
CodexとClaude CodeのSkillはどう設計するか?増やす前に考えたい分類、配置、評価、成熟化について考える。
同じ指示を何度も貼り付けている。プロジェクトのルールを書き足すうちに、AGENTS.mdやCLAUDE.mdが長くなってきた。そこでSkillへ切り出してみたら、今度はどのSkillが呼ばれるのか分からない。さらに「多角的に調べて」と依頼しただけで、多数のサブエージェントが同じ資料を読み始める。
CodexやClaude Codeを本格的に使うほど、こうした問題は起きやすくなります。
原因は、Skillの書き方だけではありません。何をSkillにし、何を常設ルールやスクリプトへ置き、どの操作を強制的に止め、どう評価して、いつ廃止するかまで設計していないことが問題です。
私の結論は明確です。
良いSkillとは、AIに多くのことを覚えさせる仕組みではありません。必要なときだけ、正しい能力を、正しい境界と権限で再現させる仕組みです。
この記事では、CodexとClaude Codeの公式仕様、Agent Skills標準、エージェント間連携や状態管理の考え方、Skill改善に関する研究を横断しながら、Skillを増やす前に必要な設計を整理します。

Skillという言葉には三つの意味が混ざっている
Skillを整理しにくい最初の理由は、同じ言葉が異なるものを指していることです。
CodexやClaude Codeで使うSkillは、基本的には手順や専門知識をまとめた再利用可能な作業パッケージです。SKILL.mdへ指示を書き、必要に応じてスクリプト、参考資料、テンプレートなどを同じフォルダへ含めます。
一方、エージェント間連携のA2Aでは、Skillは「このエージェントは何ができるか」を外部へ知らせる能力情報として扱われます。さらにVoyagerのような研究では、Skillはエージェントが経験から獲得し、実行可能な形で蓄積する能力を指します。
つまり、少なくとも次の三つがあります。
反復作業を再現する手順としてのSkill
外部から発見できる能力宣言としてのSkill
経験から獲得・改善される能力としてのSkill
この記事で中心に扱うのは一つ目ですが、後ろ二つを無視すると設計が狭くなります。
Skillは単なる保存済みプロンプトではありません。より実務的には、次の問いへ答える再利用単位として捉えるべきです。
何ができるのか
どの依頼で使うのか
どの依頼では使わないのか
何を入力として必要とするのか
どこまで自動で進めてよいのか
何を出力するのか
どう検証するのか
失敗したらどう戻るのか
ここまで定義して初めて、Skillは「便利な指示文」から「運用可能な能力」へ変わります。
AGENTS.mdやCLAUDE.mdとSkillは同じ役割ではない
Claude Codeの公式ドキュメントでは、同じチェックリストや複数工程を繰り返し貼り付けている場合や、CLAUDE.mdの一部が事実ではなく手順書へ膨らんだ場合がSkill候補になると説明されています。
この区別は重要です。
AGENTS.mdやCLAUDE.mdは、原則としてそのリポジトリで常に必要な情報を置く場所です。
たとえば、次のような内容です。
標準のビルド・テスト方法
ディレクトリ構造
命名規則
変更禁止領域
コーディング規約
正式な情報源
秘密情報の扱い
常に守るべき短いルール
一方、Skillは特定の場面だけで必要になる工程や知識へ向いています。
本番リリース前の確認
データベース移行
障害の原因調査
セキュリティレビュー
記事や設計書の作成
特定領域の専門レビュー
複数成果物の統合
中断した作業の再開
判断基準は、毎回必要か、必要なときだけ読むべきかです。
ここを曖昧にすると二つの問題が起きます。常設ファイルへ工程を詰め込めば、毎回のコンテキストが重くなります。反対に、常に必要なルールをSkillへ逃がすと、そのSkillが呼ばれなかったときに基本ルールが失われます。
初期の設計案では、repository-orientation、つまりリポジトリ理解のためのSkillを新規リポジトリへ置く案が有力でした。
しかし、README、AGENTS.md、CLAUDE.md、package scripts、アーキテクチャ概要が短く正確なら、専用Skillは不要です。
Skill化する価値があるのは、モノレポで対象ごとに読み方が変わる、正本が複数ある、生成コードやレガシー領域の識別が難しい、タスクに応じた動的探索が必要、といった場合です。
これは重要な修正です。分かりにくいリポジトリをSkillで覆い隠す前に、リポジトリ自体を分かりやすくするべきです。

自然言語で考えさせる部分と機械的に止める部分を分ける
SkillだけでAI開発の仕組みを作ろうとすると、自然言語に責任を持たせすぎます。
役割は次のように分けるのが妥当です。
AGENTS.mdやCLAUDE.mdは、常時必要な事実とルールを保持します。
Skillは、状況に応じた判断、工程、専門知識、成果物契約を保持します。
スクリプトは、ハッシュ計算、JSON検証、ファイル名変換、ログ抽出、決まったコマンド列のような、同じ入力なら同じ結果を期待する処理を担当します。
Hookは、特定の操作前後に必ず実行したい処理を担当します。危険コマンドの検知、編集後のフォーマット、終了前の検証などです。
CIは、テスト不合格、秘密情報の混入、必須レビュー不足などを最終的にマージ不能にします。
MCPやコネクターは、GitHub、Slack、データベース、ブラウザ、社内APIなど外部機能への接続を提供します。
サブエージェントは、独立したコンテキストで行う価値がある専門作業を担当します。
プラグインは、Skill、Hook、サブエージェント、MCPなどをまとめて配布する単位です。
特に、公開、削除、課金、権限変更、秘密情報、認証変更のような高リスク操作を、Skill内の「気をつける」という文章だけで守らせてはいけません。
Skillは何を確認するかを示せます。しかし、本当に止める必要がある操作は、Hook、権限設定、CI、人間承認で止める必要があります。
Skillの種類は一つの一覧だけでは整理できない
Skillを分類しようとすると、分類数が増え続けます。
工程、検証、調査、成果物、運用、セキュリティと分けることもできます。情報取得、判断、実行、協調、評価と分けることもできます。作成、公開、利用、改善、廃止という時間軸でも分けられます。
これらは競合する分類ではありません。見ている軸が違います。
私は、三つの地図を分けて持つのがよいと考えています。

どの仕事を扱うかを見る業務の地図
業務の種類としては、次の十分類が使えます。
工程Skillは、要件定義、実装計画、リファクタリング、リリースなど、作業の順番と分岐を標準化します。
検証・品質Skillは、要件適合、回帰リスク、セキュリティ、成果物の完全性を確認します。
調査・診断Skillは、修正前に症状、証拠、仮説、反証、根本原因を整理します。
成果物Skillは、PR本文、設計書、ADR、記事、提案書、引継ぎパッケージなどを一定の契約で作ります。
プロジェクト固有知識Skillは、必要時だけ読むアーキテクチャ、データフロー、特殊な作法を提供します。
運用・復旧Skillは、デプロイ、ロールバック、認証情報更新、障害復旧、中断再開を扱います。
セキュリティ・権限制御Skillは、秘密情報、認証、個人情報、権限影響を検査します。
統合・引継ぎSkillは、複数の調査結果、レビュー、成果物を一つの正本へまとめます。
メタSkillは、Skill候補の発見、重複検出、評価、改善、廃止を扱います。
ドメイン専門Skillは、Cloudflare、Postgres、Stripe、法務、会計、コンテンツ制作など、一般知識だけでは不足する領域を扱います。
何の機能を担うかを見る機能の地図
機能として整理すると、六つにまとまります。
情報と状態を扱うSkillには、探索、取得、コンテキスト構成、状態管理、記憶があります。
推論と判断を扱うSkillには、依頼解釈、曖昧性解消、分解、計画、ルーティング、選択、診断、反省があります。
実行と変換を扱うSkillには、ツール利用、形式変換、外部操作、ドメイン実務があります。
オーケストレーションを扱うSkillには、工程制御、委任、協調、結果統合、回復、再開があります。
学習と改善を扱うSkillには、失敗分析、再利用パターン抽出、Skill候補化、変更提案があります。
ガバナンスと評価を扱うSkillには、成果検証、実行経路評価、権限、承認、監査証拠があります。
元の研究では、これらが二十二の細分類として整理されました。重要なのは、二十二個のSkillを作ることではありません。一つのSkillがどの機能を担い、何を他の仕組みに委ねるかを明確にすることです。
いつ作り、いつ捨てるかを見るライフサイクルの地図
Skillにも寿命があります。
反復作業を発見し、候補化し、設計し、実装し、評価し、公開し、利用状況を観測し、改善し、重複を統合し、不要なら廃止します。
作って終わりではありません。
使われないSkill、誤発動するSkill、古い仕様を参照するSkill、他のSkillと重なるSkill、スクリプトで置き換えられるSkillは、残すほど運用コストになります。
高品質なSkillは四つの契約を持つ
多くのSkillは、実行手順だけを書いて終わります。
しかし、手順だけでは「いつ使うか」「何をもって成功とするか」「失敗時にどうするか」が曖昧です。
高品質なSkillは、四つの契約を持ちます。

能力契約では、目的、対象タスク、必要入力、出力、前提、対象外を定めます。
判断規則では、発動条件、分岐、優先順位、質問条件、停止条件、人間承認条件を定めます。
実行手順では、工程、使用ツール、スクリプト、中間成果物、チェックポイント、再実行方法を定めます。
保証契約では、検証方法、受入条件、禁止事項、保存する証拠、失敗時処理を定めます。
たとえば「安全なリファクタリング」というSkillなら、単にコードを改善する手順を書くのでは不足します。
変更対象、変更しない範囲、保持すべき挙動、実行するテスト、差分上限、停止条件、ロールバック方法、最終報告形式まで必要です。
この四分割を使うと、曖昧な万能Skillを避けやすくなります。
SKILL.mdへすべてを詰め込まない
Agent Skills標準では、SkillはSKILL.mdを必須とし、スクリプト、参考資料、テンプレートなどを任意で同梱できます。
基本構造は次のようになります。
skill-name/
├── SKILL.md
├── scripts/
├── references/
├── assets/
└── tests/標準仕様で明示されている主要な任意ディレクトリはscripts、references、assetsです。testsは共通仕様の必須ディレクトリではありませんが、実務では発動テスト、成果物検証、回帰テストを置く場所として有効です。
SKILL.mdには、少なくともnameとdescriptionを含むYAML形式のメタデータが必要です。
descriptionは紹介文ではありません。エージェントがSkillを読むかどうかを決めるルーティング情報です。
「コードレビューを助ける」では弱すぎます。
何を対象にし、どの依頼で使い、何を確認し、どの依頼では使わないかが分かる必要があります。
Agent Skillsの公式ガイドでは、発動すべき依頼と発動すべきでない依頼を用意し、descriptionの発動精度を試す方法が示されています。つまり、Skill本文だけでなく、Skillを選ぶ入口自体をテストする必要があります。
また、Skillは段階的に読み込まれます。起動時には名前と説明だけを読み、選択された後にSKILL.md本文を読み、必要な場合だけ追加資料やスクリプトを参照します。
この仕組みはコンテキスト節約に有効ですが、Skillを増やしすぎれば、名前と説明の一覧だけでも重くなります。OpenAIの現行ドキュメントでは、Codexの初期Skill一覧にはコンテキスト上限があり、多数のSkillがある場合は説明が短縮されたり、一部が省略されたりする可能性も説明されています。
だからこそ、Skill数は成熟度の指標になりません。
CodexとClaude CodeではSkillの置き場所が違う
Agent Skillsは共通フォーマットですが、どこからSkillを発見するかはホスト製品が決めます。
Codexは、リポジトリ内では`.agents/skills/`を使います。現在の作業ディレクトリからリポジトリルートまでの各階層を探索します。個人共通Skillは`~/.agents/skills/`です。
<repository>/.agents/skills/<skill-name>/SKILL.md
~/.agents/skills/<skill-name>/SKILL.mdClaude Codeは、プロジェクトでは`.claude/skills/`、個人共通では`~/.claude/skills/`を使います。
<repository>/.claude/skills/<skill-name>/SKILL.md
~/.claude/skills/<skill-name>/SKILL.mdClaude Codeは、リポジトリルートまでの親階層だけでなく、作業対象となる下位ディレクトリの`.claude/skills/`も必要時に発見します。モノレポでパッケージ固有Skillを持たせる用途に向いています。

両方を使う場合、三つの案があります。
一つ目は、`.agents/skills/`と`.claude/skills/`へ別々に配置する方法です。製品固有機能を最大限使えますが、内容がずれる危険があります。
二つ目は、共通の正本を別の場所へ持ち、各公式パスへ生成・同期する方法です。私はこれを推奨します。
agent-skills-src/
├── shared/
├── codex/
└── claude/
.agents/skills/
.claude/skills/
scripts/sync-agent-skills.py共通本文と製品固有メタデータを分離し、CIで同期差分を検出します。
三つ目は、シンボリックリンクで同じSkillフォルダを共有する方法です。CodexもClaude Codeも現行仕様ではシンボリックリンクを扱えます。ただし、製品固有frontmatterや配布環境、Windowsを含む運用差を考えると、無条件の第一選択にはしにくい方法です。
共通正本は便利ですが、`agent-skills-src/`自体が公式探索パスになるわけではありません。必ず製品が読む場所へ同期する必要があります。
新しいリポジトリへ最初から多数のSkillを置かない
新規リポジトリでは、Skillを豊富に用意したくなります。
しかし、まだ業務も実装も安定していない段階でSkillを作ると、未検証の理想工程を固定化します。
最初の考え方としては、次のような局面があります。
目的と要件を決める
リポジトリの骨格を作る
小さく実装する
反復開発を安定させる
リリースを再現可能にする
本番運用と復旧を整える
Skill群を組織資産として管理する
ただし、これを一方向の階段として使うべきではありません。
本番運用中でも大きな仕様変更が起きれば要件定義へ戻ります。セキュリティ事故が起きれば、リリース速度より権限と復旧を優先します。チーム構成が変われば、理解可能性が下がります。
そこで、成熟度を八つの能力へ分けます。

目的と要件
リポジトリの理解可能性
変更の安全性
品質保証
デリバリー
運用
セキュリティと統制
学習と改善
大切なのは、点数の低い領域へSkillを追加することではありません。
理解可能性が低ければ、READMEや構造を直す方が先かもしれません。品質保証が低ければ、テストやCIが先です。統制が弱ければ、権限と承認が先です。
Skillは基盤の代替ではありません。
リポジトリの症状から必要なSkillを判断する
実務では、Phase名より、今起きている症状から考える方が使いやすくなります。
目的や受入条件が曖昧なら、requirements-definitionやacceptance-definitionのようなSkillが候補になります。ただし、そもそもプロダクト責任者の判断がない場合、AIだけでは埋められません。
初見のたびに大量のファイルを読むなら、bounded-repository-orientationやcontext-compressionが候補です。その前に、正本と主要構造を常設文書へ短く書けないか確認します。
差分が膨らみやすいなら、task-scope-definition、minimal-change-planning、bounded-implementationが候補です。変更上限や非スコープを明示します。
検証方法が毎回違うなら、change-verificationやtest-selectionが候補です。決まった検査はスクリプトやCIへ移します。
レビューが属人的なら、implementation-review、regression-risk-review、adversarial-reviewが候補です。ただし、似たレビューを何段も直列に置かないようにします。
デプロイが複雑なら、deployment-preflight、migration-safety-review、rollback-planningが候補です。実行操作は権限と承認で保護します。
本番障害が繰り返すなら、incident-triage、root-cause-analysis、resume-from-checkpoint、post-incident-reviewが候補です。
Skillが増えすぎたなら、新しいSkillではなく、skill-routing-audit、skill-deduplication、skill-deprecationが必要です。
この最後の状態は見落とされがちです。Skillの問題をSkill追加だけで解決すると、さらに複雑になります。
サブエージェントが増えすぎるのは「多角的」のせいではない
大量のサブエージェントが動く問題は、モデルの性格だけではなく、工程設計から生まれます。
典型的な原因は次のとおりです。
Skillの責務が広すぎる
「多角的に」を無制限並列化と解釈する
観点ごとに別エージェントを作る
同じ資料を各エージェントが再読する
並列数の上限がない
統合コストを評価しない
小さなタスクへ完全工程を適用する
レビューSkillが重複する
Skillが別Skillやサブエージェントを再帰的に呼ぶ
完了条件がなく、追加調査を続ける

初期ルールとして、通常タスクはサブエージェントなし、中規模の独立調査は最大二つ、大規模でも三〜五程度、五を超える場合は人間承認、といった上限を置く方法があります。
これは公式の普遍的基準ではありません。組織やタスクに応じて調整する初期値です。
重要なのは、エージェント数ではなく、次を確認することです。
本当に独立した作業か
同じ情報を重複して読まないか
並列化による時間短縮が統合コストを上回るか
結果を統合する責任者がいるか
再委任を許すか
停止条件があるか
「多角的に調べる」と「大量のエージェントを作る」は同義ではありません。一つのエージェントでも、反証、別仮説、異なる情報源、複数評価軸を順番に検討できます。
Skillは最終成果物だけで評価してはいけない
Skillを改善するとき、「前より良さそう」で判断すると回帰を見落とします。
OpenAIのSkill評価ガイドでは、成果だけでなく、Skillが呼ばれたか、期待したコマンドを実行したか、不要な処理をしていないかといった実行経路も評価対象にしています。
評価は二つに分けると分かりやすくなります。

成果の評価では、タスク成功率、部分成功率、受入条件適合、人間の修正量、案件間の再現性を見ます。
経路の評価では、次を見ます。
正しい依頼で発動したか
発動すべきでない依頼で発動しなかったか
必要な資料だけを読んだか
想定したツールと工程を使ったか
不要なサブエージェントを作らなかったか
トークン、ツール呼出し、工程数が過剰でないか
承認を飛ばしていないか
失敗後に安全に回復できたか
余計なファイルを残していないか
Skill候補を作る前の評価と、運用後の評価も分けるべきです。
候補化の段階では、発生頻度、失敗影響、再利用性、判断価値、手順安定度、入力と完了条件の明確さ、保守コストを評価します。
運用後は、発動精度、成功率、コスト、人間介入、回復率、仕様変更への追随を評価します。
Skillを作る価値が高くても、作ったSkillが有効とは限りません。
descriptionはSkill本文と同じくらい重要になる
Skillが発動しない場合、本文を直す前にdescriptionを疑う必要があります。
descriptionが狭すぎれば、必要な依頼で呼ばれません。広すぎれば、無関係な依頼でも呼ばれます。
発動テストでは、次の二群を用意します。
発動すべき現実的な依頼
発動すべきでない似た依頼
表現の丁寧さ、誤字、略語、具体性、長さを変えた複数の依頼を試します。
たとえばデータ分析Skillなら、「CSVを分析して」と明示する依頼だけでなく、「売上ファイルから利益率を追加して」と目的だけを述べる依頼も必要です。一方、単純なJSONからYAMLへの変換など、Skillなしで処理できる依頼では発動しない方がよい場合があります。
ここから分かるのは、descriptionは説明文ではなく、分類器の入力だということです。
Skillはコード依存物のように管理した方がよい
外部からSkillを導入する場合、そのSkillは単なる文章ではありません。
スクリプトを実行し、ファイルを読み、ネットワークへ接続し、ツール権限を要求する可能性があります。Claude Codeの公式ドキュメントも、プロジェクトSkillが広いツール権限を自ら許可できるため、信頼前に確認するよう注意しています。
したがって、Skillには次の管理情報が必要です。
作成者と所有者
出所
対象製品と必要環境
使用するツールと権限
最終確認日
変更履歴
発動テスト
成果物テスト
既知の制約
廃止条件
リスクも分類できます。
読み取りだけのSkill、ローカルで可逆な変更を行うSkill、共有成果物を変えるSkill、外部サービスを変更するSkill、公開・削除・課金・権限変更を行うSkillでは、必要な承認が違います。
高リスクSkillは、明示呼出しだけに限定し、自動発動を止め、別コンテキストで実行し、最終承認を人間へ戻す設計が必要です。
Skillの自己改善は自動書き換えではない
エージェントが失敗から学び、Skillを改善する考え方は魅力的です。
VoyagerやReflexionなどの研究は、経験やフィードバックを次の行動へ反映する可能性を示しています。ただし、研究環境で有効な方法を、そのまま本番リポジトリのSkill自動更新へ持ち込むのは危険です。
一度の失敗だけでSkillを書き換えると、例外へ過剰適合する可能性があります。新しいルールが別の依頼を壊すこともあります。権限や安全条件が知らないうちに弱まることもあります。
実務での自己改善は、次の変更管理として考えるべきです。
複数の失敗事例を集める
共通原因と個別原因を分ける
変更案を作る
人間が承認する
発動テストと成果物テストを行う
既存版と比較する
回帰がないことを確認する
版を更新する
問題があれば戻す

これは「AIが自分で賢くなる仕組み」というより、AIを含む変更管理です。
他のエージェント技術から借りるべきもの
CodexやClaude Code以外の技術も、Skill設計へ有用な視点を与えます。ただし、同じ概念として混同してはいけません。
Agent Skills標準からは、Skillフォルダの基本構造、段階的読込み、相互運用の考え方を借りられます。
A2Aからは、能力を外部から発見可能にする考え方を借りられます。内部Skillの名前だけでなく、どの能力を提供し、どの入出力を扱えるかという能力契約が重要になります。
MCPからは、指示と外部ツール接続を分離する考え方を借りられます。Skillが手順を持ち、MCPがツールや情報源を提供する構成です。
Google ADK、CrewAI、LangGraphなどからは、長い工程を一つのプロンプトへ詰め込まず、状態、分岐、委任、再開を明示する考え方を借りられます。
DORAやSREからは、変更速度だけでなく失敗率、復旧、運用可能性を見る視点を借りられます。
OWASPからは、Skillやエージェントへ与える権限、外部入力、プロンプトインジェクション、秘密情報を別の安全層で守る必要性を借りられます。
これらを統合すると、Skill単体の文章品質より、Skillを取り巻く実行環境の設計が重要だと分かります。
最初に作るべきSkillはリポジトリごとに違う
以前の案では、新規リポジトリへ五つ程度の最小Skillを置く考え方もありました。
repository-orientation
task-scope-definition
minimal-change-planning
change-verification
implementation-summary
これらは有力な候補です。しかし、すべての新規リポジトリへ一律に置くべきではありません。
READMEと常設ルールが明確ならrepository-orientationは不要です。小さなリポジトリならimplementation-summaryを毎回Skill化する必要もありません。標準テストが一つならchange-verificationは単純なスクリプトで足りるかもしれません。
最初に用意するべきなのはSkill一覧ではなく、次の観察です。
同じ説明を何度繰り返したか
同じ失敗が何度起きたか
人によって手順が変わるか
判断と機械処理のどちらが中心か
開始条件と完了条件を書けるか
失敗時の損失は大きいか
既存の文書、スクリプト、CIで解決できないか
実作業を二、三回以上観察し、成功した工程が見えてからSkillへ切り出す方が安全です。
Skill候補を判断する九つの質問
最後に、実務で使える判断フレームへまとめます。
同じ仕事が繰り返し発生しているか。
毎回、状況に応じた判断が必要か。
常時読むべき事実やルールではないか。
決定論的なスクリプトで置き換えられないか。
Hook、CI、権限で強制すべき内容ではないか。
実際の成功工程を観察・検証できているか。
必要入力、出力、停止条件、完了条件を書けるか。
発動すべき依頼と、発動すべきでない依頼をテストできるか。
所有者、更新契機、廃止条件を持てるか。
多くの項目へ答えられないなら、まだSkill化の時期ではありません。
Skillを増やすより、境界を明確にする方が先になる
CodexやClaude Codeを強くするために、Skillは有効です。
しかし、Skill数を増やすこと自体に価値はありません。
常設ルールが曖昧なままSkillを増やす。テストがないまま検証Skillを作る。権限が広いまま安全手順を書く。業務が未整理なまま自動化Skillを作る。評価せずに類似Skillを追加する。
これでは、AIが賢くなるのではなく、仕組みが見えにくくなります。
Skillの本当の価値は、反復作業を再現可能にし、必要な知識を必要なときだけ読み、判断と機械処理を分け、失敗を検証可能にすることです。
そして、役目を終えたSkillを消せることも、成熟の一部です。
良いSkillとは、AIへ何でも任せるためのものではありません。どこまで任せ、どこから人間と別の仕組みが責任を持つかを明確にするものです。
AIへの同じ指示や修正を、その場限りの会話ではなく組織の仕組みへ変える考え方は、こちらの記事で詳しく整理しています。
CodexやClaude Codeを一つの長いタスクで走らせず、要件、計画、実装、検証、レビューへ分ける工程設計は、こちらの記事で具体的に解説しています。
出典・参考資料
OpenAI, Build skills
https://learn.chatgpt.com/docs/build-skillsOpenAI, Customization overview
https://developers.openai.com/codex/customization/overviewOpenAI, Testing Agent Skills Systematically with Evals
https://developers.openai.com/blog/eval-skillsOpenAI, Using skills to accelerate OSS maintenance
https://developers.openai.com/blog/skills-agents-sdkAnthropic, Extend Claude with skills
https://code.claude.com/docs/en/skillsAnthropic, Create custom subagents
https://code.claude.com/docs/en/sub-agentsAnthropic, Hooks guide
https://code.claude.com/docs/en/hooks-guideAgent Skills, Overview
https://agentskills.io/homeAgent Skills, Specification
https://agentskills.io/specificationAgent Skills, Best practices
https://agentskills.io/skill-creation/best-practicesAgent Skills, Optimizing skill descriptions
https://agentskills.io/skill-creation/optimizing-descriptionsAgent Skills, Using scripts in skills
https://agentskills.io/skill-creation/using-scriptsA2A Protocol
https://a2a-protocol.org/latest/A2A Protocol Specification
https://a2a-protocol.org/latest/specification/Model Context Protocol
https://modelcontextprotocol.io/Google Agent Development Kit
https://google.github.io/adk-docs/CrewAI Documentation
https://docs.crewai.com/LangGraph Documentation
https://langchain-ai.github.io/langgraph/AWS Bedrock AgentCore
https://aws.amazon.com/bedrock/agentcore/Google SRE
https://sre.google/OWASP Top 10 for Large Language Model Applications
https://owasp.org/www-project-top-10-for-large-language-model-applications/Reflexion
https://arxiv.org/abs/2303.11366MetaReflection
https://arxiv.org/abs/2405.06682