Learn Claude Code
s05

スキル

コアループ

軽く見つけて、必要時に深く読む|244 LOC|5 ツール

専門知識は最初から全部を文脈へ詰め込まず、必要になった時だけ軽く見つけて深く展開するべきです。

s01 > s02 > s03 > s04 > [ s05 ] > s06 > s07 > s08 > s09 > s10 > s11 > s12 > s13 > s14 > s15 > s16 > s17 > s18 > s19

"必要な知識を、必要な時に読み込む" -- system prompt ではなく tool_result で注入。

Harness 層: オンデマンド知識 -- モデルが求めた時だけ渡すドメイン専門性。

問題

エージェントにドメイン固有のワークフローを遵守させたい: gitの規約、テストパターン、コードレビューチェックリスト。すべてをシステムプロンプトに入れると、使われないスキルにトークンを浪費する。10スキル x 2000トークン = 20,000トークン、ほとんどが任意のタスクに無関係だ。

解決策

System prompt (Layer 1 -- always present):
+--------------------------------------+
| You are a coding agent.              |
| Skills available:                    |
|   - git: Git workflow helpers        |  ~100 tokens/skill
|   - test: Testing best practices     |
+--------------------------------------+

When model calls load_skill("git"):
+--------------------------------------+
| tool_result (Layer 2 -- on demand):  |
| <skill name="git">                   |
|   Full git workflow instructions...  |  ~2000 tokens
|   Step 1: ...                        |
| </skill>                             |
+--------------------------------------+

第1層: スキル名をシステムプロンプトに(低コスト)。第2層: スキル本体をtool_resultに(オンデマンド)。

仕組み

  1. 各スキルは SKILL.md ファイルを含むディレクトリとして配置される。
skills/
  pdf/
    SKILL.md       # ---\n name: pdf\n description: Process PDF files\n ---\n ...
  code-review/
    SKILL.md       # ---\n name: code-review\n description: Review code\n ---\n ...
  1. SkillLoaderが SKILL.md を再帰的に探索し、ディレクトリ名をスキル識別子として使用する。
class SkillLoader:
    def __init__(self, skills_dir: Path):
        self.skills = {}
        for f in sorted(skills_dir.rglob("SKILL.md")):
            text = f.read_text()
            meta, body = self._parse_frontmatter(text)
            name = meta.get("name", f.parent.name)
            self.skills[name] = {"meta": meta, "body": body}

    def get_descriptions(self) -> str:
        lines = []
        for name, skill in self.skills.items():
            desc = skill["meta"].get("description", "")
            lines.append(f"  - {name}: {desc}")
        return "\n".join(lines)

    def get_content(self, name: str) -> str:
        skill = self.skills.get(name)
        if not skill:
            return f"Error: Unknown skill '{name}'."
        return f"<skill name=\"{name}\">\n{skill['body']}\n</skill>"
  1. 第1層はシステムプロンプトに配置。第2層は通常のツールハンドラ。
SYSTEM = f"""You are a coding agent at {WORKDIR}.
Skills available:
{SKILL_LOADER.get_descriptions()}"""

TOOL_HANDLERS = {
    # ...base tools...
    "load_skill": lambda **kw: SKILL_LOADER.get_content(kw["name"]),
}

モデルはどのスキルが存在するかを知り(低コスト)、関連する時にだけ読み込む(高コスト)。

s04からの変更点

ComponentBefore (s04)After (s05)
Tools5 (base + task)5 (base + load_skill)
System promptStatic string+ skill descriptions
KnowledgeNoneskills/*/SKILL.md files
InjectionNoneTwo-layer (system + result)

試してみる

cd learn-claude-code
python agents/s05_skill_loading.py
  1. What skills are available?
  2. Load the agent-builder skill and follow its instructions
  3. I need to do a code review -- load the relevant skill first
  4. Build an MCP server using the mcp-builder skill

高完成度システムではどう広がるか

この章の核心は 2 層モデルです。
まず軽い一覧で「何があるか」を知らせ、必要になったときだけ本文を深く読み込む。これはそのまま有効です。

より完成度の高いシステムでは、その周りに次のような広がりが出ます。

観点教材版高完成度システム
発見レイヤープロンプト内に名前一覧予算付きの専用インベントリやリマインダ面
読み込みload_skill が本文を返す同じ文脈へ注入、別ワーカーで実行、補助コンテキストとして添付など
ソースskills/ ディレクトリのみuser、project、bundled、plugin、外部ソースなど
適用範囲常に見えるタスク種別、触ったファイル、明示指示に応じて有効化
引数なしスキルへパラメータやテンプレート値を渡せる
ライフサイクル一度読むだけcompact や再開後に復元されることがある
ガードレールなしスキルごとの許可範囲や行動制約を持てる

教材としては、2 層モデルだけで十分です。
ここで学ぶべき本質は：

専門知識は最初から全部抱え込まず、必要な時だけ深く読み込む
という設計です。