Google Skills、再認定プロセスを刷新 → クラウド テクノロジーの進化のペースが速い今日では、スキルの再認定がこれまで以上に重要になっています。Google Skills では、各認定資格の基盤となる最も重要なコースとスキルバッジを選択できるようになりました。

Google Agent Skills 開発の裏側 → スキルは一度作成すれば終わりのドキュメントではなく、常に進化し続ける、生きたプロダクトです。長期的な信頼性を確保するために、Google は厳格な所有権ルールを確立しました。

LLMは、ハーネスやskills内容、workflowならプロンプトをちょっと変えたら劇的に変わるのがとっても大変ですが、ホントに興味深いです これだけ使ったり検証しても発見が日々あるので、まだまだ気持ちが解るまでは遠い

いや〜、Claude Codeにワンショット指示(skillsや諸々環境やコンテキストを与えているので厳密にはワンショットではない)で長尺動画作成、これローカルH3でいけそうだな 前に話題になってたワンショットCoD作成の時の/loopのノウハウ使ったら出来る気がしてきたぞ、やるか

# Antigravityの機能と実践的な使い方 🚀 「いつものレビュー手順」をエージェントに毎回説明するのはもう終わり。Skills は知識を1ファイルに固めて再利用可能にします。 📌 タイトルと機能のURL タイトル: Skills URL: 📝 概要 Skills は、エージェントの能力を拡張する再利用可能な知識パッケージです。中心となる SKILL.md にスキルの内容・使うべき場面・実行手順を記述することで、コンテキストウィンドウを圧迫せずにタスクを一貫したやり方で実行させられます。 🔧 機能の説明 Skills の核は SKILL.md という1つの Markdown ファイルです。 ・SKILL.md はスキルの「脳」であり、「これは何か」「いつ使うか」「どう実行するか」をエージェントに伝えます ・必須ファイルは SKILL.md のみですが、スクリプト・例・リソース用ディレクトリなどを同梱できます ・グローバルスコープ ~/.gemini/antigravity/skills/ に置いたスキルは、そのマシンの全プロジェクトで利用できます ・「Format JSON」「Generate UUIDs」「Review Code Style」など、汎用ユーティリティの共有に向いています ・小さな Markdown を書くだけで、よく使うプロンプトをチーム向けの再利用可能なコマンドに変えられます 🛠 実践的な使い方 ・code-review スキルを用意し、PR レビューやコード品質チェックの際にバグ・スタイル・ベストプラクティスを自動で確認させます ・チーム共通のレビュー手順を SKILL.md に落とし込み、~/.gemini/antigravity/skills/ に配置して標準化します ・スクリプトや例を resources としてスキルに同梱し、手順を具体化します ・プロジェクト固有の作法はワークスペーススコープ、汎用ユーティリティはグローバルスコープと使い分けます 🎯 ユースケース ・チームのコードレビュー基準を code-review スキルとして標準化する ・JSON 整形や UUID 生成といった頻出の小タスクをスキル化して即呼び出す ・デバッグの定石手順をスキルに蓄積し、誰が使っても同じ品質で実行する ・社内の作法やチェックリストを SKILL.md にまとめ、新メンバーへ自然に展開する ⚠️ 注意点 ・必須は SKILL.md のみですが、「いつ使うか」を明確に書かないとエージェントが適切に発火しません ・グローバルスコープに置くと全プロジェクトへ影響するため、汎用性の低いものはワークスペース側に置くのが無難です ・スキルはコンテキストを節約する設計思想なので、1スキルに詰め込みすぎず役割を絞ると効果的です #Antigravity# #AIcoding#

🧩 AIエージェントに足りないのはモデルの賢さではなく「現場のノウハウ」だった、という論文です。 タイトル: Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills URL: ❓ 自律型研究エージェントには何が欠けているのですか 💡 「モデル」と「実行ハーネス」の2層だけでは、適切な手法の選び方やAPIの使い方、実装の落とし穴といった運用知識が抜け落ちています。この論文はこれを第三の層として明示的に扱います。 ❓ その知識をどうやって手に入れるのですか 💡 GitHubリポジトリや論文を「Scope→Ground→Construct→Verify」の4段階で処理し、検証済みの「スキル」として蒸留します。1,000リポジトリと153論文から5,353個のスキルを構築しました。 ❓ スキルを使うと実際どれくらい変わるのですか 💡 同じGPT-5.5・同じハーネスのまま、スキルを追加するだけでMLE-benchは31.11%から72.89%へ、PaperBench・FrontierCS・PassNetでも軒並み改善しました。高難度タスクでは4倍以上のスコア向上も見られます。 ❓ 単にリソースを増やしただけではないのですか 💡 トークン数やツール呼び出し回数と改善幅の相関はほぼゼロで、Claude Opus 4.8構成より少ないトークンで高いスコアを出しています。知識そのものが効いているといえます。 #AIエージェント# #機械学習#

# Claude Agent SDKの便利だけど知られていない機能 🌍 サブエージェントにスキルやMCPサーバーを個別に設定したい？AgentDefinitionで細かくカスタマイズできます！ Claude Agent SDKのAgentDefinitionでは、skills、memory、mcpServersをはじめとする豊富なフィールドで、エージェント単位の詳細な設定が可能です。 📌 タイトル：エージェント単位の skills / memory / mcpServers 指定 🔗 URL： 🧩 概要 `AgentDefinition` には、`description` と `prompt` の必須フィールドに加え、多数のオプションフィールドがあります。`skills` でスキルをプリロード、`memory` でメモリソース（`user`/`project`/`local`）を指定、`mcpServers` でMCPサーバーを名前またはインライン設定で接続できます。さらに `tools`、`disallowedTools`、`model`（`sonnet`/`opus`/`haiku`/`inherit` またはフルモデルID）、`effort`、`permissionMode`、`maxTurns`、`background`、`initialPrompt` など、エージェントの挙動を包括的に制御できます。 🛠 使い方 ```python # Python - フル構成のエージェント定義 from claude_agent_sdk import AgentDefinition agent = AgentDefinition( description="データベース移行の専門家", prompt="あなたはDB移行のエキスパートです。安全な移行戦略を提案してください。", tools=["Read", "Grep", "Glob", "Bash"], disallowed_tools=["Bash(rm *)"], # 特定操作を禁止 model="opus", # 高品質なモデルを使用 skills=["db-migration"], # スキルをプリロード memory="project", # プロジェクトメモリを使用 mcpServers=["postgres-server"], # MCPサーバーに接続 effort="high", # 推論レベルを高く max_turns=20, # 最大ターン数を制限 permission_mode="acceptEdits", # 編集を自動承認 background=False, # フォアグラウンドで実行 ) ``` ```typescript // TypeScript const agent: AgentDefinition = { description: "Database migration specialist", prompt: "You are a DB migration expert. Propose safe migration strategies.", tools: ["Read", "Grep", "Glob", "Bash"], disallowedTools: ["Bash(rm *)"], model: "opus", skills: ["db-migration"], memory: "project", mcpServers: ["postgres-server"], effort: "high", maxTurns: 20, permissionMode: "acceptEdits", background: false, }; ``` 🏗 本番システムへの組み込み方 ・`skills` でドメイン固有の知識をプリロードし、エージェントの専門性を高めます（未リストのスキルもSkillツール経由で呼び出し可能） ・`memory` で適切なスコープを設定し、エージェント間でのコンテキスト共有を制御します ・`mcpServers` でデータベースや外部サービスへの接続を名前またはインライン設定で管理します ・`maxTurns` でコスト制御と暴走防止を行い、`effort` でタスクの重要度に応じた推論品質を設定します ・`background: true` でノンブロッキング実行にし、並行タスクの効率を上げます 💡 ユースケース 🗄 MCPサーバー接続付きのデータベース移行エージェント 📚 ドメイン固有スキルをプリロードした専門家エージェント ⚡ バックグラウンド実行で並行分析を行う高速ワークフロー ⚠️ 注意点 ・`tools` を省略するとすべてのツールを親から継承します。制限したい場合は明示的に指定してください ・サブエージェントの `permissionMode` は、親が `bypassPermissions`/`acceptEdits`/`auto` の場合、親のモードが強制的に継承されオーバーライドできません ・`skills` にリストしたスキルは起動時にプリロードされますが、リストにないスキルもSkillツール経由で呼び出せます ・Python SDKではフィールド名はcamelCaseでワイヤフォーマットに合わせます ✨ AgentDefinitionの豊富な設定フィールドを活用すれば、汎用エージェントではなく、タスクに最適化された専門家エージェントを構築できます！ #ClaudeAgentSDK# #AIAgent#

非エンジニアのPMが、AIを駆使してエンジニアばりのプルリクエストを出してくる。このリポジトリにはまだSKILLSやハーネスの整備が追いついていないのに。 無邪気に巨大なPRを出してくるとかも一切なく、適切な粒度で分割している。 AIに過去のPRを取得させて「小さく分割して出す」作法を把握したとのこと。 パフォーマンスについても考慮されており、N+1を避ける実装ができていた。 たぶん本人は「N+1」という概念自体はわかってない。 だけど、「何かしらここにはパフォーマンス上の問題があって、こう書くと避けられる」というところまではAIとの対話で辿り着いていたみたい。 地頭がよくて仕事ができる人なら、AIを駆使することで、かなり高い水準までこなせるようになったんだなと肌で感じる。 こういうシゴデキの非エンジニアになら、下手するとエンジニアも喰われかねない気がしてきた。 というか、もはや新種のエンジニアなのかもしれないな。呼称が分からないけど。