エージェントスキル：自律型 AI が変える最適化とサプライチェーンの未来

MOAI Forum • https://moai-forum-hp.vercel.app/ • https://www.moai-lab.jp/

• https://moai-forum-hp.vercel.app/
• https://www.moai-lab.jp/

スケジューリング・シンポジウム2026 • @東京海洋大学（越中島）9/15-16 • 基調講演 【講演者】田口 東 (株)ベクトル総研技術顧問，中央大学名誉教授 【題目】リアルとモデル，データと計算－交通ネットワーク上の人 の移動と混雑 • 特別講演 【講演者】朴 成浩 （株）ライナロジクス代表取締役 【題目】研究と実装の距離を埋める－修論VRPがシェアNo.1サービ スになるまで 本研究部会に参加された方は、学会の入会費免除

エージェントスキル 自律型AIが変える最適化とサプライチェーンの未来 Mikio Kubo

パラダイムシフト：専用エージェントの乱立からの脱却 専用エージェントをゼロから作るアプローチの見直し • 従来：用途ごとに異なる専用エージェントを個別に開発。 • 現在：強力な汎用エージェントを基盤とし、専門知識を「スキル」として後付けす る設計へ。 背景となる考え方 • ファイル操作、コード実行、外部API接続といった一連の流れは、ほとんどの分野 で共通している。 • 汎用エージェントは「知能はあるが、専門知識がない」状態。これをスキルによって 補う。

エージェントの三層構造とアナロジー AIシステム設計の重心は応用層（アプリケーション）へ 構成要素 役割 従来のアナロジー 1. 大規模言語モデル (LLM) 高度な推論と自然言語の理解 プロセッサ (CPU) 2. エージェント基盤 + MCP ツール利用、リソース管理、外部データとのシームレ スな接続 オペレーティングシス テム (OS) 3. スキル (Skill) 特定タスクに対する手続き的知識、問題解決の 実行単位 アプリケーション

Agent Skills +Discovery Activation Execusion + Tools + Plan & Memory Agent Skill AI Agent LLM

スキルの実体と「段階的開示」 スキルの実体は「整理されたフォルダ」 • 中心に SKILL.md を配置し、スクリプトやアセットを同梱した小さなソフトウェア・パッケージ。 • 既存のファイルシステム形式を採用することで、Gitやクラウドでの共有・管理が容易。 段階的開示 (Progressive Disclosure) の重要性 • 大量のスキルを保持しても、最初はメタデータのみを読み込み、必要と判断された時点で詳細 を展開する。 • これによりコンテキスト消費を抑え、複数スキルの組み合わせによる複雑なワークフローを構築 可能にする。

コンテキストウィンドウ • AIの短期記憶領域 • トークン（おおよそ3/4単語）で数える • 昔は200K、最近では 1M-2M の容量 • 100万トークンあたり2-10ドル（高度なAIだと10-50ドル）で課金 • 入れすぎに注意（溢れると圧縮、中だるみ – Lost in the Middle-） • 過去の対話も記憶する（節目でリセット） • すぐクオータ（利用制限）を使い切るの人は注意 => スキルは必要な分だけ入れる！

本書の構成 • 第1章：AI進化史とエージェントへのパラダイムシフト 生成AIから「自律的に行動し成果物を作るAI」への道筋と、スキル登場の歴史的背景。 • 第2章：エージェントスキルの作り方 SKILL.md の役割、フォルダ構成、段階的開示、保守しやすいスキルの設計原則。 • 第3章：便利なエージェントスキルの実践 文書処理やプレゼン生成など、指示とコード・検証ループを組み合わせた実践例。 • 第4章：最適化とサプライチェーンへの応用 MOAI Labのスキル群を題材に、次世代IBPに向けた実務上の意思決定支援への接続。

第１章 人工知能の歴史： チューリングからエージェントスキルに 至る道程 AIエージェントによる最適化

目次 • 1. AIの黎明から冬の時代へ • 2. 統計的言語モデルからトランスフォーマーへ • 3. LLMの誕生とスケーリング則 • 4. アライメントの時代：InstructGPTからChatGPTへ • 5. 推論モデルへの進化 • 6. AIエージェント：対話から行動へ • 7. 自律型エージェントの歴史とエージェントスキル

1. AIの黎明から冬の時代へ 人工知能の歴史は、記号論的な論理演算から始まりました。 年代 モデル/出来事 意義と限界 1950 チューリングテスト 知能の判定基準を言語に設定 1956 ダートマス会議 AIという分野の確立 1966 ELIZA 最初のチャットボット、対話インターフェースの先駆け 1970s MYCIN エキスパートシステム。専門知識のルール化、限定領域での成功 1980s 知識ベースAI 柔軟性の欠如、未知の状況への非対応（AIの冬へ）

2. 統計的言語モデルからトランスフォーマーへ 逐次的処理の限界 トランスフォーマーの登場 RNNとLSTM • 過去の情報を保持し、次の単語を予測。 • 課題1：勾配消失問題 • 課題2：逐次的な処理が必要であり、並 列計算が困難 Attention Is All You Need (2017) • 自己注意機構（Self-Attention） • 文章中の全単語間の関連度を同時に 計算し、特定の単語が他のどの単語に注 目すべきかを動的に決定。 • 並列かつ効率的な学習が可能に。

3. LLMの誕生とスケーリング則 BERTとGPTの分岐 • • BERT (2018): 双方向事前学習。文脈理解に長け、感情分析などに適する。 GPT-1 (2018): 自己回帰的な手法。生成タスクに適し、驚異的な汎用性を示す。 モデル 発表年 パラメータ数 主な特徴 GPT-1 2018 1.17億 生成的な事前学習の有効性の証明 BERT 2018 3.4億 双方向事前学習による文脈理解の深化 GPT-2 2019 15億 ゼロショット能力の出現 GPT-3 2020 1750億 フューショット学習、汎用知能への接近

4. アライメントの時代 RLHF（人間からのフィードバックによる強化学習） 大規模言語モデルの出力を人間の意図に沿わせる（アライメント）ための技術 • 1. 教師ありファインチューニング (SFT): 人間が理想的な回答例を作成し、微調整。 • 2. 報酬モデル: AIの回答案を人間がランク付けし、何が良い回答かを学習。 • 3. 近接方策最適化 (PPO): 報酬モデルから高スコアを得られるようにAIの行動を最適化。 ChatGPT (2022) / GPT-4 (2023) • RLHFを活用した対話型AI。流暢な会話能力と高い汎用性で社会実装が爆発的に進む。

5. 推論モデルへの進化 直感的な生成から論理的な推論へ 特徴項目 従来のLLM（GPT-4o等） 推論モデル（o1, R1等） 基本原理 次単語予測の確率最大化 報酬に基づいた推論ステップの最適化 思考プロセス ユーザーに促されない限り即答 内部的に長いCoT（思考の連鎖）を生成し 、自己修正を行う 得意領域 創作、要約、一般的な会話 数学、科学、複雑なコーディング、論理パズル 計算負荷 入力長に依存 思考の深さ（推論時間）に依存

6. AIエージェント：対話から行動へ AIエージェントの3つの構成要素 能動性、行動能力、自己修正ループを持つAIシステム • 1. プランニング（計画能力） • 抽象的な目標を具体的な実行ステップに分解する。 • 2. メモリ（記憶能力） • 短期記憶（会話の文脈）と長期記憶（過去の好みや知識）の保持。 • 3. ツール利用（Tool Use） • Web検索、電卓、コード実行、API呼び出しなど外部の世界と接続。

7. 自律型エージェントの歴史 AutoGPTからオーケストレーションへ フレームワーク 設計思想 活用シナリオ AutoGPT / BabyAGI タスク実行と自己評価を再帰的にループ エージェントの大衆化と可能性の提 示 LangChain LLMと各種ツールの「連鎖」を容易にする 汎用的なアプリケーション、RAG LangGraph 動作をグラフ構造（状態遷移図）として定 義 複雑なビジネスプロセス、エラー復帰 AutoGen 役割の異なる複数エージェントの対話 エンジニアとテスターの協調作業 CrewAI エージェントをチームとして管理しタスク割当 記事執筆、マーケティングリサーチ

7. エージェントスキルの誕生 MCPとエージェントスキルによる真の自律化 マルチエージェントシステムの次へ。Anthropic社が提唱する標準規格： • MCP (Model Context Protocol) • データソースや外部ツールへの「接続路」を標準化。（例：USB-Cポート） • エージェントスキル • 「具体的にどのような手順で作業を進めるか」という「知恵（レシピ）」。 • 組織独自のルールに従い（スキル）、社内データにアクセスして（MCP）、自律的に業務 を完遂することが可能になる。

第2章 エージェントスキルとは AIエージェントによる最適化

エージェントスキルの概要 AIエージェントの機能を拡張するフォーマット エージェントスキルとは • AIエージェントに専門的な知識やワークフローを付与する軽量なオープンフォーマット。 • メタデータと実行手順を記述した SKILL.md ファイルを含む単一フォルダ。 なぜ必要か • エージェントは実務遂行に必要な固有のコンテキスト（文脈）を欠いている。 • 特定の手順やコンテキストをバージョン管理可能なポータブルなフォルダにパッケージ化できる。

段階的開示 (Progressive Disclosure) エージェントがスキルをロードするアプローチ 1. Discovery (発見) 2. Activation (有効化) 3. Execution (実行) 起動時に利用可能な各スキ ルの「名前」と「説明文」のみ をロード。 (約50〜100トークン) ユーザータスクが一致した場 合、SKILL.md の「完全な 指示」を読み込む。 (推奨5000トークン未満) 指示に従い、バンドルされたス クリプトの実行や参照ファイル のロードを行う。

スキルの配置場所 どのスコープで利用させたいかによって配置先が決まる スコープ パス 用途 Project project/.agents/skills/ project/.claude/skills/ 共有スキル。リポジトリ内でチーム共有する場合。 Claudeの場合 Project project/.client/skills / 特定のツール専用スキル。 User home/.agents/skills/ 個人用スキル。自分の環境で横断的に使いたい 場合。 User home/.client/skills/ 個人環境の特定のツール専用スキル。 ※ .agents/skills/ はクロスクライアント共有の事実上の共通規約として扱われる

スキルの構造と仕様 ディレクトリ構造例 SKILL.md フォーマット 必ず同じ！ pdf-processing/ ├── SKILL.md # 必須: メタデータ + 指示 ├── scripts/ # 任意: 実行可能なコード ├── references/ # 任意: 参考ドキュメント ├── assets/ # 任意: テンプレート等 └── ... --name: pdf-processing description: PDFファイルからテキスト を抽出... license: Apache-2.0 --(ここからMarkdown形式で指示を記述)

スキル作成のベストプラクティス 宣言的ではなく手続き的に記述する 「何を生成すべきか」だけではなく、「どのように問題にアプローチするか」を教える。 効果的な指示のパターン • Gotchas (落とし穴): 当然の前提が通用しない特定の環境における注意点を記載。 • 出力フォーマットのテンプレート化: 具体的なMarkdownなどのテンプレートを提示。 • マルチステップのチェックリスト: 依存関係やバリデーションが必要な手順をリスト化。

説明文(Description)の最適化と品質評価 エージェントがスキルを起動する判断基準 • Descriptionは、エージェントがスキルを起動するか否かの唯一の材料。 • 「CSVファイルを処理する」のような抽象的な表現は避け、具体的でユーザーの意図を捉え た説明にする。 最適化と評価のプロセス • 1. 評価用クエリを作成し、発動率（トリガーレート）を計測する。 • 2. 過検知（誤発動）や漏れ（未発動）を分析し、説明文を修正する。 • 3. 構造化されたテスト (evals.json) を用いて、アサーション（合格基準）を満たすか検 証する。

スクリプトの利用とクライアント実装 スクリプトの利用 • 自己完結型スクリプト (PEP 723): 依存関係をスクリプト内に直接記述し、単一コマンド で実行（uvx などで環境を汚さない）。 • 設計上の注意点: インタラクティブなプロンプトを避け、意味のある終了コードを返すこと。出 力サイズにも配慮する。 クライアント実装者向けステップ • 1. スキルの発見 (ディレクトリのスキャン) • 2. SKILL.md のパースとカタログの開示 • 3. アクティベーションとコンテキスト管理

第3章 便利なエージェントスキル 実践的なスキルとワークフロー

目次：4つの主要なエージェントスキル 1. skill-creatorメタスキル スキルを開発・最適化するための自己再帰的スキル。 2. docxスキル Word文書の生成と編集。OOXML（Office Open XML）スキーマの扱いとテンプレート駆動。 3. pptxスキル PowerPointスライドのスクラッチ生成。美的バイアスの排除と視覚的QA。 4. xlsxスキル Excelデータ処理とガントチャート等の可視化生成。 5. grill meスキル Excelデータ処理とガントチャート等の可視化生成。

1. skill-creatorメタスキル AIエージェント自身にスキルを構築させる メタスキルとは • スキルを開発、テスト、最適化するためのスキル。 段階的開示によるコンテキスト最適化 • 不要な情報を隠蔽し、必要なタイミングで読み込む設計を支援する。 テスト駆動生成と自律的評価ループ (Eval Loop) • evals.json を用いたアサーションで、スキル自体の動作を検証・修正させる。

skill-creator 「複数のCSVファイルを分析して、可視化するスキルを作成して」 --name: multi-csv-visualizer description: 複数のCSVファイルを結合、マージ、または比較分析し、それらを統合した美しく高品質なビ ジュアル（インタラクティブHTMLダッシュボード、複合グラフ、画像）を生成します。ユーザーが「複数 のCSVを分析して」「2つのCSVを結合して可視化して」「複数データの推移を比較してグラフにして」と いった要求をした際には、明示的に結合やマージに言及されていなくても、必ずこのスキルをトリガーして ください。洗練されたダークテーマ、プレミアムな配色、適切な結合処理とデータ可視化の選択を徹底し、 ユーザーに強い視覚的感銘を与えます。 --- # 複数CSVファイルビジュアライザー (multi-csv-visualizer) …数ページのmarkdownでの指示 テストデータや評価・改善も自動生成

skill-creator使用例：ダッシュボード生成の最適化 スキル無し（左）と、skill-creatorで最適化されたCSV可視化スキルあり（右）の比較 スキルなし (汎用的な生成) スキルあり (最適化された生成)

2. docxスキル Word文書の生成と編集における課題の克服 既存文書の編集とOOXMLスキーマの脆弱性 • OOXMLは複雑であり、直接のXML編集は破損のリスクが高い。 • Wordの内部では1つの単語が複数のタグに分割されることがあり、単純な検索置換が失敗 する。 新規作成におけるプログラム的抽象化 (docx-js) • ゼロからの生成には、抽象化レイヤー（docx-jsなど）を提供し、確実な文書生成を行わ せる。

docxスキル 「履歴書を、次のURLの情報を使ってできるだけ埋めてください。 https://www.logopt.com/kubomikio/」

• https://www.logopt.com/kubomikio/

3. pptxスキル PowerPointスライドのスクラッチ生成と品質保証 pptxgenjsによるスクラッチ生成 • APIを通じたコードベースでのスライド生成により、ファイル破損（致命的トラップ）を回避。 美的バイアスの排除：デザイン・ヒューリスティクスの強制 • AI特有の「ダサいデザイン（白い背景に黒文字）」を防ぐため、カラーパレットやレイアウト規則をスキ ルに強制させる。 マルチモーダル視覚的QAループの必然性 • 出力されたPPTXを画像化し、サブエージェントに視覚的にチェックさせることでレイアウト崩れを防ぐ。

pptxスキル 「Agent Skillについて初学者に説明するためのスライドを作成して」

pptx使用例：美的ガイドラインが適用されたスライド デザインヒューリスティクスに基づく洗練されたレイアウト 2カラム・アイコン活用レイアウト ダークテーマ・グリッドレイアウト

4. xlsxスキル Excelデータ処理と可視化 デュアル・ライブラリ戦略 • データの読み書きと、書式・グラフの操作など、目的によって適切なライブラリを使い分ける。 インデックスの不整合 • Pythonの0始まりインデックスと、Excelの1始まりインデックス間の変換ミス（Off-by-oneエラー） を防ぐルールをスキルに組み込む。 財務モデルの業界標準とハードコードの禁止 • 固定値をセルに直接書き込むことを避け、依存関係を持つ計算式を正しく生成させる。

xlsxスキル 「xlsx skillを使ってガントチャートを描いてください」

xlsxスキルの内部 • コード (openpyxl）で処理 => 後でカスタマイズできる！

スキル grill-me 全文 組み込みaction /grill-me で起動 （他にも/schedule や /goal などがある） --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. If a question can be answered by exploring the codebase, explore the codebase instead. For each question, provide your recommended answer.

スキル grill-me（翻訳） --name: grill-me description: 共通の理解に達するまで、計画や設計についてユーザーに徹底的に質問し、決定ツリー の各分岐を解決します。ユーザーが計画のストレステストを行いたい場合、自分の設計について徹底 的に問いただされたい場合、または「grill me（質問攻めにして）」と発言した場合に使用してくださ い。 --- 共通の理解に達するまで、この計画のあらゆる側面について私を徹底的に質問攻めにしてください。 設計ツリーの各分岐を辿り、決定事項間の依存関係を一つずつ解決してください。 もしコードベースを調べることで答えられる質問であれば、質問する代わりにコードベースを調べて ください。 それぞれの質問に対しては、あなたの推奨する回答も提示してください。

使い方 (1) /grill-me shift-scheduling のstaffの予定を、自然言語から読み取る機能

使い方 (2)

使い方 (3)

使い方 (4)

使い方 (5)

使い方 (6)

成果物 (1) 実装計画

成果物 (2) Walkthrough

成果物 (3) SKILL.md

セキュリティに注意（特に企業での利用） • スキルのセキュリティは緩い（自律的実行） • コードはサンドボックスで実行 • 信用のできるスキルのみ入れる（出所確認の徹底） • オープンソースの場合には中身を精読しておく（http, curl, wget, requestsなどの通信に注意！） • Human-in-the-Loop (HITL) • 外部との接続はMCP • AIエージェントには、最小特権しか与えない • スキルの一元管理 • 監査ログの永続化

おわりに • 小さく生んで、徐々に改善 • LLMは最新でなくても良いが、ある程度賢いものを使う • ある程度は課金（でないとLLMの訓練に使われる） • プロンプトだけの時代は終わり