AIエージェントは高い汎用能力を持つ一方で、あなたの会社の業務ルールやプロジェクト固有の事情は知らない。そのため、実務で使おうとすると「毎回同じ説明をプロンプトで繰り返す」「担当者によって指示の質がばらつく」といった課題に直面する。
この課題を解決する仕組みが「スキル(Agent Skills)」だ。本記事では、スキルの定義、動作の仕組み、MCPとの違い、具体的な活用例、運用のポイントまでを整理する。
スキルとは何か
スキルとは、特定のタスクの手順・判断基準・参照資料などをパッケージ化し、AIエージェントが必要なときに読み込んで使える形にしたものだ。
人間に例えるなら、「新しく入った社員に業務マニュアルを渡す」ようなイメージだ。マニュアル(スキル)を読んだエージェントは、そのタスクの正しい進め方を理解して動けるようになる。人間の新人教育と違うのは、一度スキルを作れば、何体ものエージェントが同時に、一貫した品質で同じ業務を再現できる点だ。
スキルの実体
スキルの実体は、SKILL.mdというMarkdownファイルを中心とした1つのフォルダだ。最小構成はSKILL.md 1つで、必要に応じて参照ドキュメントや実行スクリプトを同梱できる。
invoice-processor/ # スキルの例:請求書処理
├── SKILL.md # 手順と判断基準(必須)
├── references/ # 参照資料(任意)
│ └── validation-rules.md
└── scripts/ # 補助スクリプト(任意)
└── extract_data.py
SKILL.mdの冒頭には、スキル名(name)と「いつ使うか」を示す説明文(description)をメタデータとして記述し、本文に具体的な手順やルールを書く。プログラミングの知識がなくても、Markdownが書ければ作成できる。
誕生の経緯とオープンスタンダード化
スキルは、2025年10月にAnthropicがClaude向けの機能として公開したのが始まりだ。同年12月にはオープンスタンダードとして仕様が公開され、Claude CodeだけでなくOpenAI Codex、GitHub Copilot、Cursorなど複数のAIツールが対応した。同じスキルを異なるツール間で使い回せるため、特定のベンダーにロックインされずにチームの業務知識を共有できる。
スキルが動く仕組み──段階的開示
スキルの技術的な特徴は、「段階的開示(progressive disclosure)」と呼ばれる読み込み方式にある。必要なときに必要な情報だけを読み込むことで、LLMのコンテキスト(一度に扱える情報量)を無駄に圧迫しない仕組みだ。
- 発見(Discovery):エージェントの起動時には、各スキルの名前と説明文だけを読み込み、「どんな場面で使えるスキルがあるか」を把握する
- 有効化(Activation):ユーザーのタスクがスキルの説明文に合致すると、そのスキルのSKILL.md本文を読み込む
- 実行(Execution):SKILL.mdの指示に従ってタスクを進め、必要に応じて同梱のスクリプトを実行したり、参照資料を追加で読み込んだりする
長大なプロンプトをあらかじめ全部渡すのではなく、「目次だけ渡しておき、必要な章だけ開かせる」イメージだ。
MCPとの違い──「道具箱」と「マニュアル」
スキルと混同されやすいのが、外部ツール接続の標準規格であるMCP(Model Context Protocol)だ。両者の役割は明確に分かれている。
| 観点 | MCP | スキル |
|---|---|---|
| 役割 | 外部ツール・データへの接続手段を提供 | ツールを正しく使うための手順知識を提供 |
| 例え | 道具箱 | 道具の使い方マニュアル |
| 提供するもの | API・データベース等へのアクセス | 業務ルール・判断基準・手順 |
たとえば、MCPでGitHubへのアクセスをエージェントに与えると、プルリクエストの作成は可能になる。しかし、チーム固有のブランチ命名規則やレビューの観点までは分からない。その「運用ルール」を教えるのがスキルの役割だ。両者は競合ではなく補完関係にあり、組み合わせることで、外部ツールにアクセスしながら組織固有のやり方に沿って動くエージェントが実現する。
具体的な活用例
- 社内ルールの形式知化:コーディング規約、ドキュメントテンプレート、コードレビューの観点などをスキル化し、エージェントの出力品質をチームで統一する
- 定型業務の手順書化:「営業週報の作成」「請求書データの抽出・検証」など、フォーマットや判断基準が決まった業務を再現性高く実行させる
- 専門知識の追加:特定製品のAPI仕様や業界固有の知識を渡し、汎用モデルを疑似的に「専門家」にする
- 属人化の解消:ベテラン担当者の暗黙知(例外時の対応、確認すべきポイント)をスキルとして明文化し、チーム全体で共有する
運用のポイント
スキルは作って終わりではなく、育てていくものだ。実務では次の点が成否を分ける。
- 説明文(description)を具体的に書く:エージェントは説明文を手がかりにスキルを自動選択する。「いつ使うか」に加え「どんな場合は使わないか」まで書くと、誤った選択を防げる。
- 粒度を適切に保つ:細かすぎると運用が複雑になり、粗すぎると再現性が落ちる。頻度が高く影響の大きい業務から、小さくスキル化して検証するのが安全だ。
- バージョン管理と更新責任:スキルはテキストファイルなので、Gitなどで履歴管理し、コードと同様にレビューできる。参照資料の更新とスキルの更新の責任者を決めておかないと、古い手順が残り続ける。
- セキュリティへの配慮:スクリプトの実行を含むスキルは、出所の確認と内容のレビューを行ってから導入する。
まとめ
- スキルとは、業務の手順・判断基準をパッケージ化し、エージェントが必要時に読み込む仕組みである
- 実体はSKILL.mdを中心としたフォルダで、Markdownが書ければ作成できる
- オープンスタンダード化により、複数のAIツールで同じスキルを使い回せる
- MCPが「道具箱」なら、スキルは「使い方マニュアル」。両者は補完関係にある
- 成否は「自社の業務知識をどれだけスキルとして整備・運用できるか」にかかっている
エージェント活用の競争力は、モデルの性能そのものよりも、組織の知識をスキルとして形式知化する取り組みに移りつつある。 まずは頻度が高く手順が明確な業務を1つ選び、小さなスキルから始めてみてほしい。