが「運・不運の言い訳会」や「自慢の棚卸し」になりそうな ときは積極的にこのスキルを提案すること。
book-30min-essence
by mrsekut書籍の根幹を20〜30分で読める「骨子」として書き出す。章順をほどき、本書の中心主張・支える論点3〜5本を上から順に読める読み物に再構成する。 book-chapter-summary が出力した chapters/ch*.md を素材として前提とする。 ユーザーが「本の骨子を30分で読みたい」「エッセンスをまとめて」「30分で要点を掴みたい」と言ったとき、または書籍の章解説が既にあり全体像をすばやく掴みたい場面で使う。 事前に book-chapter-summary が実行され `chapters/ch01.md, ch02.md, ...` が存在していることを前提とする。
book-chapter-summary
by mrsekut書籍の章ごとの解説を作成する。「要約して」と一発で処理すると要約者が情報を捨てるため、 構造化抽出 → 原文検証 → 構成設計 → 執筆 の2パス読解法で、章ごとの解説を chapters/ch01.md, ch02.md, ... に出力する。 ユーザーが「章ごとにまとめて」「章解説を作って」「本を章ごとに読んで」と言ったとき、 または book-analysis など後段の分析スキルの前段として使う。単体でも便利。
reload
by mrsekut直前の自分の応答を一字一句変えずにそのまま再出力する。ターミナルの画面幅変更などで表示が崩れた時に使う。基本は `/reload` で明示的に呼ばれる。
hypothesis-sharpener
by mrsekut仮説の「質」を鋭くするためのコーチ／添削スキル。ユーザーが立てた仮説を評価し、設問のままになっていないか、 掘り下げ不足ではないか、検証可能か、アクションにつながるか、本質的な分岐になっているかをチェックして改善案を返す。 仮説をまだ持っていない状態からの壁打ちにも対応する。 「この仮説どう？」「仮説を添削して」「仮説を立てたい」「仮説が浅い気がする」「仮説を鋭くしたい」 「課題仮説／ソリューション仮説を考えたい」「事業仮説を磨きたい」「リサーチクエスチョンが弱い」 といった場面で積極的に使うこと。ユーザーが何かを「〜ではないか」「〜だと思う」と語り始めたら、 それを仮説として扱って磨きにかかってよい。`hypothesis-first` がプロセス面（仮説から始めよ）の コーチであるのに対し、こちらは内容面（その仮説、鋭いか？）のコーチ。 対象ドメインはビジネス／プロダクト戦略が中心。
jtbd-lens
by mrsekut課題やソリューションがある程度見えてきたところに、ジョブ理論（Jobs to be Done）のレンズをかぶせて 再整理し、抜けがちな観点（状況／3側面の社会・感情面／無消費を含む競合の広さ／4つの力／ リトル・ハイア／ジョブスペック）を指摘するスキル。ジョブスペック作成の伴走もする。 「ジョブ視点で見直して」「ジョブ理論で再整理」「ジョブスペック作りたい」 「JTBDで」「これ顧客のジョブで言うと？」と言われたら使う。 ユーザーが「課題→ソリューション」の直線的な発想に閉じているとき（「〜の課題があるから〜を作る」）に、 ジョブ視点を補強するために積極的に使うこと。 対象ドメインはプロダクト戦略・新規事業・既存サービスの再定義。 `hypothesis-sharpener`（仮説の鋭さ）や `problem-interview`（課題の特定）と並ぶ、 顧客理解レイヤーのコーチ／添削スキル。
ttr
by mrsekut対象を徹底的に理解する。記事、リポジトリ、本、論文などのコンテンツについて、メンタルモデルの獲得を目指して深い理解に達するまで探索・質問・解説を繰り返す。「徹底的に理解したい」「深掘りしたい」「このリポジトリを理解したい」「この本を読み解きたい」といった場面で使用する。
interview-probe-practice
by mrsekut採用面接での深堀り質問を練習するスキル。AIが求職者ペルソナを演じ、ユーザーが面接官として深堀り質問を練習する。毎ターン質問のフィードバックと改善案を受けられる。「面接練習」「深堀り練習」「面接の質問練習したい」「面談のロープレ」「probing question練習」「面接官トレーニング」「採用面接の練習」「面接力を上げたい」「質問力を鍛えたい」といった場面で積極的に使うこと。面接に関連する練習・トレーニングの話題が出たら、明示的にスキル名を言わなくても使う。
effect-ts
by mrsekutComprehensive guide for Effect-TS, the functional TypeScript library. Use when building Effect applications, especially MCP servers. Covers correct APIs, common misconceptions, and MCP-specific patterns.
Browse Agent Skills by Occupation
23 major groups · 867 SOC occupations
Browse by Category
Explore agent skills organized by their primary use case
Explore the agent skills ecosystem by occupation and creator
SkillMD is not just a keyword search box. It is an open map that organizes public skills by occupation, creator, and repository, helping you see which workflows, judgment criteria, and domain habits people are writing for AI agents.
Then follow creators and GitHub repositories back to the source: compare the skills a team maintains, whether the repo is active, and how the README frames the work before you open, install, or reuse anything.
Use it three ways: learn an unfamiliar field by occupation, study how creators organize skills, then use source context to decide what is worth opening or reusing.
01 Map a field
Browse 23 occupation groups and 867 SOC roles to learn what skills exist in adjacent domains and how they break down real work.
02 Follow creators
Use creator and repository pages to inspect maintained skill collections, recent updates, and source context before trusting a result.
03 Search with sources
Search 1.7M+ collected skills, then use occupation tags, creators, and GitHub source context to decide what is worth opening.
Start with the occupation map, then follow creators and repositories back to real code. SkillMD helps explain why a skill is worth opening, not only what it is named.
Standardizing Agent Capabilities with SKILL.md and Model Context Protocol (MCP)
In the rapidly evolving landscape of artificial intelligence, LLM agents (Large Language Model agents) have transitioned from simple text predictors to autonomous problem solvers. To orchestrate complex, multi-step agentic workflows, developers require a standardized format to specify agent capabilities, prompt instructions, system rules, and database bindings. This is where SKILL.md and the Model Context Protocol (MCP) have emerged as standard developer paradigms. SkillMD serves as the central directory for indexing, exploring, and sharing these critical agent configurations.
Our open-source registry currently tracks over 1.7 million collected SKILL.md configurations and system prompts. By compiling agent configurations from active developers on GitHub, we bridge the gap between prompt engineering research and production execution. Whether you are building agents with Anthropic's Claude Code, OpenAI's GPT-4, Google's Gemini, or local models using Ollama and LlamaIndex, standardized skill definitions ensure your agents behave predictably across different runtime environments.
What is the Model Context Protocol (MCP)?
The Model Context Protocol (MCP) is an open-source standard designed to connect LLMs to data sources, developer tools, and external environments. MCP establishes a bidirectional communication channel between client applications (like Cursor, Claude Desktop, or custom agent systems) and servers hosting data or capabilities. Standardizing instructions via SKILL.md enables LLMs to query databases, read local files, execute terminal commands, and integrate third-party APIs. SkillMD allows you to find ready-to-run MCP servers and prompt instructions for various occupations and technical tasks.
The Structure of a Professional SKILL.md File
A valid SKILL.md configuration is designed to be easily read by humans and parsed by LLMs. It contains precise system instructions, trigger conditions, required parameters, and execution examples. Below is the typical architectural blueprint of a professional agent skill:
- Metadata & Core Scope: Declares the name of the skill, author details, target models, and a description of the capability.
- Triggers & Intent Detection: Details semantic triggers that help the agent decide when to invoke this skill.
- System Prompts: Explicit system-level instructions that direct the agent's behavior, personality, safety guardrails, and formatting preferences.
- Capabilities & Tools: Lists the files, databases, or APIs the agent must access to complete the tasks.
- Few-Shot Examples: Demonstrates real inputs and outputs, helping the model generalize behavior through in-context learning.
Optimizing Agent Workflows for Modern LLMs
Writing effective agent skills requires deep knowledge of prompt engineering. With the release of advanced reasoning models like Claude 3.5 Sonnet, ChatGPT o1, and DeepSeek-V3, prompt templates must focus on structured thinking. Developers are encouraged to use XML tags (e.g., <thought>, <context>, and <rules>) to isolate execution boundaries. Standardized prompts prevent agents from suffering from context drift, ensuring that long-running tasks remain aligned with the initial system parameters.
Exploring by SOC Occupations and Creator Profiles
What makes SkillMD unique is its taxonomy. Instead of simple text search, we parse and organize files according to the Standard Occupational Classification (SOC) system. This means you can discover skills written for Computer and Mathematical roles, Business and Financial operations, Legal, Design, and and Educational Instruction fields. By tracking creator profiles, developers can study how different teams organize their custom instructions, compare version updates, and fork public configs for specialized enterprise use cases.
SkillMD operates as a high-performance index running on a fast Go backend and a highly responsive Astro SSR frontend. All search queries execute in milliseconds, featuring smart debouncing to prevent multiple API requests while keeping user data secure. Join our community of developers to standardize your AI agent instructions and optimize your LLM prompting workflows today.
Frequently Asked Questions
A practical guide to agent skills: what they are, how to inspect them, and how SkillMD helps you explore the ecosystem.