Agent Skillsを使って実体験レポート
はじめに
「AIにコードを書かせてみたけど、なんかズレる…」
そんな経験、ありませんか？
今回は、Agent Skillsを活用してClaudeとペアプログラミングを実践した体験を、良かった点も課題も含めて等身大でお伝えします。
そもそも「Agent Skills」とは何か？
Agent Skillsを一言で表すなら、AIに「やり方」を教えるマニュアルです。
指示・テンプレート・スクリプトをまとめた「スキルパック」をAIに読み込ませることで、特定のタスクに特化した動作が可能になります。
よく比較されるのが MCP（Model Context Protocol） との違いです。
| 比較項目 | MCP | Agent Skills |
|---|---|---|
| 役割 | AIに「道具」を持たせる | AIに「やり方」を教える |
| 例え | 電話、ファイル、データベース | 料理のレシピ、仕事の手順書 |
| 実装 | サーバー構築・API連携が必要 | Markdownやスクリプトの配置のみ |
| 得意分野 | 外部データの取得・操作 | ドメイン知識、規約、ワークフロー |
MCPが「AIに何ができるか」を拡張するのに対し、Agent Skillsは「AIがどう行動するか」を定義する仕組みです。Markdownファイルを置くだけで始められるシンプルさも魅力です。
なぜAgent Skillsなのか？
Agent Skillsを試そうと思ったのには、明確な理由が三つありました。
① 生産性の限界突破
ボイラープレートや定型的なロジック生成をAIに任せることで、私たちエンジニアは「書く」作業から「選ぶ・直す」作業へシフトできます。初速が劇的に向上し、開発サイクルの高速化が期待できます。
② 属人化の解消
ベテランエンジニアのノウハウをSkill化してAIに学習させれば、チーム全体の知識レベルが底上げされます。「あの人に聞かないとわからない」という状況を減らせるはずです。
③「孤独な開発」からの脱却
AIは24時間365日、常に相談できるパートナーになります。心理的な安全性を保ちながら、新しい実装への挑戦や設計の壁打ちができます。ラバーダッキングの相手として、実は最高の存在です。
実際の進め方
今回の実践では、以下の構成でペアプログラミングを行いました。
開発環境： Claude Sonnet（メインエージェント）+ カスタムAgent Skills
役割分担：
- Human（ナビゲーター）： 全体設計の決定、コードレビュー、Skillの継続的改善
- AI（ドライバー）： 機能の実装、テストコードの生成、ドキュメント作成
ワークフロー（4フェーズ）：
- Plan — 実装方針の合意
- Exec — Skillに基づく実装
- Review — 人間による検収
- Update — Skillの微調整
フェーズごとに人間がチェックを挟むことで、AIとの意図の乖離を防ぐのがポイントです。また、CLAUDE.md でプロジェクト規約を定義しておくことで、AIが常に「チームのルール」を意識した提案をしてくれます。
やってみて良かったこと
🚀 爆速の開発体験
ボイラープレートや単純なロジックはAIが一瞬で生成してくれます。「書く」作業の負担が激減し、本当に考えるべき部分に集中できる環境が整いました。
💬 「壁打ち」としての価値
設計の妥当性をAIと議論することで、自分では気づかなかったエッジケースを発見できました。人間に話しかけるより気軽に相談できるのが、意外と大きなメリットです。
📚 コンテキストの維持
Agent Skillsを使うことで、AIがプロジェクトの文脈を外さずに、チーム独自の規約に沿った提案をしてくれます。「いつもの書き方」をAIが理解してくれる感覚は、かなり快適です。
🧪 心理的ハードルの低下
失敗を恐れずに新しい実装に挑戦できるようになりました。未知のライブラリを導入する際の不安が解消され、「とりあえずやってみる」が容易になります。
正直に伝える課題
良いことばかりではありませんでした。実際に直面した課題も包み隠さず共有します。
⚠️ 意図のズレと「迷走」
指示が曖昧だと、Skillを定義してもAIが誤った推論を重ねて迷走することがあります。早期の軌道修正が不可欠で、「Plan」フェーズでの合意がいかに重要かを痛感しました。
🐛 「丸投げ」によるデバッグ地獄
AIの出力を鵜呑みにして一気に実装を進めると、潜在的なバグの特定が極めて困難になります。フェーズごとの検収をサボると、後で痛い目を見ます。
🔧 Skillのメンテナンスコスト
コードベースや規約が進化するにつれ、Skill自体も継続的に更新しなければなりません。放置すると「腐ったマニュアル」になってしまい、むしろ混乱の元になります。
💸 リソースとコストのトレードオフ
大規模なSkillや長い対話履歴は、トークン消費量を増大させ、レスポンス速度の低下を招きます。Skillの設計はスリムさも意識する必要があります。
向き・不向きの整理
体験を通じて、AIとのペアプロには明確な向き不向きがあることがわかりました。
✅ 向いているタスク
- 新規機能のプロトタイピング
- ボイラープレート・テストコードの作成
- 明確な規約に基づくリファクタリング
- 新しいライブラリの導入調査
❌ 向いていないタスク
- 高度なビジネスロジックの意思決定
- UI/UXの微細な調整・感覚的な修正
- ドキュメント化されていない暗黙知への依存
- セキュリティが極めて重要な核心部分
成功の鍵：タスクを小さく分解し、フェーズごとに「検収」を行うこと。
今後の活用アイデア
今回の体験を踏まえ、さらに広げたいと考えているアイデアをいくつか挙げます。
チーム内ナレッジのSkill化
オンボーディング資料やチーム独自のベストプラクティスをSkillとして提供し、「誰かに聞かないとわからない」問題をAIが解決する仕組みを作る。
デザインシステムとの統合
FigmaのデザイントークンをSkill化し、UI実装を自動化することで、デザインとコードの乖離を最小限に抑える。
コードレビューの自動化
コーディング規約をSkillに反映し、PR作成前にAIがセルフチェックを実施。レビューの質を平準化し、ベテランエンジニアの負担を軽減する。
PM・要件定義への応用
技術的な実現可能性の即時フィードバックや、チケット作成の補助など、エンジニアリング以外の領域にも展開できる可能性がある。
まとめ
AIは今、「ツール」から「パートナー」へと進化しています。
Agent Skillsは、AIにプロジェクトの「文脈」と「手順」を与える強力な仕組みです。使いこなすまでには試行錯誤が必要ですが、うまく機能したときの開発体験は、これまでとは別次元のものになります。
重要なのは「AIに何をさせるか」ではなく、「AIとどう協働するか」という視点を持つことです。
まずは小さなタスクから、自分専用のSkillを一つ作ってみることをお勧めします。あなたの開発体験が、きっと変わります。