AIエージェントのスキルとは？その基本概念から作成方法、再利用可能なワークフローの構築までを徹底解説

AIエージェントのスキル（Agent Skill）とは？

エージェントのスキル（agent skill）とは、再利用可能な 指示（インストラクション）のセット、すなわち、エージェントに特定のタスクを高いクオリティで実行させるための「標準化された手順書」です。これは SKILL.md という単一の Markdown ファイルで構成され、タスクに必要なその他のファイル（参照ドキュメント、テンプレート、実行可能なスクリプトなど）をひとまとめにパッケージ化することができます。

例として、計画や設計を問い詰めるスキルである grill-me を見てみましょう：

---
name: grill-me
description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".
---

Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.

Ask the questions one at a time.

If a question can be answered by exploring the codebase, explore the codebase instead.

SKILL.md ファイルには、少量のメタデータブロックと、指示の本文が含まれています。メタデータにはスキルの名前（name）と説明（description）が記述されており、AI エージェントは起動時にこれを読み込みます。

AIエージェントのスキルはどう機能するか：段階的開示（Progressive Disclosure）

初期状態では、スキルの名前と説明だけがコンテキスト（Context）に読み込まれます。ユーザーの要求がスキルの説明文と一致したときに初めて、指示の本文全体が同じコンテキストに読み込まれます。

実際の開発フローにおいて、この grill-me スキルがどのように使われるかを見てみましょう。

ステップ・バイ・ステップ

1. リクエスト（Request） — ユーザーがエージェントに「私のワークフローの設計を問い詰めて、ストレステストしてほしい（grill me on my workflow design）」と依頼します。
2. 選択用プロンプト（Selection prompt） — ユーザーのリクエストと、利用可能なすべてのスキルの説明文が LLM に送信されます。
3. LLM による選択 — LLM がリクエストと各スキルの説明を比較し、一致するスキルを選択して返します。
4. 確認（Confirmation） — エージェントが提案されたスキルをユーザーに提示し、ユーザーがそれを確認（または却下・調整）します。
5. 指示のロード — エージェントは、確認されたスキルの 完全な 指示（SKILL.md の本文）を取得します。
6. 実行用プロンプト（Execution prompt） — ユーザーのリクエストに、選択されたスキルの具体的な指示を加えたものが LLM に送信されます。
7. レスポンス — LLM が、問い詰めのための最初の質問を出力します。

次に、参照ドキュメントを持つスキルがどのように使われるかを、excalidraw-diagram-skill を例に説明します：

ステップ・バイ・ステップ

1. リクエスト（Request） — ユーザーが「デプロイプロセスのワークフローを描いて（draw the workflow of the deployment process）」と依頼します。
2. 選択用プロンプト — ユーザーのリクエストと、すべてのスキルの説明が LLM に送信されます。
3. LLM による選択 — LLM はリクエストと説明を比較し、一致するスキルを返します。ここでは「ワークフローを描く」が excalidraw-diagram の説明と一致するため、このスキルが選択されます。
4. 確認 — エージェントは提案されたスキルをユーザーに提示し、ユーザーが確認します。
5. 指示のロード — エージェントは、確認されたスキルの指示本文（SKILL.md）と、関連する参照ファイル（excalidraw-diagram の場合はカラーパレット、JSON スキーマ、要素テンプレートなど）をすべて読み込みます。
6. 実行用プロンプト — ユーザーのリクエストに、スキルの指示と参照ファイルを足したプロンプトが LLM に送信されます。モデルは必要な詳細な手法や仕様を把握できます。
7. レスポンス — LLM がアウトプット（.excalidraw の JSON ファイル）を生成し、エージェントがそれをユーザーに返します。

AIエージェントのスキル vs ツール ＆ MCP

スキルは、プロンプト、ツール（Tools）、MCP（Model Context Protocol）を置き換えるものではありません。ツールや MCP インテグレーションは、データベースへの問い合わせや API の呼び出しなど、外部システムへアクセスする「エージェントの腕」を伸ばす役割を持ちます。これに対し、スキルは特定のタスクを完遂するための「エージェントのノウハウ（専門知識）」を深める役割を持ちます。

例えば、ChatGPTとClaudeでNetSuite MCPをセットアップする方法 のような MCP を使えば、エージェントは NetSuite 内のリアルタイムな財務・業務データにアクセスしてユーザーの質問に答えられるようになります。そしてさらに「NetSuite業務レポートスキル」を組み合わせることで、エージェントはそのデータをどのように編集し、どのようなレポートとしてユーザーに提示すべきかという具体的な手順を実行できるようになります。

スキルの活用が特に効果的なシナリオ：

• 複数ステップにわたる複雑なワークフロー
• PDF からのデータ抽出など、ドキュメントの高度な処理
• 組織のコード生成標準に沿った実装

AIエージェントのスキルの作成方法

1. フォルダを作成し、スキルの名前を付けます（例：netsuite-operation-report/）。
2. SKILL.md を作成し、name（名前）、明確な description（説明）、および簡潔な指示本文（200語以内）を記述します。
3. リソースを追加します。タスクに必要な参照ドキュメント、テンプレート、スクリプトなどをフォルダ内に配置します。SKILL.md 自体は短く保ち、詳細は各ファイルにリンクさせます。
4. インストールしてエージェントが発見できるようにします。複数のエージェント間でスキルを効率的に管理する方法については、npx skillsによるAIエージェント用スキルの集中管理 を参照してください。

質の高いスキルを作成するためのコツ：

• 説明文（description）は、人間向けではなく、システムが判別する「トリガー」として機能するように書きます。
• SKILL.md は 200語以内で軽量に保ちます。本文には一般的な手順のみを書き、エッジケースは参照ドキュメントに委ねます。
• 確定的な処理にはスクリプト（コード）を使います。LLM に複雑な算術計算をさせないようにします。
• バージョン管理を行い、Git にコミットします。

おわりに

接続先（接続可能な外部システム）を定義する「ツール」や「MCP」とは異なり、エージェントの「スキル」は どのように仕事を遂行するか（実務の手順） をパッケージ化したものです。これらは競合するものではなく、お互いを補完し合う重要な関係にあります。

「段階的開示（Progressive Disclosure）」の仕組みを活かすことで、必要なときだけ詳細な手順や参照ドキュメント、実行スクリプトをロードできるため、エージェントのコンテキストウィンドウをクリーンで無駄のない状態に維持することができます。