agent skills とは？RAG・MCPとの違い、標準化の背景と企業活用の進め方
AI脆弱性診断
そのAIシステム、従来の診断だけで十分ですか？
外部・内部の弱点に加え、プロンプトインジェクションや過剰な権限などAI固有の攻撃面も診断します。
agent skills とは、AIエージェントに特定業務の進め方を再利用可能な形で教えるための「スキルパッケージ」の形式です。典型的には、手順を書いたSKILL.md、補助スクリプト、参照資料、テンプレートを1つのフォルダへまとめます。RAGが「いま必要な事実・文書を検索する」仕組み、MCPが「外部システムのデータやツールにつなぐ」仕組みだとすれば、Agent Skillsは「どの順序で、何を確認し、どの形式で成果物を出すか」という業務手順を担います。
2026年10月22日、AnthropicはAgent SkillsをLinux Foundation傘下のAgentic AI Foundation（AAIF）へ寄付したと発表しました。発表によれば、標準名・ロゴ・GitHub組織・ドメインが移管対象で、今後はバージョン付きリリース、提案プロセス、スキル作成・導入時のセキュリティガイダンスを整備する方針です。Anthropicの発表
ただし、「Agent Skills対応」と書かれていても、読み込み方、実行可能なスクリプト、利用できるツール、組織の管理機能は製品ごとに異なります。標準化は移植性を高める土台であり、同じスキルがすべてのエージェントで同じ権限・結果・安全性を保証するものではありません。
Agent Skillsで何が変わるのか
プロンプトだけで業務を進める場合、担当者ごとに指示の書き方が変わり、「確認すべき規程を読まない」「出力形式が揃わない」「例外時の扱いが抜ける」といったばらつきが起こりやすくなります。Agent Skillsは、繰り返し使う業務のノウハウを、エージェントが必要時に読み込めるファイル構成へ切り出す考え方です。
現行の仕様では、スキルは少なくともSKILL.mdを含むディレクトリです。SKILL.mdには、スキル名、説明、Markdown形式の手順を置き、必要に応じてscripts/、references/、assets/を追加できます。起動時には名前・説明のメタデータを見せ、必要と判断された場合に本文、さらに必要なら参照ファイルを読む「段階的開示」の構成が推奨されています。Agent Skills Specification
向く仕事
- 問い合わせ内容を確認し、必要情報の不足を返し、起票文を決まった形式で作る
- 月次レポートを作る前に、対象期間・集計条件・異常値・未確定項目を順に確認する
- プルリクエストをレビューするときに、変更範囲、テスト、互換性、セキュリティ観点を一定の順番で点検する
- 契約書レビューで、条項ごとの確認順序、エスカレーション条件、出力フォーマットを揃える
逆に、一度きりの雑談、毎回まったく異なる創造作業、手順自体が合意できていない業務は、最初からSkill化する対象ではありません。まずは人が安定して再現できる手順を選ぶ方が、内容をレビューしやすくなります。
RAG・MCP・Agent Skillsの違い
仕組み | 主な役割 | 中心となるもの | 向く課題 | 単体では解決しないこと |
|---|---|---|---|---|
RAG | 関連情報を検索し、回答・判断の根拠として渡す | 文書、データ、検索結果 | 規程、製品仕様、FAQなど更新される知識への回答 | 作業手順の統一、外部操作の権限設計 |
Agent Skills | 手順・判断基準・テンプレートを再利用する |
| 繰り返す業務フロー、成果物の形式統一 | 最新情報の自動収集、外部システムへの接続 |
MCP | AIアプリケーションと外部データ・ツールを接続する | MCPクライアント、MCPサーバー、ツール | DB照会、社内SaaS連携、検索・計算・更新操作 | 適切な業務判断や、手順そのものの品質保証 |
RAGの原論文は、事前学習済みモデルのパラメトリックな記憶と、検索でアクセスする外部の非パラメトリックな記憶を組み合わせる枠組みを示しています。実務では、社内規程やマニュアルなどを検索し、回答へ根拠として使う設計が代表例です。RAGの対象業務と評価の考え方は、RAGとは？導入すべき業務の判断基準・他方式との違い・評価の進め方も参照してください。RAG原論文
MCPは、AIアプリケーションを外部システムへつなぐオープンソース標準です。公式ドキュメントでは、ローカルファイルやデータベースなどのデータソース、検索・計算などのツール、特化プロンプトを含むワークフローとの接続を対象にしています。API・MCP・A2Aの役割分担は、API・MCP・A2Aの違いとは？AIエージェントを接続する仕組みやポイントを分かりやすく解説で詳しく解説しています。MCP公式ドキュメント
3つを組み合わせるときの整理
たとえば「顧客からの返金依頼を一次整理する」業務では、次のように役割を分けられます。
- RAG：返金規程、商品別の例外条件、最新の案内文を探す
- MCP：注文情報、配送状況、過去の問い合わせ履歴を許可された範囲で参照する
- Skill：本人確認→条件確認→不足情報の質問→下書き作成→人への承認依頼、という手順と停止条件を定義する
これはMojiによる実務上の整理です。SkillsはMCPサーバーやRAGの検索対象にアクセスするための権限そのものではありません。実際に何を読めるか、どのツールを実行できるかは、利用製品の実行環境、接続設定、認証、組織のポリシーで決まります。AIエージェント全体の委任範囲は、AIエージェントとは？生成AI・チャットボット・RPAとの違いと導入判断・実践手順もあわせて確認してください。
なぜ標準化が注目されるのか
Anthropicによれば、Agent Skillsは2025年12月にオープン標準として公開され、2026年10月の発表時点でChatGPT、Cursor、GitHub Copilot、VS Codeを含む70超のエージェントプラットフォームが統合しています。この数字はAnthropicによる発表値であり、各プラットフォームが同じ機能範囲で対応していることを意味しません。Anthropicの発表
企業にとっての利点は、特定のチャット画面に閉じた長文プロンプトを、説明可能なファイル群として管理しやすくなる点です。たとえば、業務チームが手順をレビューし、開発チームが参照データ・ツール連携・テストを実装し、管理者が公開版を承認するという分担を取りやすくなります。
また、OpenAIのAPIドキュメントでは、Skillsを再利用可能な指示と補助ファイルとして説明し、Agent Skillsのオープン標準と互換であると案内しています。標準を使えば移植を検討しやすくなりますが、製品ごとの上限、実行方式、バージョン管理、管理者機能は導入前に個別確認が必要です。OpenAI APIのSkillsドキュメント
日本で使える？料金はかかる？
Agent SkillsはSaaS単体のサービス名ではなく、公開されたファイル形式・仕様です。2026年11月5日時点で、仕様そのものに日本限定の提供地域や利用料金は示されていません。GitHub上の仕様・ドキュメントは公開されており、AnthropicもAAIFへの寄付後にAAIFへの参加なしで標準を利用・貢献できると案内しています。Agent Skills公式リポジトリ
一方、Skillを読み込ませるChatGPT、Claude、IDE、API、実行環境、クラウドストレージ、MCPサーバーには、それぞれの料金、プラン、組織設定、利用地域、利用上限があります。したがって費用を見積もる際は、「Skillsの形式は無料か」ではなく、次の4項目を分けて確認してください。
- Skillを作成・レビュー・配布する仕組みの費用
- エージェントがモデルを呼び出す推論費用
- スクリプト・検索・コンテナ・MCPサーバーを実行する基盤費用
- ログ、監査、評価、人による承認にかかる運用費用
企業で始める6ステップ
以下はMojiによる提案です。いきなり全社共通の「万能Skill」を作るのではなく、失敗時に戻しやすく、手順を説明できる1業務で検証してください。
- 対象業務を1つ選ぶ：毎週または毎月繰り返され、入力・確認・出力がある仕事を選びます。「人が最終送信する報告書の下書き」など、外部への確定操作を含まない対象から始めます。
- 知識・手順・操作に分解する：規程や商品情報はRAG、進め方はSkill、現在値の照会や更新はMCP/APIというように、役割を分けます。
- 手順を先に人間用チェックリスト化する：例外条件、根拠が見つからないときの返し方、エスカレーション先、出力形式を決めます。ここが曖昧なままSkillだけ作っても、ばらつきは残ります。
- Skillを小さく作る：概要は
SKILL.mdに置き、長い規程・表・テンプレートは参照ファイルへ分離します。公式仕様も、メタデータ→本文→必要なリソースの段階的な読み込みを勧めています。Agent Skills Specification - 通常ケースと失敗ケースで評価する：正しい入力だけでなく、情報不足、矛盾、権限なし、根拠文書なし、例外案件を評価セットに含めます。モデル、入力品質、評価指標、許容誤差によって結論は変わるため、単一の成功例では本番可否を決めません。
- 公開・変更・停止を運用に組み込む：誰が変更を承認するか、どの版を使うか、障害時に無効化できるか、実行ログをどこまで残すかを決めます。
最小構成の例
次は、社内の「週次進捗報告の下書き」を作るための構成例です。内容は架空の例であり、そのまま自社規程や実データへ適用するものではありません。
weekly-status-draft/
├── SKILL.md
├── references/
│ ├── reporting-rules.md
│ └── status-template.md
└── scripts/
└── validate-required-fields.py架空の例：SKILL.mdの骨子
---
name: weekly-status-draft
description: 週次進捗報告の下書きを作成する。担当、期間、完了事項、課題、次週予定がそろう場合に使用する。
compatibility: 読み取り専用のファイル参照とPython実行環境が必要
---
1. 対象期間と担当者を確認する。
2. 必須項目が不足していれば、推測せず不足項目を列挙する。
3. reporting-rules.md を確認して、課題とリスクを分ける。
4. status-template.md の形式で下書きを作る。
5. 外部送信やタスク更新は実行せず、人の確認を依頼する。仕様上、nameとdescriptionは必須で、名前には文字種・長さなどの制約があります。また、allowed-toolsは実験的な項目であり、対応状況は実装ごとに異なります。これだけで実行権限を制御できるとは考えず、実行環境側の権限管理も必要です。Agent Skills Specification
導入前チェックリスト
- 手順が固定できる業務か。毎回の判断を人が説明できるか。
- Skillへ入れる情報と、RAGで都度検索すべき情報を分けたか。
- Skillが参照・実行するファイル、スクリプト、MCPツールを一覧化したか。
- スクリプトを含むSkillは、作成者・変更者・依存パッケージ・外部通信先をレビューしたか。
- 外部送信、顧客データ更新、金額確定、権限変更を人の承認なしに実行しない設計か。
- 根拠が不足・矛盾・取得不能な場合に、推測ではなく停止または人への引き継ぎを行うか。
- Skillの版、評価結果、利用ログ、停止手順を記録できるか。
Skillは命令文だけでなく、スクリプトや参照ファイルを含められます。そのため、外部から取得したSkillを無検証で導入することは避けるべきです。Anthropicも、悪意あるSkillが利用環境の脆弱性につながったり、データ流出や意図しない操作を指示したりする可能性を指摘しています。AnthropicのAgent Skills解説
外部ツール操作を伴う場合は、権限・承認・停止・監査をSkillとは別の層で設計してください。具体的な委任レベルと停止条件は、AIエージェントのガードレール設計｜暴走を防ぎながら自動化を進める権限・承認・停止・監視の実務ガイドが参考になります。
まとめ：RAGを置き換える技術ではなく、再利用可能な業務手順の形式
Agent SkillsはRAGの代替ではありません。RAGは根拠となる知識を取り込み、MCPはデータ・ツールへつなぎ、Skillsはエージェントが仕事を進める手順を再利用可能にします。3つを混ぜて呼ぶのではなく、「何を知るか」「どう進めるか」「どこに接続するか」へ分解すると、設計・評価・権限管理の責任範囲を整理できます。
標準化によって複数のエージェント環境でSkillを扱いやすくなる可能性は高まりました。ただし、対応範囲と管理機能は各製品で変わります。まずは読み取り中心で可逆性の高い業務を対象に、Skillの内容、RAGの根拠、MCPの権限、評価ケースをまとめて検証することが、企業利用の現実的な出発点です。