従来の LLM プロンプトでは、モデルがすべての潜在的な指示を事前に読み込む必要があることが多く、モデルが関連情報の優先順位付けに苦労するため、コンテキスト ウィンドウが無駄に使用され、パフォーマンスが低下する可能性があります。エージェント スキルでは「段階的な開示」を使用します。これは、エージェントが現在実行しているタスクに必要な特定の機能にのみアクセスする設計パターンです。

たとえば、エージェントにデータ クリーニング ジョブが割り当てられている場合、セキュリティ監査の手順を読み込む必要はありません。エージェントは最小限のベース プロンプトから開始し、ユーザーがデータベース クエリを要求すると、特定の「データ クリーナー」スキルのみをコンテキストに「開示」して読み込みます。

スキルは基本的に、特定のタスクを実行するために必要な手順とアセットを含む自己完結型のディレクトリまたはフォルダです。簡単な言語で記述されているため、コーディングの経験は必要ありません。機能するために必要なメタデータと、オプションのバンドルされたアセットの組み合わせが使用されます。これにより、エージェントはタスクを実行するために必要なすべてが得られ、不要なオーバーヘッドが生じることはありません。

これはスキルの必須のコア コンポーネントであり、エージェントが従う手順が含まれています。

• YAML フロントマター: ファイルの先頭に配置され、名前と説明（最大 1024 文字）が含まれます。エージェントは起動時にこの部分のみを読み取り、利用可能なスキルを確認します。このメタデータにより、段階的な開示が可能になります。
• マークダウン本文: スキルが有効になった後、エージェントが従う実際の手順、ステップバイステップのガイダンス、例が含まれます。

サブディレクトリを追加して、スキルをより強力にすることができます。scripts/ フォルダには実行可能コード（Python や bash など）を、references/ や assets/ にはテンプレート、API ドキュメント、スキーマを保存できます。エージェントはこれらのスクリプトを実行して、決定論的な出力を取得できます。コンテキスト ウィンドウのスペースがコード自体で埋まってしまうことはありません。

パフォーマンスを維持するには、エージェントは機能の豊富さと応答性の維持のバランスを取る必要があります。エージェントは階層化されたアプローチを使用して、機能のライブラリ全体を一度に読み込むのではなく、当面のタスクに関連する指示のみにアクセスします。このプロセスにより、エージェントはセッション全体を通じて軽量さと専門性の両方を維持できます。

1. 検出: 起動時に、エージェントはメタデータ（スキルあたり最大 100 トークン）のみをシステム プロンプトに読み込み、何が利用可能かを把握します。
2. 有効化: タスクがスキルの説明と一致すると、エージェントは bash コマンドを使用して、SKILL.md の指示全体をアクティブなコンテキストに読み込みます。
3. 実行: エージェントはワークフローに従い、タスクに必要な場合にのみ、参照ファイルを読み取ったり、バンドルされたスクリプトを実行したりします。

エージェント スキルへの移行は、大まかな文章で指示を書く方法から、より細かく具体的なプロンプトを適用する方法への転換です。

• 文章よりもプロセス: スキルは、一般的なベスト プラクティスの説明に頼るのではなく、決定的なチェックポイントと終了基準を適用します。
• トークンの効率性: スキルはトリガーされたときにのみコンテキスト ウィンドウを消費するため、最小限のオーバーヘッドで数十のスキルをインストールできます。
• クロスプラットフォームの相互運用性: これらのスキルはオープン仕様に基づいているため、Antigravity CLI、Gemini Enterprise Agent Platform、Claude Code、VS Code、Cursor、その他のカスタム CLI ツールなどのツールで機能します。
• コンポーズ可能: エージェントは複数のスキルを動的に組み合わせて、複雑なマルチステップのワークフローを完了できます。

エージェント スキルは、AI を一般的なアシスタントから本番環境対応のデジタル ワーカーへと進化させるのに役立ちます。

エンジニアリング チームは、エージェントのスキルを使用してコーディング標準を適用します。たとえば、スキルには、references/ フォルダに会社のスタイルガイド、scripts/ フォルダに linting スクリプトを含めることができます。デベロッパーが PR を送信すると、エージェントがスクリプトを実行してエラーをチェックし、スタイルガイドに基づいてレビュー コメントを残します。誰も複雑なプロンプトを書く必要はありません。

エージェントは解析スキルを使用して、PDF、スプレッドシート、テキストから構造化データを抽出します。エージェントは、ドキュメントがアクティブに処理されている場合にのみ、重い解析スクリプトを読み込みます。これにより、コンテキスト ウィンドウのスペースを大幅に節約できます。

データ アナリストは、スキルを使用してデータベースを安全に操作できます。エージェントは、データベース スキーマを含む「データアナリスト」スキルを読み込みます。これにより、正確な SQL クエリを記述するために必要なコンテキストが提供され、バンドルされたデータコネクタ スクリプトを使用して実行されます。

DevOps チームは、Infrastructure as Code（IaC）セキュリティ ポリシーをまとめたスキルを作成できます。クラウド環境がプロビジョニングされる前に、エージェントはスキルを使用して構成ファイルに対して検証スクリプトを実行し、開いているポートや暗号化されていないバケットがデプロイされないようにします。

企業のナレッジ ワーカーは、ユーザー向けのすべてのコピーがブランドボイスのガイドラインに沿っていることを確認するためのスキルを作成できます。

エージェント スキルは実行権限とともにパッケージ化できるため、攻撃対象領域が拡大する可能性があります。他のソフトウェアの依存関係と同じように、厳格なセキュリティを確保しながら扱う必要があります。

エンタープライズ プラットフォームでは、デプロイ前にスキルをスキャンして、隠れた指示や過剰なエージェンシーなどの脆弱性を検出することで、このリスクを軽減できます。暗号署名により、開発者はスキル ディレクトリにデジタル署名を添付して、信頼性を証明し、改ざんされていないことを保証できます。

エージェント スキルは、Google Cloud AI エコシステムにネイティブに統合されます。Gemini Enterprise Agent Platform では、単一の API 呼び出しで自律型エージェントを管理できるため、カスタムスキルをアップロードしたり、複雑なエンタープライズ ワークフロー用に事前構築されたスキルを使用したりできます。

これらのエージェントは、推論、計画、実行のための安全なサンドボックス環境を提供する Antigravity ハーネスによって強化されています。これらのスキルは Model Context Protocol（MCP）と連携して、エージェントをライブの外部データソースに安全に接続し、設定の安全性と監査可能性を確保します。

Agent Development Kit（ADK）は、オープン エージェント スキル標準を企業インフラストラクチャで使用するための主要なフレームワークです。ADK を使用して、Gemini を活用したエージェントにスキルをデプロイできます。これにより、エージェントは隔離されたサンドボックス コンピューティング環境内で、バンドルされた Python スクリプトや bash スクリプトを実行できます。

ADK を使用すると、BigQuery や Cloud Storage などのサービスでスキルを認証できます。また、すべてのスキルの有効化とスクリプトの実行が Cloud Logging と Cloud Monitoring に記録されるため、完全な監査可能性が確保されます。

まず、公式の Google Agent Skills リポジトリをご覧ください。BigQuery、Cloud Run、GKE などのプロダクト向けに「エージェント ファースト」のスキルパックが用意されています。これらの検証済み機能は、npx skills add google/skills などの標準コマンドを使用してインストールできます。