AnthropicがAgent Skillsを寄付、AIスキルライブラリに共同管理者が誕生

2026年10月22日、AnthropicはAgent SkillsをLinux財団傘下のエージェント人工知能基金であるAAIFに寄付することを発表しました。この移管には、プロジェクト名、ロゴ、GitHub組織、公式ドメインが含まれ、今後は複数の企業からのエンジニアが共同で管理します。

Agent Skillsは、特定の作業の操作方法をAIがタスクを実行する際に読み取れるファイルとして保存します。チームは手順、テンプレート、参考資料、必要なスクリプトを整理してスキルパッケージを作成し、ツールを実行してタスクに応じて関連内容を読み込みます。ユーザーが繰り返し説明する必要があった作業要件が、保存、修正、再利用可能な形式になりました。

AIを利用している多くの人にとって、このことは理解しやすいです：モデルはすでに多くのことを書くことができるが、実際に時間がかかるのはそのやり方を繰り返し修正することです。ファイルはどこに置くべきか、どのバージョンが使用できるか、何を先に確認する必要があるか、同じエラーが次回も発生する理由などです。スキルパッケージはこれらの具体的な経験を残そうとし、今回の寄付はこのフォーマットを誰が管理するのか、異なるプラットフォームがどのように共同で使用するのかという問題にさらに答えました。

▌ 一、作業方法を一つのフォルダーにまとめる

編集チームを想像してみてください。毎週、資料検索、記事執筆、画像の選定、校正を行う必要があります。チームにはすでに固定されたタイトルの習慣、図表のフォントサイズ、資料の検証方法、納品目録があります。毎回これらの要件を会話に書き直すのは、時間がかかるだけでなく、一つ二つの要件を見落とす可能性があります。

チームはこれらをスキルパッケージとして整理できます。パッケージには、AIがこのプロセスをいつ使用すべきか、どの資料を先に読むべきか、作業をどの順序で完了すべきかを示す説明が含まれています。その隣には、レイアウトテンプレート、チェックリスト、ファイル処理用の小プログラムが置かれます。今後同じタスクに直面した際、AIは既存の方法に従って進めることができます。

Agent Skillsの規範では、この核心的な説明はSKILL.mdと呼ばれます。最初にスキル名と用途の説明が含まれ、その後に操作方法が通常の文字で書かれます。さらに資料が必要な場合は、参考ファイル、スクリプト、素材を別に保存し、説明からそれらを指し示すことができます。編集者はプロセスの内容を理解でき、開発者も自動処理部分を追加し続けることができます。

このような組織方法は、チームが暗黙の経験を明確に記述する機会を提供します。例えば、「図表はスマートフォンで読めるようにする」というのはまだ漠然としていますが、最小フォントサイズ、各図の情報量、プレビューサイズ、チェック方法をさらに詳しく書くことで、実行時に一貫した結果を得やすくなります。スキルパッケージが使いやすいかどうかは、これらの経験が操作可能な要件として整理できるかどうかに大きく依存します。

また、タスクの終了条件も保持する必要があります。編集プロセスでは、本文が合意された長さに達し、出典が追跡可能で、画像が挿入されプレビューが完了した後にのみ、校正に入ることができます。これにより、AIは自分の納品が完全であるかどうかを確認でき、ユーザーも同じ基準で受け入れることができ、「見た目上は完了しているが実際には使用できない」というギャップを減らすことができます。

チームは使用中に新しいエラーを発見した場合、同じスキルパッケージに戻って修正できます。次の週に続けて実行する際、改善された方法は依然として存在します。繰り返し発生する業務に対して、この継続的な修正は毎回の臨時のリマインダーよりも効果を蓄積しやすくなります。

スキルには、すでに承認された例を付けることもできます。例えば、レイアウトが整った報告書があり、隣に本文、画像、出典ファイルがそれぞれどの位置に対応するかが記載されています。AIが実行する際には具体的な参照があり、人工審査の際にも出力の偏りがどのステップで発生したかを発見できます。例の中の顧客情報や期限切れの事実は事前に処理する必要があり、再利用可能な方法と構造のみを保持します。

▌ 二、AIはどのように適切なスキルを見つけるか

スキルが増えてくると、別の問題が発生します：毎回のタスクで全ての説明をモデルに渡すと、大量のコンテキストを占有し、無関係な要件が現在の作業を妨げることになります。Agent Skillsは階層的な読み取りのアプローチを採用し、まずAIにスキル名と用途を見せ、タスクにマッチした後に完全な説明を読み込み、必要に応じて関連ファイルをさらに読み込みます。

例えば、ユーザーが「契約書の未解決の修正意見を整理する」とだけ要求した場合、AIは契約書レビューのスキルを特定でき、表紙作成、トラフィック統計、領収書整理の全てのルールを同時に読み込む必要はありません。実際に契約を処理する際に、説明に従って対応するテンプレートと条項リストを開きます。

ここでのマッチングは用途の説明が明確であるかどうかに依存します。「ファイルを処理する」というのは範囲が広すぎるため、「既存の契約の修正意見を整理し、確認待ちリストを生成する」という方が使用シーンを特定しやすくなります。大規模なチームにとって、スキルライブラリの管理作業には、重複スキルの統合、無効なステップの整理、隣接するプロセスの分担方法の説明が含まれます。

参考資料も同様に分割する必要があります。一般的な要件は主説明に置き、長文の法令、顧客テンプレート、技術文書は必要に応じて読み込みます。これにより、モデルが大量の資料の間を行き来する時間を減らし、特定の部分の内容を更新しやすくなり、全体のプロセスを再度コピーする必要がなくなります。

プロセスがスクリプトを実行する必要がある場合、実行環境に相応のツールが備わっているかどうかも確認する必要があります。例えば、あるスキルが表をグラフに変換することを要求する場合、実際の実行には利用可能なデータ処理プログラム、フォント、出力位置が必要です。スキルパッケージは方法を説明し、プラットフォームは実行条件を提供し、両者は使用前に接続する必要があります。

したがって、クロスプラットフォームの移行は、まず小さなグループの実際のタスクからテストを開始するのが最適です。同じスキルが別のAIツールに移行した場合、ファイルパス、利用可能なインターフェース、承認方法、出力形式が変わる可能性があります。これらの違いを記録することで、チームは真に再利用可能なスキルライブラリを徐々に形成できます。

必要に応じて読み込むことで、一般的な方法と詳細な参考資料を分けて管理できます。

▌ 三、今回の寄付は誰がルールを維持するかを変えた

Agent Skillsは元々Anthropicの製品実践から生まれ、2025年10月に発表され、同年12月にオープンスタンダードとして公開されました。この発表によれば、すでに70以上のエージェントプラットフォームがこのフォーマットをサポートしています。この数字は、ベンダーが公表したエコシステムの接続状況を反映しており、実際の使用効果は具体的なタスクに基づいて観察する必要があります。

参加者が増えるにつれて、フォーマットの変更はより多くのチームに影響を与えます。あるフィールドがどのように解釈されるか、新しいバージョンが古いスキルと互換性があるか、プラットフォームが独自の拡張を追加できるかどうかは、企業がすでに蓄積した作業フローに影響を与える可能性があります。プロジェクトがAAIFに移管された後、これらの問題は共同で議論し、維持するための組織的な基盤を得ました。

Anthropicが発表したアレンジメントは、複数の企業のエンジニアが個人として維持に参加し、David Soria ParraとMahesh Muragが主なメンテナーを務めるというものです。スタンダードを使用したり貢献を提出したりするには、まず財団のメンバーになる必要はありません。プロジェクトは、バージョンリリース、正式な提案プロセス、安全ガイドラインなどの今後の方向性も提案しています。

企業ユーザーにとって、バージョン管理は特に重要です。チームによって確認されたスキルは、どのバージョンの規範、どのバージョンのテンプレート、どのツールに依存しているかを説明できるべきです。更新後に問題が発生した場合、以前の正常に機能していたバージョンに戻る方法が必要であり、チャット履歴に頼って旧要件を再構築することは避けるべきです。

プラットフォーム開発者にとって、共同維持は重複設計を減らすのに役立ちます。異なるプラットフォームは同じファイル構造に基づいて読み込み、検証、管理ツールを提供し、各自の製品体験を改善することができます。企業がすでに持っているプロセス資料もより簡単に保持でき、移行コストは主に環境適合と結果検証に集中します。

スタンダードガバナンスの効果は、日常の維持管理に徐々に現れます。問題は誰が受理するのか、変更はどのように議論されるのか、安全上の欠陥はどのように報告されるのか、旧バージョンはどのくらいの期間保持されるのかは、ユーザーが実際に感じることができる内容です。ロードマップが実行されるにつれて、企業は内部スキルの更新頻度や承認方法を調整できます。

AI生成の例

▌ 四、ツールとプロセス整理の役割

エージェントインフラストラクチャについて話すとき、もう一つよく出てくる名前はMCP、すなわちモデルコンテキストプロトコルです。これはAIアプリケーションが外部ツールや資料ソースに接続するのを助けます。Agent Skillsは特定の作業を完了するためのステップと経験を保存するのに適しており、両者は同じタスクで協力して使用できます。

編集作業の例を挙げると、AIはツールを通じて資料庫の中の記事を読み取り、スキルを通じてどの出典を優先するか、どのように検証結果を記録するか、いつ執筆に入るかを理解します。前者はアクセス可能な内容と操作を提供し、後者はタスクの実行方法を整理します。

この分業は顧客サービスにも適用されます。ツールは注文を照会し、物流状況を読み取り、作業指示を作成します。スキルの説明は、異なる問題に直面したときに何を最初に調べるべきか、どのように処理経路を判断するか、どのリクエストが人間の手を必要とするかを示します。企業はシステムインターフェースとサービスルールをそれぞれ更新でき、毎回のプロセス調整をソフトウェア開発にする必要はありません。

法律業務においては、スキルは契約審査の順序、条項の分類、意見の出力形式を保存できます。実行時には、現在の契約、適用法令、顧客のニーズを読み取る必要があります。チームは安定した方法と毎回変わる事実を分けて管理することで、前のプロジェクトの具体的な結論を新しい事案に持ち込むことを避けることができます。

この点は知識の更新にも関係しています。適用日、地域、文書バージョンは、参考資料と一緒に保存されるべきです。政策が変更された場合、維持者は対応する文書を置き換え、どのスキルがそれを参照しているかを確認できます。規制研究や法律サービスチームにとって、単に大量の文書を積み上げるよりも、誤りの拡散を制御しやすくなります。

スキルライブラリには、組織的な用途もあります：新人が熟練した従業員がどのように作業を完了するかを見ることができるようにします。多くのプロセスは過去に個人の経験の中にのみ存在し、引き継ぎ時には口頭で説明するしかありません。スキルを整理するプロセスは、チームが間違いやすい部分、例外的な状況、受け入れ方法を文書化し、人とAIが共同で使用できるように促します。

MCPとAgent Skillsは同じタスクで協力できます。

▌ 五、スキルのインストールは新しい作業依存を導入することも

スキルパッケージには、一般的な説明だけでなく、スクリプト、外部リンク、ツールを呼び出す要求が含まれている可能性があります。一度AIに選ばれると、ファイルの読み取り、データの転送、実際の操作に影響を与える可能性があります。したがって、企業が外部スキルを導入する際には、内容の出所と実行権限を同時に確認する必要があります。

一見、請求書を整理するためのスキルは、全体の文書ディレクトリへのアクセスを要求するかもしれません。報告書を生成するためのスクリプトは、外部サーバーに接続するかもしれません。審査担当者は、これらのアクセスとタスクがどのように関連しているか、範囲を縮小できるか、実行記録がどこに保存されるかを知っておく必要があります。実際に必要なファイルとツールに権限を制限することで、誤操作の影響を低減できます。

OWASPは、プロンプトインジェクションのリスクに関するガイドラインの中で、外部コンテンツがモデルの行動を変更する問題について議論しています。AIがウェブページ、文書、またはその他の資料を読み取る際に、埋め込まれた操作指示に遭遇する可能性があります。これらのコンテンツが信頼できる要求として実行されると、モデルはユーザーが元々指示したタスクから逸脱する可能性があります。

スキルの使用もこのような問題に直面することがあります。チームはスキル自体を確認するだけでなく、実行環境が作業要求と外部資料を区別できるようにする必要があります。支払い、メール送信、製造システムの変更などの操作には、適切な人間によるレビューを設定し、文書やネットワークの権限は実際の実行システムによって制御され、単にテキストの一部に依存して境界を維持することを避けるべきです。

現在の規範におけるallowed-toolsフィールドは依然として実験的な内容としてマークされており、そのサポート方法は特定のプラットフォームに依存します。したがって、企業はスキルの説明に必要なツールを列挙し、プラットフォームの権限設定で実際に利用可能な範囲を確認できます。テスト時にはツールの呼び出し記録を観察し、実行プロセスが設計と一致していることを確認します。

外部スキルを導入する際には、使用許可を個別に確認する必要があります。規範は著者がlicenseフィールドを記入するか、許可ファイルを指し示すことを許可していますが、このフィールドは必須ではありません。チームはコード、テンプレート、およびパッケージ資料がそれぞれどのように使用されることを許可しているかを確認し、ライセンスと対応するバージョンを保存する必要があります。許可に関する説明が欠けている部分については、まず著者に確認してから内部プロセスに組み入れるべきです。

外部スキルの更新も記録を残すべきです。チームは、まず確認済みのバージョンを固定して使用し、定期的に更新内容を評価することができます。特定のスキルが突然ネットワーク接続のアクションを追加したり、新しいプログラムに依存したり、より大きな権限を要求した場合、メンテナはオンライン前に変更を理解する機会を得ることができ、異常が発生した後に追跡する必要はありません。

顧客情報が多い機関では、スキル内のテンプレートやサンプルに機密情報が含まれていないかを確認する必要があります。内部の経験を公開スキルとして整理する際には、具体的な顧客名、契約の一部、身分情報は処理されるべきです。公開プロセスと内部資料はそれぞれ保存でき、プロジェクト全体の誤送信の機会を減らすことができます。

▌ 6. 企業は繰り返し発生する作業を整理することから始めることができます

スキルライブラリは、頻繁で境界が明確で、納品が容易に確認できるタスクから始めることができます。たとえば、週次報告の整理、契約意見のアーカイブ、会議のタスク生成、または固定フォーマットでの文書レビュー用パッケージの準備などです。チームはまず既存のやり方を明確にし、その後AIに数回実行させることで、最初からすべての業務を完全にカバーしようとするよりも問題を発見しやすくなります。

材料を準備する際には、最近の成功した納品から逆算することができます。入力は何か、作業者はどの資料を確認したか、どのステップを完了したか、最後にどのように結果を納品できると判断したかを整理します。実際のプロセスを整理した後、エラーが発生した際の処理方法を補足すれば、スキルには信頼できる出発点が得られます。

テスト材料には一般的な例外も含めるべきです。契約のページが欠けている、出所リンクが無効である、フォームフィールドが不一致である、画像に許可記録がないなどの状況は、納品に直接影響を与えます。チームはAIがギャップを発見し、既存の成果を保持し、次のステップを説明できるかどうかを観察する必要があります。条件が不十分な場合に見かけ上完全な文書を生成し続けるのではなく。

評価は実際の作業量を中心に展開できます：同じタスクを完了するのにどれだけの人間の補足が必要か、どのエラーが繰り返し発生するか、納品文書が完全か、修正後に安定して改善できるか。少数の代表的なタスクと結果を保存すれば、スキルやモデルの更新後に再実行し、新しい組み合わせが依然として業務に適しているかを判断できます。

メンテナンスの責任も明確にする必要があります。誰がステップを修正できるか、誰が法的または業務の根拠を確認するか、誰が新しいバージョンをいつ投入するかを固定的に決める必要があります。複数の部門に関わるスキルは、共同レビューの記録を保持できます。個人の整理のためだけに使用されるスキルは、より軽便な管理方法を採用できます。

チームはまた、簡単な修正記録フォーマットを合意することができます：このラウンドで何が問題だったか、どのステップを修正したか、どのタスクで検証したか。こうすることで、新たに追加された要求の背後にある理由を後に引き継ぐ人が理解できるようになります。長期間使用されていない、他のスキルと重複している、または既に使用されていないツールに依存している内容も、定期的なチェック時に整理し、スキルライブラリが増え続け、実行が遅くなるのを避けることができます。

同じスキルが複数の顧客にサービスを提供する場合、一般的なステップと顧客の好みは別々に保存することが望ましいです。一般的な部分はどのように検証し、納品するかを規定し、顧客部分は名前、フォーマット、および特定の承認要件を記録します。新しいプロジェクトが始まるときは、対応する顧客の資料のみを読み込み、公共プロセスを更新する際にはそれが既存のプロジェクトに与える影響を確認します。このようなアレンジは、方法の一貫性を保つのに役立ち、他の顧客の資料を誤って使用する機会を減らすことができます。

一回のテストが通過した後、メンテナはスキルのバージョン、テンプレートのバージョン、受け入れサンプル、および既知の制限を一緒に保存できます。次回モデルやツールを更新する際には、このサンプルセットを再実行します：文書は完全か、権限は適切か、重要な検証ステップは実行されているか。差異が発生すれば、調整が必要な部分を見つけることができ、日常業務にも戻すことができる安定したバージョンがあります。

スキルのメンテナンスには、少数の実際のタスクを使用して効果を継続的に検証できます。

この記事は法律、政策、業界研究の交流のためのものであり、デジタル金融、ステーブルコイン、デジタル資産および関連する規制の動向について客観的な分析を行うことを目的としており、いかなる形の投資アドバイス、法的意見、税務意見またはその他の専門的なアドバイスを構成するものではなく、いかなる金融商品、デジタル資産または商業プロジェクトの推奨、宣伝または勧誘を構成するものではありません。文中に含まれる規制ルール、市場データおよび機関情報は主に公開資料に基づいており、法律、規制政策、市場環境およびプロジェクトの進展に応じて変更される可能性がありますので、読者は最新の公開情報を基に独自に判断し、所在国または地域の適用法令を遵守してください。著者および発表プラットフォームは、この記事の内容に依存して生じた投資、取引またはその他の商業的決定に対して責任を負いません。