GitHubトレンドの4分の1を「エージェントskills」が占め、導入方法は4通りに分裂

11月8日の朝、GitHubのデイリートレンドを開いた。15リポジトリ。うち4つがエージェントskillsの集合だ。anthropics/skills、google/skills、mattpocock/skills、cloudflare/security-audit-skill。5つ目のvercel-labs/agent-browserは、バイナリと一緒にskillのラッパーを配るブラウザ自動化CLIである。
この比率がニュースだ。1年前にはほとんど存在しなかった形式が、いまトレンドの4分の1超を占め、リポジトリはAnthropic、Google、Cloudflare、そしてニュースレター購読者約6万人の個人から出ている。
普及は順調だ。面白い失敗は、同じ概念の対象を入れる方法が4つあり、互いに相容れないことである。
skillとは何か
skillはフォルダだ。中に`SKILL.md`があり、YAMLフロントマターに名前と説明、加えてタスクに必要な指示、スクリプト、参照ファイルが入る。エージェントは説明を読み、関連があると判断し、本文を読み込む。
契約はそれだけで、仕様はagentskills.ioにある。形式はわざと退屈にしてある。Anthropicのリポジトリはskillsを、Claudeが動的に読み込む指示・スクリプト・リソースのフォルダと説明し、リポジトリ内のdocx、pdf、pptx、xlsxのskillが製品のドキュメント機能を動かしているものと同じで、参照実装としてApache 2.0で公開されていると注記する。
退屈さが狙いだ。10分で書けるほど単純な形式は、広がる形式である。
4つの導入経路、1つの対象
ここから乱れる。トレンドの4リポジトリを取って、どうやって手元に入れるのかを見る。
AnthropicのリポジトリはClaude Codeのプラグインマーケットプレイスだ。`/plugin marketplace add anthropics/skills`で追加し、`anthropic-agent-skills`を選び、`document-skills`か`example-skills`を入れる。メニューを飛ばすなら`/plugin install document-skills@anthropic-agent-skills`を実行する。その後は言及して起動する。PDFのskillを使ってファイルからフォーム項目を抽出してくれ、とClaude Codeに頼む。
Googleのリポジトリはまったく別の仕組みだ。`npx skills add google/skills`を実行すると、どのskillか、どのエージェント向けか、プロジェクト単位かグローバルかを尋ねるプロンプトに入る。更新は`npx skills update`で、不要になったskillの削除も提案する。カタログは大きく製品別に整理されている。IAMのレシピ、GKE推論移行、BigQuery AI、4言語のGenkit、Live API、そしてAgent Platformだけで十数のskillがある。
Matt Pocockのリポジトリは選択肢を与え、警告も添える。`claude plugin install mattpocock-skills@claude-plugins-official`ならプラグインが自己更新する。skills.shを使うと編集可能なファイルがプロジェクトにコピーされ、手作業で更新する。READMEにある一文がこのカテゴリーで最も役に立つ。エージェントごとに片方を選べ、両方入れるとすべてのskillが二重になる。
Cloudflareのセキュリティ監査skillは直球だ。`npx skills add https://github.com/cloudflare/security-audit-skill --skill security-audit`、ユーザー単位なら`--global`を付ける。あとはエージェントにコードベースを指してセキュリティ監査を頼む。
4つの製品、4つのメンタルモデル。閲覧して入れるUIを持つプラグインマーケットプレイス。対話プロンプト付きのレジストリ駆動CLI。手動更新のコピー型。URLで単一skillを固定する方式。
重複が思ったより厄介な理由
明らかな問題はディスクと散らかりだ。本当の問題は優先順位である。
説明が重なる2つのskillが両方入っていると、エージェントは読み込み時に読んだ説明文で選ぶ。片方が他方の古いコピーだとは知らない。プロジェクト単位の版がグローバル版を上書きする意図だったとも知らない。どちらも関連ありと読める2つの段落を読み、選ぶ。
そこからデバッグが非常に難しい挙動が生まれる。エージェントは間違ったことを手際よくやる。skillのバグを探しに行くと、別のskillが動いていたと分かる。
更新の話がさらに悪くする。自己更新するプラグインは、セッションのあいだに勝手に挙動を変えうる。コピーしたファイルは誰かが引いてくるまでそのままだ。そして`npx skills update`は依存していたskillを削除しうる。良い機能であり、プロンプトをよく読んでいなければ驚く機能でもある。
誰も値付けしていない信頼の問題
skillはエージェントが従う指示であり、しばしばツールへのアクセスを伴い、同梱のスクリプトを実行する能力も伴う。導入はブログ記事を読むというより、パッケージを入れることに近い。
Cloudflareのリポジトリは、本気で作られたものがどう見えるかを示す。偵察から始まり、網羅性主導の探索、候補の検証、構造化出力、独立した記録の検証、対象に依存しない報告へと至る6段階の監査を回す。アーキテクチャのファイルと網羅性の台帳を書き、依存ゼロのNodeスクリプト2本で検証し、同じリポジトリへの再実行を追加的なものとして扱い、過去の台帳で穴を狙い、同じ地面を掘り直さない。
かなりの機構であり、コードベースを渡す前に読みたい類のものだ。まさにそこが要点である。導入コマンドは4秒で終わる。レビューには半日かかる。
レジストリの署名も、gitリモート以上の来歴メタデータも、どのエージェントでどのskillのどの版が有効かを記録するロックファイルもない。これだけ人気のある形式にしては隙間だ。
アプリ層はすでに適応している
同じトレンドページからもう1つ、別の種類の信号として記録しておきたいものがある。6位にmeta/astryxが現れた。React 19とStyleXによるオープンソースのデザインシステムで、現在ベータ、完全にカスタマイズ可能でエージェント対応と説明されている。
新しい顧客が誰かに気づいた製造業者、と読む。エージェントがインターフェースを生成するなら、コンポーネントライブラリはエージェントを拘束する必要がある。モデルが従えるトークン、バリアント、ルールは、人間が閲覧するために設計されたシステムとは別の製品だ。
skillsが広がる理由も同じ論理で説明できる。ハウススタイル、デプロイのチェックリスト、監査手順、チームのマイグレーションの書き方を、誰かが符号化しなければならない。skillとして書き下ろせば、エージェントは即興をやめる。
足りないもの
このカテゴリーには形式があり、仕様があり、いくつかのレジストリがあり、4つのインストーラがある。ないのは、パッケージの生態系を生き残らせる退屈なインフラだ。ロックファイル、エージェントをまたぐ解決済み依存グラフ、署名された来歴、プロジェクトのskillとグローバルなskillが衝突したときの明確な優先規則。
いずれ来る。いつもそうだからだ。それまでは、実務的な助言はMatt PocockがすでにREADMEに書いたものになる。エージェントごとに導入経路を1つ選ぶ。skillがどこにあるか知っておく。コードを実行できるものは読む。
リポジトリがトレンドに載るのは、skillsが実際の問題を解くからだ。エージェントは汎用で、あなたの仕事は個別で、指示のフォルダはその距離を埋める最も安い方法である。パッケージングの混乱は、それを突き止めるための税だ。
関連記事
Antigravityのリモートエージェント、クラウドVMで動く代わりに手放すもの
Antigravity 2.29でリモートエージェントが登場し、セッションとツールがGoogle管理のクラウドVMで動くようになった。ノートPCを閉じても作業は続くが、ローカルのMCPサーバーやskillsは失われる。
NVIDIA、世界モデル「Cosmos 3」の派生4種とデコード基盤「VFlash」を相次いで公開
NVIDIAは11月5日、16BのCosmos 3 Nanoを専門化した4つのチェックポイントをOpenMDW1.1で公開し、学習レシピと推論コードも添えた。翌日には幾何出力を並列生成するデコード基盤VFlashを発表している。
Thinking Machinesの「Inkling 2 Small」、594Bの疎なMoEで86.3% 重みは「来週」のまま
Thinking Machinesは11月5日、総パラメータ594B・トークンあたり17B活性の疎なMoE「Inkling 2 Small」を発表した。SWE-Bench Pro v2 Hardで86.3%を記録し、Apache 2.0の重みは公開1週間後以降とされる。
OpenAIがウェットラボ向けベンチマーク公開、最高モデルでも66.7%どまり
OpenAIは11月6日、酵素設計企業Ligoと共同でウェットラボ作業のベンチマークBioBasicsBenchを公開した。最高推論設定のGPT-6 Astraでも配点の66.7%にとどまり、失敗例の詳細も併せて公表している。