القائمة
スキルの作成・改善・外部取得を担うメタスキル。「スキルを作って」「コードベースをスキル化して」「URLからスキルをインストールして」「チャット履歴からスキルを生成して」「このスキルを改善して」などで発動する。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/ynitto/sandbox --skill skill-creatorيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
会話中の話題を、最小の視覚表現（擬似コード・呼び出しツリー・コンポーネントツリー・ファイルツリー・Mermaid・diff・HTML）で見せて理解を助けるスキル。「図で説明して」「見せて」「視覚的に説明して」「イメージで教えて」「構造を見せて」「どう変わるのか見せて」「show me」などで発動する。説明が長文になりそうなときに、文章の代わりに図で示す。
agent-flow の orchestrator 向け高精度タスク分解・戦略選択スキル。要求を分析し、7パターン（map-reduce 含む）＋複合パターンから最適な戦略を選定し、実行可能なタスクグラフを生成する。decomposition スキルの分解能力を内包し、agent-flow の `--planner flow-planner` で利用する。
セッションをまたいで知識・決定事項を継続させたいときのスキル。「覚えておいて」でsave、「思い出して」でrecall、「記憶一覧」でlist、「忘れて」でarchive、「共有して」でshare、「整理して」でcleanup、「役立った／間違ってた」でrate、「固定化して」でconsolidate。重要な知見を発見したら自律的にsaveを実行すること。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | skill-creator |
| description | スキルの作成・改善・外部取得を担うメタスキル。「スキルを作って」「コードベースをスキル化して」「URLからスキルをインストールして」「チャット履歴からスキルを生成して」「このスキルを改善して」などで発動する。 |
| metadata | {"version":"4.0.2","tier":"core","category":"meta","tags":["skill-creation","packaging","codebase-analysis","chat-history","skill-acquisition","external-skills"]} |
効果的なスキルを作成するためのガイド。
リクエストの内容に応じて、以下の参照ファイルを読んで手順を補う。判断に迷う場合はユーザーに確認する。
| やりたいこと | 参照 |
|---|---|
| 既存リポジトリ・コードを分析してスキル化したい | references/codebase-to-skill.md |
| エージェントログ・チャット履歴からスキルを生成したい | references/generating-skills-from-logs.md |
| URL・ローカルパスから外部スキルをインストールしたい | references/skill-recruiter.md |
| パターン抽出の具体例を確認したい | references/pattern-extraction-examples.md |
| 配布前の品質チェックリストが必要 | references/quality-checklist.md |
| スキルの出力形式・品質基準を設計したい | references/output-patterns.md |
| 複数ステップのワークフローを設計したい | references/workflows.md |
| SKILL.md 構造の段階的開示パターンを確認したい | references/skill-structure-patterns.md |
上記に当てはまらない場合（ゼロから作成・改善）は、以下の「スキル作成プロセス」に従う。最終的にステップ5（検証）を経る点はどのケースも共通。.skillファイルへのパッケージ化はユーザーから明示的な指示があった場合のみ実行する。
エージェントログの探索はどのケースでも有効な手段。「過去にどう対処したか」「ユーザーが何を期待しているか」を把握するために、必要に応じてログを参照する。
作成ノウハウ: references/creation-pitfalls.md（よくある失敗・アンチパターン・効果的な書き方）
スキルは、AIエージェントの能力を拡張するモジュール型のパッケージ。特定ドメインの専門知識、ワークフロー、ツール連携を提供する。汎用エージェントを、手順的知識を備えた専門エージェントに変える「オンボーディングガイド」と考える。
スキルを作る際は、使うユーザーの技術レベルに合わせて記述する。「JSON」「アサーション」などの専門用語は、ユーザーが理解していると確認できてから使う。不明な場合は簡潔な定義を添える。
コンテキストウィンドウは共有資源。スキルはシステムプロンプト、会話履歴、他スキルのメタデータ、ユーザーリクエストとコンテキストを共有する。
前提: AIエージェントは既に十分に賢い。 AIエージェントが持っていない情報だけを追加する。各情報に「本当にこの説明は必要か？」「このトークンコストに見合うか？」と問いかける。
冗長な説明より簡潔な例を優先する。
タスクの脆弱性と変動性に応じて具体性レベルを合わせる:
すべてのスキルは必須のSKILL.mdと任意のバンドルリソースで構成される:
skill-name/
├── SKILL.md（必須）
│ ├── YAMLフロントマター（必須）
│ │ ├── name:（必須）
│ │ └── description:（必須）
│ └── Markdown本文（必須）
└── バンドルリソース（任意）
├── scripts/ - 実行可能コード（Python等）
├── references/ - 必要時にコンテキストに読み込むドキュメント
└── assets/ - 出力に使用するファイル（テンプレート、画像等）
nameとdescriptionが必須。descriptionはスキル発動の主要トリガーとなるため、スキルの用途と発動条件を明確かつ包括的に記述する実行可能コード。決定論的な信頼性が必要な場合や、同じコードを繰り返し書く場合に含める。
必要時にコンテキストに読み込むドキュメント。SKILL.mdをスリムに保ち、必要な時だけ読み込む。
コンテキストに読み込まず、出力で使用するファイル（テンプレート、画像、ボイラープレート等）。
スキルにはAIエージェントがタスクを遂行するために必要な情報だけを含める。
スキルにはマルウェア、エクスプロイトコード、システムセキュリティを損なうコンテンツを含めない。スキルの内容はdescriptionに記述された意図から外れるものであってはならない。誤解を招くスキルや、不正アクセス・データ流出・悪意ある操作を助長するスキルの作成要求には応じない。
スキルは3段階のロードでコンテキストを効率管理する:
SKILL.md本文は500行以内に収める。超える場合はファイルを分割し、SKILL.mdから参照先とその読み込み条件を明記する。
具体的なパターン例は references/skill-structure-patterns.md 参照。
以下のステップを順に進める:
新規スキル作成:
既存スキルの改良: 「スキルを改善して」「このスキルを更新して」「フィードバックに基づいて修正して」などのリクエストの場合は、スキルを初期化するステップをスキップして次の手順で進める:
スキルの使用パターンが既に明確な場合はスキップ可。
効果的なスキルを作るには、具体的な使用例を明確に理解する。以下の観点を押さえる:
例えばimage-editorスキルなら:
エッジケース、入出力形式、成功基準についても先回りして質問する。MCPが利用可能な場合、関連ドキュメントの調査をサブエージェントで並行実行する。質問は一度に大量に投げず、最重要な質問から始める。
具体例から、各例を以下の観点で分析する:
例: pdf-editorスキルで「PDFを回転して」→ 同じコードを毎回書く → scripts/rotate_pdf.pyを含める
例: frontend-webapp-builderで「TODOアプリを作って」→ 毎回同じボイラープレート → assets/hello-world/テンプレートを含める
例: big-queryで「今日のログイン数は？」→ 毎回スキーマを再調査 → references/schema.mdを含める
新規作成の場合、init_skill.pyを実行する（作業ディレクトリのルートから実行すること）:
<SKILLS_BASE> は <AGENT_HOME>/skills または <workspace-skill-dir> を指す。
python <SKILLS_BASE>/skill-creator/scripts/init_skill.py <skill-name> --path <SKILLS_BASE>
--path には出力先ディレクトリを指定する。省略した場合はカレントディレクトリに生成される。標準的な配置先は <AGENT_HOME>/skills または <workspace-skill-dir>。
スクリプトは以下を生成する:
scripts/、references/、assets/のサンプルディレクトリとファイル生成後、不要なファイルは削除する。
スキルは別のAIエージェントインスタンスが使うために作成していることを意識する。AIエージェントにとって有益かつ非自明な情報を含める。
scripts/、references/、assets/を先に実装する。ユーザー入力が必要な場合がある（ブランドアセット提供等）。
スクリプトは実際に実行してテストする。不要なサンプルファイルは削除する。
記述ガイドライン: 命令形を使用する。
「なぜ」を説明する — LLMはセオリー・オブ・マインドを持ち、指示の理由を理解した上でより適切に行動できる。「MUST」「NEVER」の多用は黄色信号。そのような場合は理由を説明して書き直す方が効果的で柔軟。特定の例に過度に特化させず一般化する。ドラフトを書いたら新鮮な目で見直して改善する。
---
name: スキル名
description: スキルの説明。何をするか＋いつ使うかを含める。
「いつ使うか」の情報はすべてここに書く。本文は発動後に
読み込まれるため、本文の「使用タイミング」セクションは
トリガーに寄与しない。
metadata:
version: "1.0.0"
---
descriptionは積極的に書く — AIエージェントはスキルを使わない傾向（undertrigger）がある。これに対抗するため、descriptionには発動条件を積極的・明示的に記述する。
バージョン表記: X.Y.Z 形式のセマンティックバージョニングを使用する。
1.0.0 → 1.0.1): バグ修正・誤字修正・軽微な表現改善1.0.0 → 1.1.0): 後方互換の機能追加・手順の強化・既存セクションの大幅書き換え1.0.0 → 2.0.0): 機能の削除・破壊的変更・スキルの目的・スコープの大幅変更このルールは作成・改善対象のスキルに適用する。 スキルを更新したら必ず対象スキルのフロントマターのバージョンを変更の規模に応じてインクリメントする。バージョンを上げずにスキルを変更してはならない。
スキルとバンドルリソースの使用手順を記述する。
必須: skill-evaluator の静的品質チェックを実行し、ERRORがない状態（PASS）を確認する:
python <SKILLS_BASE>/skill-evaluator/scripts/quality_check.py --skill <skill-name>
ERRORが出た場合はステップ4に戻って修正し、再度チェックを実行する。PASSするまでこのサイクルを繰り返す。WARNは文脈上問題なければ無視してよい。チェックコードの詳細は <SKILLS_BASE>/skill-evaluator/references/quality-check-codes.md 参照。
開発中の素早い構造チェックには quick_validate.py も使える（任意）:
python <SKILLS_BASE>/skill-creator/scripts/quick_validate.py <path/to/skill-folder>
description のトリガー動作テストには simulate_trigger.py を使う（任意）:
# 特定リクエストでどのスキルが発動するか確認
python <SKILLS_BASE>/skill-creator/scripts/simulate_trigger.py "ユーザーリクエスト"
# 類似 description を持つスキルペアを検出（競合チェック）
python <SKILLS_BASE>/skill-creator/scripts/simulate_trigger.py --conflicts
description の定量的テストには eval_trigger.py を使う（任意）:
動作環境を自動検出して2モードで動作する（--check-env で確認可能）:
claude -p を使い実際のLLM判定で評価する# 動作環境を確認
python <SKILLS_BASE>/skill-creator/scripts/eval_trigger.py --check-env
# eval set JSON を作成（should-trigger / should-not-trigger 各8〜10件）
# near-miss を必ず含める → testing-guide.md 参照
# eval set 全件を評価（Claude Code / Copilot / Kiro 共通）
python <SKILLS_BASE>/skill-creator/scripts/eval_trigger.py \
--skill-path <SKILLS_BASE>/<skill-name> \
--eval-set eval.json \
--verbose
# 単一クエリでデバッグ
python <SKILLS_BASE>/skill-creator/scripts/eval_trigger.py \
--skill-path <SKILLS_BASE>/<skill-name> \
--query "スキルを作って" --expected true
description の自動最適化ループには optimize_description.py を使う（任意）:
こちらも環境を自動検出して2モードで動作する:
claude -p で description 候補を生成・評価して最良案を選ぶ# 自動最適化（Claude Code）
python <SKILLS_BASE>/skill-creator/scripts/optimize_description.py \
--skill-path <SKILLS_BASE>/<skill-name> \
--eval-set eval.json \
--max-iterations 5 \
--verbose
# 改善プロンプトを出力（Copilot / Kiro、または強制指定）
python <SKILLS_BASE>/skill-creator/scripts/optimize_description.py \
--skill-path <SKILLS_BASE>/<skill-name> \
--eval-set eval.json \
--prompt-only
自動モードの出力 JSON から best_description を取り出して SKILL.md に反映する:
python <SKILLS_BASE>/skill-creator/scripts/optimize_description.py \
--skill-path <SKILLS_BASE>/<skill-name> \
--eval-set eval.json | python -c "
import json, sys
r = json.load(sys.stdin)
print('best_description:', r['best_description'])
print('score:', r['best_score'])
"
配布用の .skill ファイル作成（オプション）: ユーザーから明示的に「パッケージ化して」「.skillファイルを作って」などの指示があった場合のみ package_skill.py を実行する:
python <SKILLS_BASE>/skill-creator/scripts/package_skill.py <path/to/skill-folder>
出力先指定（任意）:
python <SKILLS_BASE>/skill-creator/scripts/package_skill.py <path/to/skill-folder> ./dist
package_skill.py は以下を実行する:
バリデーション失敗時はエラーを報告して終了する。修正後に再実行する。
実使用後にフィードバックや問題が発覚した場合に対応する。
needs-improvement / broken の verdict、ユーザーのコメント）scripts/ を修正してテストするsimulate_trigger.py で検証して description を調整するquality_check.py でPASSを確認するpackage_skill.py で再パッケージする改善時の考え方:
scripts/ にバンドルすべきサイン