レポト

[Koder @koder_dev]

さすが松尾研のテックブログだ..

やっぱ、Claude Codeの使い方とかって上手い人のやり方を素直にそのまま試してみて、少しずつ自分が使いやすいような我流にしていくのが一番良いのでは？と思い始めた

だって、技術スタックに合わせてsubagent作るとか自分で思いつかんもん

https://t.co/sjCqmKKMCf

[スナガク | Codex 本発売予定 @suna_gaku]

Anthropic が出している 「Skills 作成のベストプラクティス」 かなり勉強になりました...
改めて内容を整理したので、シェアします！

【コア原則】
簡潔さが鍵
スキルは、会話履歴などともコンテキストを共有するため、簡潔に書くのが重要になる。
そのため、 「Claude がすでに知っていることは書かない」 ことが重要になる。

SKills に追記するべきかどうかを判断する三つの問いかけ
- 「Claudeは本当にこの説明が必要ですか？」
-「Claudeがこれを知っていると仮定できますか？」
- 「このパラグラフはそのトークンコストに見合う価値がありますか？」

適切な自由度の設定 をする
タスクの 「脆弱性」 と 「可変性」に合わせて、指示の具体性を決める。
- 複数アプローチが有効な場合（例：コードレビュー）は、自由度を高くして 「一般的な方向を示す」 程度にする
- 一つのアプローチしかなく、ミスしやすい場合 (データベースマイグレーション) は、具体的なガードレールと正確な指示を伝える

全モデルでテストする
- Haikuでは十分なガイダンスがあるか
- Sonnetでは明確で効率的か
- Opusでは過度な説明を避けているか
複数のモデルでスキルを使用する予定があるなら、これを確認する。

【スキル構造】
YAMLフロントマター
- nameは最大64文字で小文字・数字・ハイフンのみ
- descriptionは最大1024文字で空不可

命名規則
一貫した命名パターンを使用する。また、スキル名には 「動名詞形 (動詞 + -ing)」 を使用する。
nameフィールドは小文字、数字、ハイフンのみを使用する必要がある。
良い例はprocessing-pdfs、analyzing-spreadsheets、managing-databases。避けるべきはhelper、documents、anthropic-helperなどの 「曖昧な名前」・「過度に一般的」・「予約語」など。

効果的な説明を書く
常に三人称で書き、具体的で主要な用語を含める。
つまり、「何をするか」と「いつ使用するか」の 「特定のトリガー/コンテキストの両方」 を含める。
いい例 (PDF処理スキル)： description: PDFファイルからテキストと表を抽出し、フォームに入力し、ドキュメントをマージします。PDFファイル、フォーム、またはドキュメント抽出について言及している場合に使用してください。

段階的開示パターン
SKILL. mdは目次として機能させて、詳細は別ファイルに配置していく。

SKILL. md作成時の注意点
- SKILL. mdボディを最適なパフォーマンスのために500行以下に保つ
- この制限に近づいたときにコンテンツを別のファイルに分割する
- ３つパターンを使用して、指示、コード、リソースを効果的に整理する

SKILL .mdの構成パターン
1. 参照付き高レベルガイド
SKILL. mdにメインの指示を置き、詳細は別ファイルへリンク。
2. メイン固有の組織
ドメイン別にコンテンツを整理し、無関連なコンテキストのロードを回避する。
3. 条件付き詳細
基本コンテンツを表示し、高度なコンテンツにリンクする。

深くネストされた参照を避ける
SKILL. mdから1レベル深いまでにしておく。
すべての参照ファイルはSKILL. mdから直接リンクして、必要に応じてClaudeが完全なファイルを読むようにする。
100行以上の参照ファイルの場合、上部に目次を含めて、部分的な読み取りでも、利用可能な情報を全て与えられるようにする。

【ワークフローとフィードバックループ】
複雑なタスクにはワークフローを利用する
複雑な操作を明確で順序立ったステップに分割する。この時に 「チェックリストを提供してClaudeが進行状況を追跡できる」 ようにする。
これにより、重要な検証をスキップするのを防げる。

フィードバックループを実装する
「バリデータを実行 → エラーを修正 → 繰り返す」 を行なう。これにより、出力品質を改善できる。

【コンテンツガイドライン】
- 時間に敏感な情報を避け、いつ古くなるかわからない情報を含めない
- 一貫した用語を使用する

一般的なパターン
合計 3種類

テンプレートパターン
- 厳密な要件には「常にこの正確なテンプレート構造を使用してください」などと記載されたテンプレート
- 柔軟なガイダンスには「これは合理的なデフォルト形式ですが、分析に基づいて最善の判断を使用してください」などと記載されたテンプレート

例パターン
出力品質が例を見ることに依存するスキルの場合、入出力ペアを提供する。例えば 「これらの例に従ってコミットメッセージを生成してください」 など

条件付きワークフローパターン
決定ポイントを通じてClaudeをガイドする。
「新規作成なら作成ワークフロー」「既存編集なら編集ワークフロー」のように分岐させる

ワークフローが長くなりすぎたら、別ファイルに移動した上で、「タスクに基づいて適切なファイルを読む」 ように指示する。

【評価と反復】
最初に評価を構築する
広範なドキュメントを作成する前に評価を作成する。これにより、実際の問題を解決することを確認できる。

評価駆動開発
1. ギャップを特定する
スキルなしで代表的なタスクでClaudeを実行し、具体的な失敗または欠落しているコンテキストを文書化する
2. 評価を作成する
これらのギャップをテストする3つのシナリオを構築する
3. ベースラインを確立する
スキルなしでClaudeのパフォーマンスを測定する
4. 最小限の指示を書く
ギャップに対処して評価に合格するのに十分なコンテンツのみを作成する
5. 反復する
評価を実行し、ベースラインと比較し、改善する

Anthropic は、まだスキルが正しく動くかテストするツールは作っていないので、自分でテストする必要がある。

Claudeを使用してスキルを反復的に開発する
Claude A（専門家）がスキル設計を支援し、Claude B（エージェント）が実際のタスクでテストする。

新しいスキルの作成
1. スキルなしでタスクを完了する
通常のプロンプトを使用して問題を解決し、その中で知識を共有していく。
2. 再利用可能なパターンを特定する
タスク完了後、使用したコンテキストを特定する。
3. Claude Aにスキルを作成するよう依頼する
「2. 」の作業のSkills を作成してください。この時に OO のルールを含めてください、のような形。
4. 簡潔性をレビューする
Claude Aが不要な説明を追加していないかチェックする。
5. 情報アーキテクチャを改善する
Claude Aにコンテンツをより効果的に整理するよう依頼する。
6. 同様のタスクでテストする
Claude B（スキルがロードされた新しいインスタンス）で関連するユースケースでスキルを使用して、正しく動くか観察する。
7. 観察に基づいて反復する
Claude Bが苦労したり何かを逃したりした場合、具体的な情報を持ってClaudeAに戻り、追加・修正するべき内容を尋ねる。

既存のスキルを反復(改善)する
作成と同じプロセスを行う。
- Claude Aと協力する
- Claude Bでテストする
- Claude Bの動作を観察する
具体的な手順
1. 実際のワークフローでスキルを使用する
2. Claude Bの動作を観察する
3. 改善のためにClaudeAに戻る
4. Claude Aの提案をレビューする
5. 変更を適用してテストする
6. 使用に基づいて繰り返す

チームフィードバックの収集
1. スキルをチームメイトと共有し、使用を観察する
2. 「スキルは予期したときにアクティブになりますか？指示は明確ですか？何が不足していますか？」を 尋ねる
3. フィードバックを組み込んで、独自の使用パターンの盲点に対処する

Claudeがスキルをナビゲートする方法を観察する
Claudeが実際に使用する方法に注意を払う。

注意すること
- 予期しない探索パス (予期しない順序でファイルを読んでいないか？)
- 接続の欠落 (重要なファイルへの参照に従うのに失敗してないか？)
- 特定のセクションへの過度な依存 (Claudeが繰り返し同じファイルを読む場合、https://t.co/OPSzbidXm1の代わりに配置するべきかも？)
- 無視されたコンテンツ (ファイルにアクセスしない場合、 「不要」 か 「指示が不十分」 のどちらか)
上記の観察に基づいて反復する。
また、「name」と「description」は特に重要なので、 「何をするか、いつ使用すべきか」 が明確に書かれているか？ に注意する。

【避けるべきアンチパターン】
Windowsスタイルのパスを避ける

多くのオプションを提供しすぎることを避ける
必要でない限り、複数のアプローチを提示しない。デフォルトを提供する。

高度：実行可能なコード付きスキル
解決する、逃げ出さない

エラー条件をスクリプト内で処理する
エラーが起きても、デフォルトの処理を用意したり、代替手段を提供して、処理を継続できるようにする。
構成パラメータも正当化されて、文章化する。
REQUEST_TIMEOUT = 30」で「通常30秒以内に完了するから」などのコメントをつけ、マジックナンバーを避ける。

ユーティリティスクリプトを提供する
ユーティリティスクリプトの利点
- 生成されたコードより信頼性が高い
- トークンを節約できる（コンテキストにコードを含める必要がない）
- 時間を節約できる（コード生成は不要）
- 使用全体で一貫性を確保できる

スキルにスクリプトを含める時は、Claudeに「実行させる」か「読ませる」かを明確にする。
基本的には、実行が推奨される。

ビジュアル分析を使用する
入力を画像としてレンダリングできる場合、Claudeに分析させることができる。

検証可能な中間出力を作成する
複雑でオープンエンドのタスクを実行する場合、間違いを防止するために、途中で確認できる中間ファイルを作らせる。

「計画-検証-実行」パターン
最初に構造化形式で計画を作成し、その計画を実行する前にスクリプトで検証することで、早期にエラーをキャッチする。

なぜ このパターンが機能するか？
- 早期にエラーをキャッチできる
検証は変更を適用する前に問題を見つけられる。
- 機械検証可能
スクリプトは客観的な検証を提供してくれる。
- 可逆的な計画
Claudeは元のファイルに触れずに計画を反復できる。
- 明確なデバッグ
エラーメッセージは特定の問題を指す。
このパターンは、バッチ操作、破壊的な変更、複雑な検証ルール、高リスク操作 で利用できます！

実装のヒント
「フィールド'signature_date'が見つかりません。利用可能なフィールド：customer_name、order_total、signature_date_signed」のような、 「特定のエラーメッセージ」 を使用して検証スクリプトを詳細にする。

パッケージ依存関係
コード実行環境で実行され、プラットフォーム固有の制限がある。
- claude. ai
npmとPyPiからパッケージをインストールでき、GitHubリポジトリからプルできる
- Anthropic API
ネットワークアクセスがなく、ランタイムパッケージのインストールがない。
必要なパッケージが、コード実行ツールドキュメントで利用可能であることを確認する。

Claudeがスキルにアクセスする方法
1. メタデータ事前ロード
2. オンデマンドでファイルを読む
3. スクリプトを効率的に実行
4. 大きなファイルのコンテキストペナルティなし

スキルのファイル・フォルダをどう整理すべきか
ファイルパスが重要
- Claudeはファイルシステムのようにスキルディレクトリをナビゲートする
フォワードスラッシュ（reference/guide.md）を使用し、バックスラッシュは使用しない。

- ファイルに説明的な名前を付ける
コンテンツを示す名前を使用する。doc2. mdではなく、「form_validation_rules. md」 を使用する。

- 発見のために整理する
ドメインまたは機能別にディレクトリを構造化する。
- 良い例 : reference/finance.md、reference/sales.md
- 悪い例 : docs/file1.md、docs/file2.md

- 包括的なリソースをバンドルする
完全なAPIドキュメント、広範な例、大規模なデータセットを含められる。アクセスされるまでコンテキストペナルティはない。

- 決定論的操作にはスクリプトを優先する
コード生成を求めず、validate_form.pyを作成する

- 実行意図を明確にする
- 「analyze_form.pyを実行してフィールドを抽出する」（実行）
- 「抽出アルゴリズムについてはanalyze_form.pyを参照してください」（参照として読む）

- ファイルアクセスパターンをテストする
実際のリクエストでテストして、ディレクトリ構造をナビゲートできることを確認する。

【MCPツール参照】
常に完全修飾ツール名を使用する。
- 形式：ServerName:tool_name
- 例：BigQuery:bigquery_schemaツールを使用してテーブルスキーマを取得します。

ツールがインストールされていると仮定しない
依存関係について明示する。「必要なパッケージをインストールし、その後に利用してください」という指示を入れる。

【技術的な注記】
YAMLフロントマター要件
SKILL. mdフロントマターには、特定の検証ルールを持つnameとdescriptionフィールドが必要
- name：最大64文字、小文字/数字/ハイフンのみ、XMLタグなし、予約語なし
- description：最大1024文字、空でない、XMLタグなし

トークン予算
SKILL. mdボディを500行以下に保つ。これを超える場合は、段階的開示パターンを使用して別のファイルに分割する。

【効果的なスキルのチェックリスト】
コア品質
- 説明は具体的で主要な用語を含む
- 説明にはスキルが何をするか、いつ使用するかが含まれる
- SKILL. mdボディは500行以下
- 追加の詳細は別のファイルにある（必要な場合）
- 時間に敏感な情報がない（または「古いパターン」セクションにある）
- 全体で一貫した用語
- 例は抽象的ではなく具体的
- ファイル参照は1レベルだけ
- 段階的開示が適切に使用されている
- ワークフローに明確なステップがある

コードとスクリプト
- スクリプトは問題を解決し、Claudeに任せない
- エラー処理は明示的で有用
- 「ブードゥー定数」がない（すべての値が正当化されている）
- 必要なパッケージが指示にリストされ、利用可能であることが確認されている
- スクリプトに明確なドキュメントがある
- Windowsスタイルのパスがない（すべてフォワードスラッシュ）
- 重要な操作の検証/確認ステップ
- 品質が重要なタスクに含まれるフィードバックループ

テスト
- 少なくとも3つの評価が作成されている
- Haiku、Sonnet、Opusでテストされている
- 実際の使用シナリオでテストされている
- チームフィードバックが組み込まれている（該当する場合）

[Raul Junco @RaulJuncoV]

APIs interviews don’t fail because people can’t code.
They fail because people can’t explain trade-offs.

I’ve seen strong engineers stumble on questions that look basic:

PUT vs PATCH
200 vs 201
Offset vs cursor pagination
Idempotency under retries
Rate limiting choices and why they matter

Interviewers aren’t testing trivia.
They’re testing whether you can reason about real systems under pressure.

I wrote a short survival kit that covers:

- The API fundamentals interviewers actually care about
- The “why” behind common design decisions
- The failure modes most candidates ignore
- Practical examples you can reuse in interviews

No fluff.
No theory for theory’s sake.
Just the mental models that help you think clearly in API interviews.

Read it here 👇
https://t.co/EI9mo6eQJI

If you’re preparing for backend, platform, or system design interviews, this is worth bookmarking.

[ミーツ @m2ai_jp]

Google、OpenAI、Anthropic、みんな無料でAIスクール開校してるので、AI学ぶのにお金かからないですよ。本当に

Google
https://t.co/OFe3Dmw3oC
OpenAI
https://t.co/SaIPZUW12u
Anthropic
https://t.co/tCepXnPrLj

[吉村伸一 / デザイン×構造で人・組織を動かす資料設計者 @shin_yoshimura0]

アクセンチュア流の資料作成術をまとめました。私はコンサル出身じゃないですが、技術者時代に自動車会社への「他社切替え」を達成した際、支えになったのはこの思考法。 完璧に守れていたわけではないですが、思考を寄せるだけで提案の通りは変わります。泥臭い現場でも使える実績保障付きです。

[Carl Vellotti 🥞 @carlvellotti]

Google's Cursor competitor: FREE!
My course for you to learn: FREE!
My holiday gift to you 🎁

[⚠️ Comment "Antigravity" & I'll send you the link]

Antigravity is Google's answer to Cursor.
It's an AI tool that works directly on your device.
Not just for developers!
For ANYONE who works with text.

It's 100% free right now.
Access to Gemini 3 Pro.
Even Claude Opus 4.5 (!)
Use Nano Banana Pro right in the chat.
No subscription. No trial. No credit card.

This won't last forever.

I've been teaching Cursor to PMs for months.
But Cursor costs $20/month.
Antigravity removes that barrier completely.

So I rebuilt the entire course for AG.

It's an Antigravity course taught IN Antigravity.
So everything you do is directly applicable!
The AI IN the tool is your teacher.

What you'll learn:
→ Write PRDs with AI assistance
→ Analyze CSV data and survey results
→ Create strategy documents
→ Build reusable templates and workflows

But here's what most people don't realize:

This isn't just for PM work.

The real reason I wanted to get this out today...

On-device AI assistants are useful for LIFE:
🔹 Want to reorganize your files?
🔹 Rename hundreds of photos?
🔹 Clean up your Downloads folder?
🔹 Convert documents between formats?
🔹 Troubleshoot why something isn't working?

Just open the files and ask.
Talk to it like a person.

I spend all day in these tools now.
I've never been so productive.
Or had so much fun.

AI in a browser is like wearing a straightjacket.
This is a terrible day for a launch.
But I genuinely want to free you!

You've been meaning to learn this stuff.
You've got the time.
The course is free.
The tool is free.
No excuses!

This is my gift to you.
Happy Holidays 🌲

👉 Repost + comment "Antigravity" & I'll send you the link

[そら ☁️ AgentSwarm 自動化オタク📱 @sora19ai]

Anthropic公式の"Skillsを作れるSkills"がヤバい。

「Skillを自作したいけど、毎回ゼロから設計して詰む問題」これで終わる。

しかも何がヤバいって、自然言語で作れちゃうから、Claudeが自動で作ってくれる。

✅ 使えるSkillの実例が丸ごと入ってる
✅ skill-creator で“対話しながら”自分のSkill作れる（テンプレ職人になれる）

入れ方はこれだけ👇　　　　　

/plugin marketplace add anthropics/skills
/plugin install example-skills@anthropic-agent-skills

https://t.co/jiTQDHJOqc

[さとり @satori_sz9]

GPT-5.2 ProがIQ 147に到達しました。人類の99.9%の人々より頭が良いですね。GPT-5.2 ThinkingでもIQ 141あるので、平均的な知能の人にはもはや違いが分からなさそう。

[レポト @shinrepoto]

最高😀

[池田 朋弘 | 新著『Claude 最強のAI自動化術』7/27発売！AI系8冊 @pop_ikeda]

📊Google、強化版「Gemini Deep Researchエージェント」をAPI提供開始！

Googleが強化版Deep ResearchエージェントをAPI公開。
開発者は自社アプリに高度な自律型リサーチ機能を組み込めるように🔥

実際の活用例：
・金融：デューデリジェンスの初期工程を完全自動化
・バイオ：Axiom Bio社が創薬リサーチの深度を大幅向上
・17分野900件のタスクで人間レベル以上の精度を実証

🔍 調査業務のBefore/Afterが劇的に変化
従来：
専門家に依頼 → 2-4週間待機 → コスト数十万円
これから：
API経由で依頼 → 数時間で完成 → コスト大幅削減

しかもGemini 3 Pro（事実性最重視モデル）採用で、「幻覚」による誤情報リスクを最小化。長時間の自律タスクでも信頼性を維持できます。

💡実は発表当日、OpenAIが新モデルGPT 5.2を発表
AIエージェント覇権争いの激化により、技術進化が加速・価格競争でコスト削減・実用性が急上昇という形で、ユーザーに大きなメリットが💪

🚀今すぐ取り組むべきアクション
1️⃣自社の調査業務を洗い出し、AI化できる部分を可視化
2️⃣Deep Research APIの活用可能性を開発チームと検討
3️⃣「調査スキル」から「洞察スキル」へシフト

AIが情報を集める時代、人間は「その情報をどう解釈し戦略に落とすか」が勝負に

📈調査業務の民主化が始まった
大企業しかできなかった大規模リサーチが、中小企業やスタートアップでも可能になります✨

ソース：https://t.co/h6zEm78QTx

[レポト @shinrepoto]

素晴らしい👍

[稲葉 信 (XTEP開発者) @令和の虎 @inaba_shin_]

GoogleがMaps含む全サービスでMCPサーバ提供を発表。

これ何がヤバいかというと、OpenAIやGeminiみたいな生成AIがGoogleマップの情報を“公式に”使える世界になる。

つまりこれからは人が検索するためのMEOだけじゃなく、AIに選ばれるためのMEOの時代。

「近くで評価高い店は？」
「この条件で一番おすすめは？」

こういう質問をAIが受けた時、参照されるのはGoogleマップ。

口コミ・評価・情報整備してない店はAIの候補にすら出てこなくなる。

店舗にとってはMEOの重要度が一段階上がった🤔

https://t.co/UDrjCbM8IR

[久保田 雅也@Coalis @kubotamas]

AnthropicとアクセンチュアがAccenture Anthropic Business Group を設立。アクセンチュアがAnthropicのFDE3万人を送り込むと言うビッグディール
- アクセンチュアはOpenAIとも協業を発表しており、AIリテラシー不足を吸収する受け皿という強いポジション
- エンプラAIは資本力勝負へ。2026年スタートアップの勝ち筋は独占的なデータアクセスの確保か
https://t.co/Q1KLyxXUjv

[Masa Tadokoro / 田所雅之 @TadokoroMasa]

これは読むべし
https://t.co/qWg2EIzL8P

[レポト @shinrepoto]

なるほど🧐

[Kosuke @kosuke_agos]

プロンプトエンジニアリングの定説が覆されました。

「AIにペルソナ（役割）を与えると精度が上がる」という最も一般的な技術を検証した結果、実は「賢くはならない」ことが判明しました。

「あなたは偉大な物理学者です」と指示しても、物理学の質問への回答精度が著しく向上するわけではなく、逆に「弁護士です」と伝えても精度は落ちないことがわかりました。

その衝撃的な検証結果と詳細を3つのポイントにまとめました。

1. 精度への影響はほぼゼロ
実験の結果、ペルソナを与えてもAIの根本的な知識レベルや推論能力（IQ的な部分）にはほとんど変化が見られませんでした。「専門家になりきる」ことと「専門的な正答率が上がる」ことは別問題です。

2. 変わるのは「回答スタイル」
ペルソナが無意味なわけではありません。回答のトーン、出力形式、情報の提示方法といった「振る舞い」には明確な変化をもたらします。例えば「教師」のペルソナなら説明的に、「エンジニア」なら技術的な形式で出力される傾向があります。

3. ロールプレイの正しい使い道
結論として、ペルソナ付与は「知能の底上げ」を期待して使うものではなく、あくまで「出力形式やトーンの制御」のために使うべき技術だと言えます。

[Kosuke @kosuke_agos]

プロンプトエンジニアリングの定説が覆されました。

「AIにペルソナ（役割）を与えると精度が上がる」という最も一般的な技術を検証した結果、実は「賢くはならない」ことが判明しました。

「あなたは偉大な物理学者です」と指示しても、物理学の質問への回答精度が著しく向上するわけではなく、逆に「弁護士です」と伝えても精度は落ちないことがわかりました。

その衝撃的な検証結果と詳細を3つのポイントにまとめました。

1. 精度への影響はほぼゼロ
実験の結果、ペルソナを与えてもAIの根本的な知識レベルや推論能力（IQ的な部分）にはほとんど変化が見られませんでした。「専門家になりきる」ことと「専門的な正答率が上がる」ことは別問題です。

2. 変わるのは「回答スタイル」
ペルソナが無意味なわけではありません。回答のトーン、出力形式、情報の提示方法といった「振る舞い」には明確な変化をもたらします。例えば「教師」のペルソナなら説明的に、「エンジニア」なら技術的な形式で出力される傾向があります。

3. ロールプレイの正しい使い道
結論として、ペルソナ付与は「知能の底上げ」を期待して使うものではなく、あくまで「出力形式やトーンの制御」のために使うべき技術だと言えます。

[かずなり | 生成AI活用術 @MacopeninSUTABA]

松尾研が公開している「AIコーディング実践環境の構築方法」が有益すぎる

https://t.co/VoZLSlbiUN

[nogu @_nogu66]

「エージェントを作る時代は終わった？」Anthropicが語った本当の突破口

最近のAI界隈で静かに、とんでもないパラダイムシフトが起きています。

Anthropicが語った「Don't Build Agents, Build Skills Instead」という講演が、その方向を完全に示しています。

結論から言うと、AIエージェントは賢いけど専門家じゃないという致命的なギャップを抱えていました。

そこで、彼らはエージェントではなくスキルを作り始めました。

どんなに高性能なモデルでも、すべての専門知識が常に搭載されてはいません。

優秀な新人を採用しても、経験がないと実務は任せられないことと同じです。

それに対して、彼らがたどり着いた答えはシンプル。

「知性（モデル）と専門知識（スキル）の分離」

スキルはあくまで、ただのフォルダです。しかし、その中には、手続き的な知識（プロがどう考えて、どう動くか）がコードとして格納されています。

要は、専門家の実務をそのままパッケージ化したファイルをAIが実行できる世界になったということです。

「モデルが万能になる未来」ではなく、「モデルに専門家の作業手順を後付けする時代」が来ています。

特に、スキルは最初にメタデータだけを見て判断して、使うべきと判断した瞬間だけディスクリプションを読んで実行します。

これによって、複数のスキルを持たせられる。コンテキストを圧迫しない。構成の可能性が爆発的に高まる。

すでにAnthropicは３つのカテゴリーを提示しています。

1つ目は、基盤スキル。文章生成能力、科学研究、解析するなど汎用OSレベルの能力をAIに付与します。

2つ目は、サードパーティースキル。Notionなどが公開している、「特定製品でプロ級の使い方ができるAI」を実現する。

3つ目は、エンタープライズスキル。企業が自社の作業手順や内部知識をAIに覚えさせる新人研修のデジタル化とも言えるレイヤーです。

要するに、 企業内のノウハウそのものがスキルとしてAIに継承される時代が来る。

Anthropicは、エージェントを以下のように整理している。
・モデル＝CPU
・ランタイム＝OS
・スキル＝アプリケーション

これが最もわかりやすい。スキルは「AIにおけるアプリ層」であり、ここに人間の経験値や専門知識が書き込まれる。

AIの価値は モデルそのものではなく、スキルのエコシステムで決まっていく。

最後に、なぜ今スキル”なのか？

エージェントを自前で作り直すのは非効率だった。

正解は、エージェントの上に能力ファイルの積み重ねをつくること。

スキルは、以下のという特性を持っています。
・チームで共有できる
・会社に蓄積される
・AI同士で引き継がれる
・将来のモデルでも再利用される

「AIに何ができるか」ではなく、「AIに何を学ばせられるか」。

この転換点を理解した人から、AI時代の生産性のボトルネックを完全に突破していくはず。

[レポト @shinrepoto]

モデル性能の劣化を防ぐ「コンセプトドリフト」検知、自動再学習の仕組みを先日僕が構築したんだけど。安定稼働って本当にMLOps次第なんだと、静かな深夜に改めて痛感する。地道だけど、こういう部分が本質なんだろうね🤔 #MLOps

[レポト @shinrepoto]

Kaggleの解説スレッド、今日はまず導入から始めようかな。データ分析コンペの世界は、データサイエンティストにとって最高の学びの場であり、自身の腕試しができる場所だね。未経験からExpertになるまでのロードマップも順を追って話していくから、ぜひ最後まで見てほしい。#Kaggle #データサイエンス

[レポト @shinrepoto]

AIモデルの性能評価、Accuracy（正解率）だけを見てしまうのは、本質を見誤るリスクがある。ビジネス課題によっては、PrecisionやRecallのほうが圧倒的に重要になることがあります。このスレッドで、その理由を僕なりに紐解いていきます。 #データサイエンス

[レポト @shinrepoto]

冬の静かな深夜、エラーで動かないコードとにらめっこ。諦めかけた時にふと解決策が見つかって、思い通りにシステムが動いた瞬間…この達成感があるから、僕はこの仕事が好きだなぁ。 #エンジニアの日常