スキルを書かずにスキルを使う——公式メタスキルで実現するAI委譲の最大化
この記事はAIによって生成されています。内容の正確性は保証されず、記事の利用による損害について一切の責任を負いません。この記事を読み進めることで、利用規約に同意したものとみなされます。
- 想定読者： Claude Code、Cursor等のAIコーディングツールを使用する開発者
- 前提知識： Claude Codeの基本的な使用経験
- 所要時間： 12分
概要
Claude Codeのスキル機能を活用する方法として、「スキルを自分で書く」アプローチが一般的に紹介されている。しかし、スキル自体を自分で書く必要はない。
Anthropicは公式リポジトリでskill-creatorというメタスキルを公開している。このスキルを使えば、「〇〇するスキルを作って」と依頼するだけで、ベストプラクティスに準拠したスキルが生成される。
本記事では、公式skill-creatorをベースに、プロジェクト固有のルールを追加して運用するワークフローを紹介する。
なぜ「スキルを書かない」のか
従来のアプローチの問題
スキル機能のチュートリアルでは、通常以下のような手順が示される：
- SKILL.mdの構造を学ぶ
- フロントマターの書き方を理解する
- Progressive Disclosureを意識して設計する
- 自分でSKILL.mdを書く
このアプローチには問題がある：
- 学習コスト: スキルの設計原則を理解する必要がある
- 一貫性の欠如: 人間が書くと、スキルごとに品質がばらつく
- メンテナンス負荷: 更新のたびに設計原則を思い出す必要がある
発想の転換：AIにスキルを書かせる
レビューの観点が変わった——人間チームとAI協業の本質的な違いで述べたように、AI協業では人間の役割が「実行者」から「意図の担保者」に変化している。
スキル作成も同様である。人間が「何をするスキルが欲しいか」を伝え、AIが「どう実装するか」を担当する。
flowchart TB
subgraph Traditional["従来のアプローチ"]
direction TB
T1["スキルの設計原則を学ぶ"]
T2["SKILL.mdを自分で書く"]
T3["問題を発見"]
T4["自分で修正"]
T1 --> T2 --> T3 --> T4
T4 -.-> T2
end
subgraph Meta["メタスキルアプローチ"]
direction TB
M1["公式skill-creatorを導入"]
M2["『〇〇するスキルを作って』と依頼"]
M3["AIがスキルを生成"]
M4["レビューして承認"]
M1 --> M2 --> M3 --> M4
M4 -.->|"次のスキル"| M2
end
公式skill-creatorとは
概要
Anthropicはanthropics/skillsリポジトリで、skill-creatorというメタスキルを公開している1。
「skill-creatorは、ユーザーが新しいスキルを作成（または既存のスキルを更新）したいときに使用する」
このスキルには以下が含まれる：
- スキルの構造とベストプラクティス
- Progressive Disclosureの設計原則
- フロントマターの書き方
- バンドルリソース（scripts/、references/、assets/）の使い分け
init_skill.py（スキル初期化スクリプト）package_skill.py（スキルパッケージングスクリプト）
スキル機能自体は、Claude Codeのベストプラクティス2において「ドメイン固有の知識をClaudeに提供する仕組み」として位置づけられている。skill-creatorは、このスキル作成プロセスをAIに委譲するためのメタスキルである。
skill-creatorの設計原則
公式skill-creatorには、以下の重要な原則が含まれている1：
1. 簡潔さが最優先
「Claudeはすでに高度であるため、Claudeがまだ持っていない文脈だけを追加する。各情報のトークンコストを正当化できるか検討する」（筆者による日本語訳）
2. 適切な自由度の設定
| 自由度 | 用途 | 例 |
|---|---|---|
| 高 | テキストベース指示 | 複数アプローチが有効な場合 |
| 中 | 疑似コード/スクリプト | パターンが存在し、変動可能 |
| 低 | 具体的スクリプト | 操作が脆弱で確実性が必要 |
3. 段階的情報開示（Progressive Disclosure）
| レベル | 読み込みタイミング | サイズ目安 |
|---|---|---|
| メタデータ | 常に | ~100トークン |
| SKILL.md本体 | スキル発動時 | <5,000トークン |
| バンドルリソース | 必要に応じて | 無制限 |
ワークフロー：公式skill-creatorをベースに運用
ステップ1: 公式skill-creatorの導入
まず、公式リポジトリからskill-creatorを取得する。
1
2
3
4
5
# リポジトリをクローン
git clone https://github.com/anthropics/skills.git
# skill-creatorをプロジェクトにコピー
cp -r skills/skills/skill-creator .claude/skills/
または、Claude Codeに直接依頼する：
1
2
https://github.com/anthropics/skills/tree/main/skills/skill-creator
の内容を読み込んで、.claude/skills/skill-creator/ に配置してください。
ステップ2: プロジェクト固有のスキル設計ルールを追加（任意）
公式skill-creatorはそのままでも使えるが、スキル自体の設計に関するプロジェクト固有ルールがあれば追加できる。
1
2
3
4
5
skill-creatorに以下のルールを追加してください。
- スキル作成・更新時は公式ドキュメントを参照してレビューする
- https://github.com/anthropics/skills
- https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices
ステップ3: skill-creatorを使って他のスキルを作成
skill-creatorが導入できたら、以下のように他のスキルを作成できる。
1
2
3
4
5
6
7
記事を執筆するためのスキルを作成してください。
要件：
- エビデンスベースの主張
- 参考資料の明記（信頼性レベル付き）
- 類似記事の検索を最初に実行
- Mermaid図はTB方向を使用
skill-creatorには init_skill.py スクリプトが含まれており、スキル名はケバブケース（例：article-writer）で命名される。保存先を明示的に指定する必要はなく、AIがスキルの目的から適切な名前を判断し、.claude/skills/ に配置する。
AIはskill-creatorの知識を使って、ベストプラクティスに準拠したスキルを生成する。
ステップ4: 生成されたスキルをレビュー
AIが生成したスキルをレビューする。確認ポイント：
- 意図した機能が実装されているか
- 不要な複雑さが追加されていないか
- Progressive Disclosureが適用されているか
問題があれば修正を依頼し、問題なければ承認する。
ステップ5: 運用とメンテナンス
スキルを使った作業中に問題を発見したら、その場でスキルの更新を依頼する。
1
引用番号が飛び飛びになっている。連番になるようにスキルを更新して。
作業の文脈があるため、どのスキルを更新すべきか、どのようなルールを追加すべきかはAIが判断できる。後から別のセッションで修正する場合は、問題の詳細を説明する必要があるが、その場であれば最小限の指示で済む。
Claude Code 2.1.0以降、スキルの自動ホットリロードがサポートされている3。更新されたスキルはセッションを再起動せずに即座に反映されるため、この「発見→更新→継続」のサイクルがシームレスに回る。
先進的なユーザーの実践
Superpowersの事例
Jesse Vincent氏は「Superpowers」というワークフローで、同様のアプローチを実践している4：
「最初に教えたスキルの一つが『スキルの作り方』だった。これにより、git worktreeワークフローのような機能を追加したいときは、どう動くべきか説明するだけで、Claudeが組み立てて既存のスキルにメモを追加してくれる」
自己改善ループ
skill-creatorも単なるスキルの一つである。他のスキルと同様に、使いながら問題を発見し、更新していく。
flowchart TB
subgraph Loop["自己改善ループ"]
direction TB
L1["スキルを作成"]
L2["スキルを使って作業"]
L3["問題を発見"]
L4["スキルを更新"]
L1 --> L2 --> L3 --> L4
L4 -.-> L2
end
Vincent氏のSuperpowersでは、以下のような自己改善が行われている4：
- 失敗からの学習: サブエージェントを使ってスキルを「圧力テスト」
- 段階的な指示改善: 失敗パターンを発見したら、スキルを更新
実践上の注意点
レビューは省略しない
AIにスキル作成を任せても、レビューは必須である。確認すべき点：
- 意図した機能が実装されているか
- 不要な複雑さが追加されていないか
- 公式ベストプラクティスに準拠しているか
スキルの肥大化を防ぐ
skill-creatorには以下の制約が含まれている：
- SKILL.md は 500行以下に保つ
- 詳細は references/ に分離
- 同じ情報を複数箇所に書かない
プロジェクト固有のルールを追加する際も、この制約を守る。
このブログでの実践
本ブログでは、以下のワークフローを採用している：
- 初期構築: 公式skill-creatorを導入し、プロジェクト固有ルールを追加
- 記事執筆スキル: skill-creatorを使って
article-writerスキルを作成 - 継続的改善: 記事執筆中に発見した問題をスキルに反映
例えば、article-writerスキルには以下のルールが蓄積されている：
- 「Mermaid図はTB方向を使用」（モバイル対応の問題から追加）
- 「引用番号の連番ルール」（参照の追跡可能性から追加）
- 「ダークモード対応のスタイルルール」（視認性の問題から追加）
これらはすべて、作業中に発見された問題から、AIに更新を依頼して追加されたルールである。
まとめ
「スキルを書かずにスキルを使う」——このアプローチの本質は、AI委譲の徹底である。
- 公式skill-creatorを導入: Anthropicが公開しているメタスキルを活用
- プロジェクト固有ルールを追加: 必要に応じてカスタマイズ
- スキル作成をAIに委譲: 「何をするスキルが欲しいか」だけ伝える
- レビューで品質を担保: 生成されたスキルを確認・承認
- メンテナンスもAIに委譲: 問題を発見したら更新を依頼
このワークフローにより、人間は「意図の担保者」という役割に集中できる。スキルの設計原則を暗記する必要はない。公式skill-creatorに蓄積された知識が、すべてのスキル作成に一貫して適用される。
レビューの観点が変わったで述べた「学習の外部化」は、メタスキルによってさらに加速する。人間が学ぶべきは「何を作るか」であり、「どう作るか」はAIに任せればよい。
関連記事
このテーマに関連する他の記事もご覧ください：
- レビューの観点が変わった——人間チームとAI協業の本質的な違い - 学習の外部化とルール蓄積の重要性
- プロンプトを書かない熟練者——メタプロンプティングとオーケストレーターへの進化 - AIへの指示の出し方の変化
- 「AIに丸投げ」に見える熟練者の真実 - 戦略的AI委任スキル
参考資料
本文中の引用番号に対応する参考資料を番号順に記載しています。
その他参考資料（本文中で番号引用なし）
Extend Claude with skills - Anthropic, Claude Code Docs (2025). 【信頼性: 高】
Agent Skills Overview - Anthropic, Claude Platform Docs (2025). 【信頼性: 高】
Skill authoring best practices - Anthropic, Claude Platform Docs (2025). 【信頼性: 高】
GitHub - anthropics/skills - Anthropic (2025). 【信頼性: 高】
引用の正確性について： 本記事で引用した資料は、公式ドキュメントおよび公式リポジトリを中心に構成しています。Claude Codeのスキル機能は2025年10月以降に公開された比較的新しい機能であり、情報は執筆時点（2026年1月）のものです。最新の仕様については公式ドキュメントをご確認ください。
skill-creator - Anthropic (2025). 【信頼性: 高】 ↩︎ ↩︎2
Claude Code Best Practices - Anthropic (2025). スキル機能を含むClaude Code全般のベストプラクティス。【信頼性: 高】 ↩︎
Claude Code Changelog - Anthropic (2025). Version 2.1.0で自動ホットリロード機能が追加。【信頼性: 高】 ↩︎
Superpowers: How I’m using coding agents in October 2025 - Vincent, J. (2025). 【信頼性: 中〜高】 ↩︎ ↩︎2