GitHubブログは最近、GitHub Universe 2026でのProcoreのデータエンジニアリングシニアマネージャー、Shishir Tewariとのライブセッションに基づく、エージェントスキルに関する実践ガイドを公開しました。この記事では、エージェントスキルを通じて反復可能なエンジニアリング作業を記録し、チームとエージェントの両方がこれらの指示を再利用できるようにする方法を探っています。コンテキストをチャットや個人の頭の中に失わせるのではなく、です。
エージェントスキルは、SKILL.mdファイルを中心としたバージョン管理されたディレクトリであり、このファイルが反復可能なタスクをいつ、どのように実行するかを記述します。これらのスキルはエージェント間で共有できますが、環境はタスクを実行するために必要なツール、認証情報、権限を提供する必要があります。例えば、スキルはデータベースのクエリ方法を記述できますが、データベースへのアクセス権を付与するわけではありません。
記事では、Proof Agentという例を用いてスキルの定義方法を説明しています。このスキルはAIが生成した作業の敵対的検証を行い、中心となるルールは「自己検証は検証ではない」です。SKILL.mdのフロントマターはスキルの名前と説明を指定し、「いつ検証するか」セクションはスキルを呼び出すタイミングを説明し、残りの指示は検証者がレビューする内容と調査結果に含める証拠を説明します。
より複雑なワークフローでは、複数のスキルが連携できます。Data Forgeの例は、データパイプラインを正確にする判断が複数の人の頭の中にある場合に、その判断の一部をスキルに記録する方法を示しています。サポートデスクパイプラインの例では、forge-initスキルがソーステーブルや命名規則などの詳細を発見し、解決済みマニフェストに書き込みます。forge-builderスキルは問題からプルリクエストまでの作業を調整し、forge-dbxスキルはデータプラットフォームのクエリに、forge-lintスキルはチーム標準の適用に使用されます。各スキルには明確な責任があり、プロジェクトコンテキストを個別に再発見するのではなく共有します。
記事は、スキルがチェックリスト、リリース、移行、メトリクスパイプラインなど、再利用可能な判断から利益を得る境界のある反復可能な作業に適していると強調しています。ワークフローが安定したインターフェース、共有状態、監査証跡、長時間実行される制御、またはモデル外部で強制される権限を必要とする場合、アプリケーションの方が適しています。
各プロジェクトの名前、データベース、慣習をスキルにハードコードするのを避けるため、記事はマニフェストファイルを使用してプロジェクト、メトリクスストア、プラットフォームを記述することを推奨しています。これにより、スキルは指示に焼き付けることなく正しいプロジェクト詳細を使用できます。また、発見されたプロジェクト詳細とチーム標準を分離する必要があります。forge-initスキルは既存のスキーマとコードパターンを検査でき、forge-lintスキルはコード生成前に従うべきルールを提供します。リポジトリで見つかったパターンが自動的に保持すべきルールになるわけではないため、発見された詳細をレビュー可能にし、ビジネス判断が必要な場所で人々が確認または変更できるようにする必要があります。
移植性を確認するには、別のチームが独自のマニフェストでこれらのスキルを書き換えずに使用できるかどうかを問います。さらに、関連するスキルは同じ実行パスを共有すべきです。例えば、forge-dbxスキルはマニフェストを読み取り、DatabricksまたはDuckDBアダプターを選択するため、各スキルが独自の接続とクエリロジックを持つ必要がありません。マニフェストはローカルサポートデスクのデモ用にDuckDBを選択できますが、DuckDB CLIをインストールしたり、データベースアクセスを許可したりすることはできません。これらは環境とユーザーの設定責任のままです。
ワークフローにチェックと承認ポイントを設けることが重要です。Data Forgeサポートデスクワークフローには7つのフェーズがあり、各フェーズに人間のチェックポイントがあります。フェーズが進む前に、ワークフローは前のフェーズが完了していることを確認し、スキーマ変更を実行する前に承認を求めます。Proof Agentの例は、コードレビューに同じ原則を適用します。GitHub Actionsワークフローは検証者に元のリクエストとコード変更を提供しますが、コーディングエージェント自身の評価は提供しません。検証者はPASS、FAIL、またはPARTIALを返し、変更されたファイルに証拠を引用する必要があります。このGitHub Actionは差分の静的レビューを行い、コードを実行したりテストを実行したりしません。デモワークフローでは、block-on-failをfalseに設定したため、調査結果は助言的なものでした。デフォルトでは、FAILはチェックを失敗させ、チェックが必須の場合はマージをブロックします。目的は、テスト結果とマージ要件をリポジトリのCIチェックとルールに保持することです。
複数のクライアントをサポートするには、同じ指示のコピーを複数同期させる必要がある場合があります。Data Forgeの例では、記事はskills/*/SKILL.mdをソースとして保持し、パッケージングスクリプトを使用してクライアント固有のファイルを生成します。Claude Code用の.claude-plugin/plugin.json、Cursor用の.cursor-plugin/plugin.json、GitHub Copilot用の.github/agents/*.agent.mdです。スクリプトにはCI用のチェックモードも含まれています:node scripts/package.mjs --check。クライアントは利用可能なモデル、ツール、認証情報、権限が異なる場合があります。スキルをインストールした後、クライアントが意図したタスクのためにスキルを認識し、その参照をロードし、必要なツールを使用でき、スキルが要求する証拠を返すことを確認する必要があります。
記事は最後に、エージェントスキルを構築するための3つの実践をまとめています。ビジネスコンテキストを1つのファイルに置き、各スキルが事実を重複させるのではなくマニフェストを読み取るようにします。関連するスキルがプラットフォームを使用する一貫した方法を提供します。指示で作業を導き、チェックで作業を検証します。コンテキストや判断が必要な決定には人間のレビューを追加し、テストとCIチェックを使用して変更が進む前に問題を捉えます。チェックがマージやデプロイをブロックする必要がある場合は、リポジトリのルールでその要件を設定します。
始める最善の方法は、説明に疲れたタスクを1つ選び、それが何を必要とし、どこで停止し、レビュアーが何を見るかを書き留めることです。次に、別のエージェントで試し、学んだことに基づいて改善します。