【Skills魔改造】AIエージェントのSkills管理は「階層型フォルダ」に任せる――1つのルーターで増え続ける手順を探し、読み、実行する設計

AIエージェントを使い込むほど、再利用したい手順は増えていきます。
ブログ執筆、コードレビュー、動画制作、調査、画像生成。
うまくいった作業をスキル化するたびに便利になる一方、

「どのスキルを使うべきかを判断するための情報」

も積み上がります。

そこで有効なのが、普段のスキル一覧を

＜ルーター1件に絞り＞

実体を別の階層型アーカイブへ置く設計です。

ルーターは依頼を分類し、必要なフォルダだけを段階的にたどり、最後に該当スキルを読み込みます。

👇私のスキルフォルダにスキルは一つのみ

👇自律的にルータースキルが機能して該当スキルを検索して使用

👇Codexと一緒に魔改造した時のログ

ただし、この方法を理解するには前提を一つ正しておく必要があります。Codexの公式資料によると、スキルはもともと段階的に開示され、最初は名前と説明だけが見え、選ばれた後に`SKILL.md`本文、さらに必要に応じて参照資料やスクリプトが読み込まれます。

Claude Codeも、スキル本文は利用時だけ読み込むと説明しています。
つまり階層型ルーターの主な狙いは、すべての本文を隠すことではなく、常時見える発見用メタデータの母数を抑え、AIの探索経路を明示することです。

この記事では、動画で紹介された発想を、現在の公式仕様と照合しながら実務向けに組み直します。

結論から言えば、数十件を超えて増え続ける個人スキルを複数エージェントで共有したい場合、この設計は強力です。
ただし「置けば必ず高速化する魔法」ではなく、測定、分類、互換性管理まで含めて運用する必要があります。

【関連動画】

いいね・チャンネル登録していただけると嬉しいです🍀

なぜスキルが増えると管理が難しくなるのか

スキルの価値は、成功した仕事を再現可能な手順へ変換できることにあります。毎回同じ説明を貼り付ける代わりに、チェックリスト、参照資料、実行スクリプトを一つのパッケージとして再利用できます。

一方で、エージェントがスキルを自動選択するには、少なくとも「何というスキルがあり、どんな場面で使うか」を知る必要があります。Codexの公式ガイドは、起動時の発見段階で各スキルの名前と説明を使い、選択後に本文を読む仕組みを説明しています。Agent Skills仕様も同じ段階的開示を採用しています。

そのため、スキルが増えたときの問題は三つに分けて考えると分かりやすくなります。

• 発見コスト：名前と説明の一覧が長くなり、常時扱う情報が増える

• 選択コスト：似たスキル同士の境界が曖昧になり、誤選択や未選択が起きる

• 保守コスト：Codex用、Claude Code用などに複製すると、更新漏れや内容のずれが生まれる

動画で語られた「スキルを作るほど消費が増える」という体感は、このうち発見コストと選択コストに対応すると考えるのが自然です。ただし削減量は、各製品の実装、スキル数、説明文の長さ、キャッシュ、タスク内容によって変わります。「300件でも必ず軽い」と数値を固定せず、自分の環境で比較するのが安全です。

ルーター1件と階層型アーカイブの仕組み

この設計では、エージェントが通常発見する場所に「スキル・アーカイブ・ルーター」だけを置きます。個別スキルは通常の発見対象から外したアーカイブへ移し、用途別のフォルダに整理します。

依頼が「技術ブログを書いて」であれば、ルーターは最初に「文章」、次に「ブログ」、最後に「技術解説」という順で候補を絞ります。「短い紹介動画を作って」であれば、「動画」から「短尺」へ進み、映像スタイルや字幕処理に合うスキルを選びます。

重要なのは、ルーター自身に作業方法を詰め込まないことです。ルーターの役割は、次の四つに限定します。

• 依頼の意図と成果物を分類する

• 必要なカテゴリだけを開く

• 候補スキルの適用条件と環境条件を確認する

• 選んだスキルを読み、実行へ引き渡す

この構造は図書館に似ています。入口に全冊を積むのではなく、案内係が分野、棚、資料の順に導きます。AIに自由探索させるだけでなく、「一度に読む範囲」「候補が複数のときの選び方」「適合しなければ戻る条件」をルーターへ書くことで、自律探索を制御できます。

ただし、任意の外部フォルダを自動でスキルとして認識するか、そこから別スキルを起動できるかは製品と実行環境に依存します。まず小さな試験用アーカイブを作り、ルーターが実際にファイルへ到達し、指示を読めるかを確認してください。

AIが迷いにくい階層とREADMEの作り方

フォルダ階層は、人間の趣味的な分類ではなく、依頼から選択までの判断順に合わせます。最初の階層は「文章」「開発」「画像」「動画」「調査」のように成果物で分けると安定しやすく、その下を用途、媒体、スタイル、専門領域で細分化します。

深くしすぎると探索回数が増え、浅すぎると一度に読む候補が増えます。最初は二〜三階層から始め、同じフォルダに候補が増えすぎたときだけ分割するのが現実的です。

各階層には短いREADMEを置き、次の内容だけを記します。

• このフォルダが扱う依頼

• 下位カテゴリの選び分け

• 共通の入力条件と成果物

• 利用できない環境や代替手段

• 迷ったときに上位へ戻る条件

個別スキルは、形式を共通化し、内容を具体化します。「動画を作る」のような広すぎるスキルより、「ノイズ感のあるモノクロ短尺動画を作る」のように、発火条件と完成形が明確な方が選びやすくなります。Agent Skillsの作成ガイドも、核となる指示を簡潔に保ち、詳細は参照ファイルへ分ける構成を勧めています。

分類作業はAIに任せられますが、最終判断まで丸投げしない方が安全です。移動前にバックアップを取り、重複、旧版、環境依存、機密情報、破壊的なスクリプトを点検します。特に「同名だが用途が違うスキル」と「新旧版の併存」は誤選択の原因になります。

実装は小さく始め、検索ログで育てる

最初から全スキルを移動する必要はありません。まず、利用頻度が高く選択条件が明確な五〜十件で試します。

1. 現状を棚卸しする

スキル名、用途、入力、出力、利用環境、依存ツール、最終更新日を確認します。似たものは統合候補、古いものは隔離候補として印を付けます。

2. アーカイブを作る

通常の自動発見対象とは別の場所に、成果物基準のカテゴリを作ります。移動は一括削除ではなく、コピーまたはバージョン管理された状態から始めます。

3. ルーターを作る

ルーターには、アーカイブの場所、探索順、読み込み上限、候補比較、環境確認、失敗時の戻り方を書きます。「必ず何かを選ぶ」のではなく、適合するスキルがなければ通常手順で処理する条件も必要です。

4. 代表タスクで比較する

同じ依頼を、従来構成とルーター構成で試します。確認したいのは、単なる体感だけではありません。

• 適切なスキルを選べたか

• 不要なファイルを何件読んだか

• 完了までの時間と手戻り

• 入力トークンや費用を確認できる場合の差

• 最終成果物の品質

5. ログから階層を直す

誤選択が続くカテゴリは、READMEの境界条件かスキル説明が曖昧です。探索が深すぎる場合は階層を統合し、一つの階層で候補が多すぎる場合は分割します。フォルダ構造は完成品ではなく、検索ログを材料に育てる索引です。

一元管理を成功させるための注意点

一つのアーカイブをCodex、Claude Code、その他のエージェントから読む設計は、更新を一箇所へ集約できる点で魅力的です。しかし「同じファイルを読める」ことと「同じ手順を実行できる」ことは別です。

Claude Codeの公式資料でも、スキルは`SKILL.md`を中心に構成され、必要時に利用されます。ただし、利用可能なツール、権限、コマンド、画像生成、ブラウザ操作、ファイルの保存場所は環境ごとに異なります。共通部分と環境別部分を分けてください。

• 共通部分：目的、適用条件、入力、出力、品質基準、判断手順

• 環境別部分：利用ツール、コマンド、パス、権限、代替手段

• 禁止事項：秘密情報の読み出し、無確認の削除、未検証の外部送信

また、ルーターは強い権限を持つ入口になり得ます。アーカイブ内にあるからといって、すべてを信頼して実行してはいけません。外部から取得したスキルはコードレビューを行い、実行コマンドと参照先を確認し、書き込みや削除を伴う処理には承認条件を設けます。

階層型ルーターが向いているのは、スキルが増え続け、複数環境で共有し、選択ミスや保守の重複が実際に問題になっている場合です。十件程度で困っていないなら、各スキルの説明文を改善するだけで十分かもしれません。公式の段階的開示はすでに本文の遅延読込を担うため、追加の仕組みは、複雑さに見合う効果があるときだけ導入すべきです。

最初の一歩は、全移行ではありません。代表的な五件、二階層、ルーター一件で試し、選択精度と読み込み量を比較することです。うまくいけば、成功した実務を具体的なスキルとして追加し、AIが探しやすい索引を少しずつ育てていけます。次世代のAIエージェントを支えるのは、手順の数そのものではなく、必要な知識へ安全に到達する仕組みです。

【プロフィール】

ワンダー・佐藤源彦（さとう もとひこ）
1977年生まれ
MBBS & AI共創イノベーション主催。
医療系の研究所、心理学の研究所の勤務を経て独立し、現在は生成AI（ChatGPT、Claude、Geminiなど）と心身に関する研究をしている。
主著『かんたんプロンプト』（芸術新聞社）『東洋医学と潜在運動系』（たにぐち書店）、2年間専門誌に連載、論文執筆などの執筆業を行いつつAI共創ライティングを開発中。
心理学・カウンセリング・コーチングをAIに技術転用し、AI共創プロンプトエンジニアリングを開発している。
AIスクール・AI企業研修・AIアプリ開発などを行う。

✅ワンダー佐藤総合リンク
https://linktr.ee/motohiko.sato

✅ワンダー佐藤源彦・著『かんたんプロンプト』（芸術新聞社から刊行）
※プロンプトエンジニアリングの基本から応用、タスク実行までを網羅
https://amzn.asia/d/80zVtv8

✅note記事
https://note.com/mbbs
※ChatGPT・Claude・Gemini・NotebookLM・Perplexity・Genspark・Feloなどの記事あり
※ワンダー佐藤のMyGPTsも公開しています
※メンバーシップはじめました！

✅AI共創イノベーション（AIスクール・AI企業研修・AIアプリ開発のサイト）
https://mbbs-ai.jimdofree.com/

✅Facebook
https://www.facebook.com/motohiko1977
※リクエスト申請前にメッセージください

【AI共創イノベーションおすすめ動画】
https://www.youtube.com/watch?v=IXbKlwHUdbg&list=PLTcSHWqKTOojc8R-brID5q06JrmtiWRTl

サテライトチャンネル
https://www.youtube.com/@mindbody_ai

#skills #AIスキル #エージェントスキル #Skills作り方 #AIエージェント #スキル魔改造 #Codex #ClaudeCode #ChatGPT #Gemini #プロンプトエンジニアリング #自律型AI #ハーネス #ハーネスエンジニアリング