Anthropicのエンジニアが新しいエージェントの構築をやめた理由：AIスキルの力

Anthropicのエンジニアは最近、社内研究から得られた驚くべき教訓を共有しました。それは、あらゆる個別のタスクに対して新しい自律型エージェントを構築するのをやめたということです。特化型エージェントの軍団を配備する代わりに、彼らは単一の有能なエージェントのためのモジュール式AIスキルの構築へと焦点を移しました。

今日は2026年10月8日です。自律型システムがソフトウェア開発、リサーチ、業務オペレーション全体で本番環境へと導入されるにつれ、マルチエージェントのトレンドは複雑性の壁に直面しています。ライティング、コードレビュー、データ抽出、カスタマーサポート用に個別のエージェントを立ち上げたチームは、本来の業務を進めることよりも連携の不具合への対応に多くの時間を費やしています。AIスキルがこのボトルネックをどのように解決するかを理解することで、自動化ワークフローの設計方法は大きく変わります。

マルチエージェントの複雑性の罠

開発者がエージェントによる自動化を初めて検討する際、自然な発想となるのは分業です。リサーチ用のエージェント、コンテンツ下書き用のエージェント、メール送信用のエージェント、そしてそれらすべてを統括するスーパーバイザーエージェントを作成します。

理論上、特化型エージェントは洗練されているように思えます。しかし実際には、このパターンは深刻な運用の摩擦をもたらします：

• 状態同期のオーバーヘッド：各エージェントは独自の会話履歴、メモリバッファ、プロンプトエンジニアリングの指示を保持しています。エージェント間で状態を確実に受け渡すには、大量のグルーコードとエラーハンドリングが必要です。
• 累積する失敗率：各エージェントの成功率が90パーセントであったとしても、4つのエージェントを連携させると、タスク全体の成功率は66パーセント未満に低下します。
• メンテナンスの疲弊：共有のビジネスルールを1つ更新するだけでも、すべてのエージェントのシステムプロンプトを個別に監査する必要があります。

スマートフォンを思い浮かべてみてください。基盤となるハードウェアはプロセッサ、エージェントループはオペレーティングシステム、そしてスキルはアプリケーションに相当します。スマートフォンで新しい機能が必要になったとき、もう1台スマートフォンを買うのではなく、アプリケーションをインストールします。AIスキルは、まさにこの原則をエージェントアーキテクチャに適用したものです。

AIスキルとは何か？

最も単純に言えば、AIスキルとは指示ファイルを含む構造化ディレクトリであり、通常は skill.md と命名されているか、または標準的なメタデータで定義されています。特定のタスクを完了するために必要なドメイン知識、運用の制約、およびワークフローステップをカプセル化しています。

標準的なスキルファイルには、主に2つのコンポーネントが含まれています：

1. フロントマターのメタデータ：明確な名前と簡潔な説明です。説明は言語モデル向けに特化して書かれており、どのような状況でそのスキルをアクティブ化すべきかを解説します。
2. 手順の指示：作業の実行方法、呼び出すべきツール、生成すべき出力構造を分かりやすい平易な英語で記述した、明確な段階的ガイダンスです。

スキルはプロジェクトやユーザー設定の横にプレーンテキストとして保存されるため、スキルのバージョン管理、レビュー、更新には、通常のコードで使用するのとまったく同じバージョン管理ツールを使用できます。

段階的開示のアーキテクチャ

スキルの背後にある真の技術的ブレークスルーは、次として知られるアーキテクチャパターンです： 段階的開示（プログレッシブ・ディスクロージャー）.

エージェントが毎セッションの開始時に50種類ものスキルの全文をコンテキストウィンドウに読み込んだ場合、ユーザーがクエリを入力する前に何万ものトークンを消費してしまいます。このトークンの肥大化はレイテンシを増加させ、APIコストを押し上げ、無関係な指示によってモデルの注意（アテンション）を散漫にさせます。

段階的開示はこれを明確に解決します：

1. 軽量な検出：起動時、エージェントは利用可能なすべてのスキルの名前と短い説明のみを読み込みます。このサマリーが消費するコンテキストウィンドウはごくわずかです。
2. 意図のマッチング：ユーザーがリクエストを送信すると、エージェントはスキルカタログに照らし合わせてプロンプトを評価します。
3. オンデマンドのアクティベーション：スキルがリクエストに一致した場合にのみ、エージェントは完全な skill.md ファイルをアクティブメモリに読み込み、詳細な手順を正確に実行します。

特定のツールが必要になるまでツールボックスは閉じたままであるため、エージェントの高速性、正確性、費用対効果が維持されます。

AIスキルを段階的に構築する方法

AIスキルの作成には、複雑なPythonオーケストレーションを書いたり、分散キューを管理したりする必要はありません。本番環境に対応したスキルを構築するには、直接手作業で作成する方法から自動的なワークフローのキャプチャまで、主に3つの方法があります。

ステップ1：スキル構造を手動で作成する

スキルを手書きすることは、その内部メカニズムを理解するための最良の方法です。境界条件、トリガールール、および運用のワークフローを直接定義します。

スキルのフォルダを作成し、 skill.md ファイルを記述します：

---
name: youtube-researcher
description: Identifies viral content themes and outlier videos in a specified niche. Use when asked to find YouTube trends, viral topics, or video ideas.
---

### Workflow Instructions
1. Search the target niche on the video database.
2. Filter for uploads published within the last 30 days.
3. Identify videos with an outlier multiplier of at least 2x average channel views.
4. Group the top results into distinct thematic patterns.
5. Provide actionable title structures based on the top performers.

この構成では、説明部分が、エージェントが意図の分類中に妥当性を判断するために使用する正確なセマンティックアンカーを提供します。

ステップ2：エージェント支援による対話型の生成を利用する

最も実用的な日常のアプローチは、エージェントにインタビューをさせてスキルを生成することです。ドキュメントを一から作成するのではなく、会話の中で手作業の手順を説明し、エージェントが構造化された明確化のための質問を投げかけます。

焦点を絞ったプロンプトを使用して、このワークフローを開始できます：

I want to turn my repetitive task into a reusable AI skill. Ask me detailed questions one by one about my inputs, edge cases, tool dependencies, and desired output formats until you have enough information to write a comprehensive skill.md file.

エージェントは以下を体系的に明確化します：

• どのようなAPIやコマンドラインツールが必要か。
• 予期しないエラーや空の検索結果をどのように処理すべきか。
• 最終的な成果物が従うべきフォーマットスタイルやスキーマは何か。

対話が終了すると、エージェントは回答をコンパイルし、デプロイ可能な完成したスキルファイルを作成します。

ステップ3：手動ワークフローを記録して自動化する

3つ目の方法は、画面録画とブラウザ自動化を活用することです。データ入力、ポータルサイトの操作、ファイル処理など、言葉で説明するのが難しいタスクについては、自身がタスクを実行している様子を録画します。

エージェントは一連のユーザーアクションを分析します：

• どのディレクトリが開かれたかを特定する。
• 生成されたファイルに使用されている命名規則を抽出する。
• 企業のWebフォーム間でコピーされた正確なパラメータを追跡する。

エージェントは、観察されたこれらのインタラクションを決定論的なシェルコマンドと検証ステップに変換し、実際の運用ルーチンを忠実に再現したスキルを作成します。

コミュニティスキルの発見、共有、およびセキュリティ確保

最新のAIスキルエコシステムはオープン標準を使用しているため、単一のスキルフォルダをClaude、Cursor、Hermes、カスタムエージェントランタイムなど、複数のエージェントプラットフォーム間で共有できます。

GitHub上のコミュニティリポジトリやキュレーションされたスキルマーケットプレイスでは、APIドキュメントの生成、プルリクエストの監査、クラウドインフラストラクチャの検査など、一般的なエンジニアリングタスク向けの事前構築済みスキルが提供されています。

ただし、サードパーティ製スキルを取り入れる際には、セキュリティ上の責任が伴います：

• スクリプト実行のリスク：スキルはローカルのシェルコマンドを呼び出したり、ネットワーク依存関係を取得したり、ローカルの設定ファイルを読み取ったりすることができます。
• 悪意のあるプロンプトインジェクション：不適切に構築されたスキルや敵対的なスキルは、環境変数やプライベートAPIキーを不正に外部流出させようとする可能性があります。
• 必須の監査：ダウンロードしたスキルをアクティブ化する前に、テキストを完全に検査するか、不審なネットワーク呼び出し、クレデンシャルへのアクセス、シェル置換がないかスキルファイルをスキャンするようローカルアシスタントに指示してください。

結論

マルチエージェントパラダイムはAIの自律性に向けた直感的な第一歩でしたが、モジュール式スキルははるかに信頼性の高いエンジニアリングの基盤を提供します。機能を再利用可能なテキストベースの指示に集約し、段階的開示を通じてそれらを読み込むことで、開発者はアーキテクチャの複雑さを増大させることなく、時間の経過とともに機能を拡張できる、耐障害性に優れ費用対効果の高いアシスタントを構築できます。

メリット

• 複数の脆いサブエージェントではなく、単一のコアエージェントにシステムのメンテナンスを集約します。
• 段階的開示とオンデマンド読み込みにより、コンテキストウィンドウの消費を最小限に抑えます。
• 手順をプレーンなMarkdownテキストとして保存することで、バージョン管理とピアレビューを簡素化します。
• 最新のエージェント環境全体で、シームレスなクロスプラットフォームのスキルのポータビリティを実現します。
• エージェント間の不要なやり取りを排除することで、運用のAPIコストとレイテンシを削減します。

デメリット

• 複雑なマルチステップの推論には、スキルファイル内での慎重な指示エンジニアリングが依然として必要です。
• スキルの説明が不適切に定義されていると、誤検出によるアクティベーションやトリガーの取りこぼしが発生する可能性があります。
• サードパーティ製のスキルは、監査なしで実行可能スクリプトが含まれている場合、潜在的なセキュリティリスクをもたらします。
• 単一のプロンプトが複数の重複するスキルを同時にトリガーした場合、モノリシックなエージェントループがうまく機能しないことがあります。

注意

本記事は教育目的のみを意図したものです。手順、コードサンプル、プレースホルダーの設定は、ご自身の特定の環境やセキュリティポリシーに合わせて調整する必要があります。本番データや機密クレデンシャルにアクセスできるシステムにデプロイする前に、サードパーティ製AIスキルを必ず検査および監査してください。

よくある質問

• なぜエンジニアはマルチエージェントシステムから移行しつつあるのですか？ — モジュール式スキルを備えた単一エージェントと比較して、マルチエージェントシステムは多くの場合、高い連携オーバーヘッド、累積する失敗率、および困難な状態管理をもたらすためです。
• AIスキルとは何ですか？ — AIスキルとは、通常はMarkdownファイル内の指示を含む構造化フォルダであり、特定のタスクをいつどのように実行するかをエージェントに教えるものです。
• AIエージェントにおける段階的開示（プログレッシブ・ディスクロージャー）とは何ですか？ — 段階的開示とは、エージェントが最初はスキルの名前と説明のみを読み込み、タスクが一致したときにのみ完全な指示を読み込むデザインパターンです。
• エージェントは使用すべきスキルをどのように認識するのですか？ — エージェントはユーザープロンプトをスキルカタログ内のセマンティックな説明と比較して、関連するツールを選択します。
• AIスキルはコードを実行できますか？ — はい、エージェントに付与された権限に応じて、シェルコマンド、コマンドラインスクリプト、または外部APIを呼び出す指示をスキルに含めることができます。
• コミュニティスキルをインストールしても安全ですか？ — コミュニティスキルは、検証されていない場合、不正なスクリプトを実行したり機密ファイルにアクセスしたりする可能性があるため、使用前に必ず監査する必要があります。
• AIスキルは異なるAIツール間でも機能しますか？ — はい、オープンなスキル仕様により、互換性のあるMarkdownスキルをClaude、Cursor、Antigravity、およびその他の最新エージェントフレームワーク間で機能させることができます。

タグ

#aiagents #anthropic #softwareengineering #promptengineering #automation #artificialintelligence #developers #aiarchitecture #llm #techguide