
スキルを「読むまで持たない」設計へ~Deep Agentsの更新で見るAIエージェントの文脈管理
最近、Sydney Runkle(@sydneyrunkle)さんの「Revamping Skills in Deep Agents」を読みました。AIエージェントに専門知識を持たせる「スキル」を、数千本の規模で運用するための更新が紹介されています。
面白いのは、機能追加の話に見えて、中心にあるのが「文脈に何を、いつ入れるか」という一つの設計原則だという点です。この記事では、起点記事を読んでいなくても追えるように、スキルとは何かから始めます。そのうえで、ツールの紐付け、スキルの固定、再読み込みが同じ原則の延長にあることを整理します。
【発端】 数千本のスキルが文脈を圧迫し始めたこと
スキルが増えるほど「全部を最初から見せる」方式が持たなくなり、見せる順番の設計が必要になりました。
起点記事によれば、企業のスキル登録簿は数千本規模に育ち、チームやエージェントをまたいで共有されています。LangChain社の営業支援エージェントも、会議準備や通話記録の確認などで、抱えているスキルは50本超です。
本数が増えると、スキルだけでなく、スキルが使う道具(ツール)の説明も文脈を圧迫します。今回の更新は、次の三つに絞られています。
ツールの紐付け:スキルを読んだときだけ、そのツールが現れる
スキルの固定(pin):ユーザーが指定したスキルを、先に文脈へ入れる
スキルの再読み込み:長く続くスレッドでも、新しいスキルを拾える
【基礎】 スキルは必要なときだけ開く手順書

スキルとは手順書のフォルダで、中身は段階的にしか読み込まれません。
スキルは、SKILL.md というMarkdownファイルを中心にしたフォルダです。先頭に名前と説明(YAMLという書式の見出し部分)があり、その下はエージェントが従う手順です。
補助として、scripts/、references/、assets/ を置けます。仕様はAgent Skillsというオープン標準で公開されており、モデルや製品をまたいで使えます。
手順書の目次だけを常に持ち、本文は必要になったら開く仕組みです。これを段階的開示(progressive disclosure)と呼びます。読み込みは、発見、起動、実行の三段階に分かれます。
発見:全スキルの名前と説明だけがシステムプロンプトに入る
起動:仕事が合致したら、SKILL.md の全文を読む
実行:手順が求めたときだけ、スクリプトや参考資料を読む
仕様側の目安では、名前と説明は1本あたり100トークン前後、本文は5,000トークン未満です。使われないスキルのコストは、システムプロンプトの1行だけです。ここで言うトークンは、モデルが文章を数える単位を指します。
【違い】 「常に見せる」から「読んだ順に出す」へ

変わったのは機能の数ではなく、ツールと更新の出し方です。それまでは、スキルとツールが別々に開示されていました。
ツールの出し方
従来:スキルとは無関係に、一覧へ載る
今回の更新:紐付けたスキルを読むまで隠れる
手順を読む保証
従来:ツールを使う前に説明を読むとは限らない
今回の更新:読まないと呼べない
スキルの起動
従来:モデルが説明を見て判断する
今回の更新:アプリが指定して先に入れられる
スキル一覧の更新
従来:スレッドの開始時に確定する
今回の更新:次の実行で再走査できる
従来もツール検索でスキーマを文脈の外に置くことはできました。ただ、道具と、その使い方を説明する手順書を結ぶ仕組みはありませんでした。道具を先に見つけたのに手順書を読んでいない、という順序の逆転が起こり得ました。
【仕組み】 キャッシュを無効にしない道具の追加

あとから足しても、先頭部分は変えません。
ツールの紐付けは、スキルの名前と説明の下にある metadata.include_tools へ、ツール名を並べて指定します。ツール本体は、エージェントではなくスキルを扱う部品(SkillsMiddleware)へ渡します。
エージェントが該当スキルを読むまで、そのツールは見えません。読む前に呼ぶと「未知のツール」として失敗します。
ここで関係するのがプロンプトキャッシュです。同じ先頭部分の入力を再利用して、遅延と費用を抑える、モデル提供側の仕組みです。
会話の途中でツール一覧を書き換えると、この先頭部分が変わり、キャッシュが無効になります。
起点記事によると、AnthropicとOpenAIの新しいモデルは、会話の途中でツールを受け取れます。そのため、スキルを読んだ直後に新しいシステムメッセージとしてツールが追加され、先頭は変わりません。
対応しないモデルでは、従来どおりリクエストの末尾への追加です。
ラベルで指定することもできます。スキル側にはラベルを書き、アプリ側の関数がラベルをツール群へ変換します。
MCPサーバーのツールをまとめて出すことや、実行ユーザーの権限で返すツールを変えることも、この指定の範囲です。起点記事の例では、予測の更新を使えるのは管理者だけです。
【具体例】 営業支援エージェントの「/meeting-prep」

ユーザーが分かっているスキルは、モデルに探させず、先に渡せます。
起点記事の営業支援エージェントでは、担当者が入れる文は「/meeting-prep for my Acme call tomorrow」です。通常は、モデルが説明を見て SKILL.md を読みに行きます。
そのため、本作業の前にモデル呼び出しが1回余計にかかり、別のスキルを選ぶ可能性も残ります。
固定機能を使うと、アプリが入力から / で始まる名前を拾い、pinned_skills として渡します。ミドルウェアが、次のモデル呼び出しの前に、そのスキルの指示を会話へ追加します。
作業は1回目の呼び出しから始まります。
固定したスキルは、タグ付きのメッセージとして一度だけ追加されます。過去のメッセージは変わらないので、キャッシュは保たれます。
紐付けたツールも同時に出ます。メッセージの解析はDeep Agents側では行わないため、/ のような記法はアプリが決めます。
【関連概念】 文脈設計の三つの足場

この更新は、文脈設計という考え方の具体的な実装例です。
コンテキストエンジニアリング:モデルに渡す情報を、量と順序で設計する考え方。LangChainは、これを効果的なエージェントの鍵と位置づけています。
プロンプトキャッシュ:先頭の再利用で費用を抑える仕組み。有効期限は、一般に数分から1時間ほどの無操作で切れます。
オープン標準:スキルをチームが書けば、モデルや製品を替えても使い回せます。
再読み込みは、最後の点と関わります。スキル一覧はスレッド開始時に状態へ保存され、以降の実行で使い回されます。
入力で skills_metadata を None にすると、次の実行は全ソースの再走査です。
一覧が変わるとシステムプロンプトが変わり、キャッシュは切れます。ただ、数日放置されたスレッドでは、キャッシュはもう期限切れです。再読み込みの追加コストは、ほぼ発生しません。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
『LLMの原理、RAG・エージェント開発から読み解く コンテキストエンジニアリング』(蒲生弘郁)は、文脈に何を入れるかの設計をまとめて学べます。
『実践 LLMアプリケーション開発』(Suhas Pai、監訳は金本勝吉、訳はオライリー・ジャパン編集部)は、スキルを使うエージェントの前提になる、LLMアプリの実装全般の補足です。
『AIエージェント開発/運用入門 [生成AI深掘りガイド]』(御田稔、大坪悠、塚田真規)は、ツール連携、MCP、運用まで、エージェントを動かす側の全体像を補います。
関連記事
【まとめ】 自分のスキル集を点検する三つの問い
自分の環境に当てはめるなら、「何を常時見せ、何を読ませ、何を先に渡すか」を棚卸しします。ここでは、私が実際に検証したことではなく、起点記事を踏まえた試し方の提案です。
常時載せているもの:名前と説明は、仕事の合致を判断できる具体さか
使い方の説明が要る道具:説明を読む前に呼ばれると困るものはないか
決まった入口:ユーザーが名前で呼ぶ仕事に、固定の入口を用意できないか
最後に、スキル集に変更が入る運用なら、再読み込みの契機をどこに置くかを決めます。