Share
Embed
エージェントスキル:自律型AIが変える最適化とサプライチェーンの未来
新しい本のLaTeXファイルをpptx skillに入れたらスライドが爆誕しました:-)
MIKIO KUBO
May 23, 2026
Transcript
40 slides
-
パラダイムシフト:専用エージェントの乱立からの脱却 専用エージェントをゼロから作るアプローチの見直し • 従来:用途ごとに異なる専用エージェントを個別に開発。 • 現在:強力な汎用エージェントを基盤とし、専門知識を「スキル」として後付けす る設計へ。 背景となる考え方 • ファイル操作、コード実行、外部API接続といった一連の流れは、ほとんどの分野
で共通している。 • 汎用エージェントは「知能はあるが、専門知識がない」状態。これをスキルによって 補う。 -
エージェントの三層構造とアナロジー AIシステム設計の重心は応用層(アプリケーション)へ 構成要素 役割 従来のアナロジー 1. 大規模言語モデル (LLM) 高度な推論と自然言語の理解 プロセッサ
(CPU) 2. エージェント基盤 + MCP ツール利用、リソース管理、外部データとのシーム レスな接続 オペレーティングシス テム (OS) 3. スキル (Skill) 特定タスクに対する手続き的知識、問題解決の 実行単位 アプリケーション -
スキルの実体と「段階的開示」 スキルの実体は「整理されたフォルダ」 • 中心に SKILL.md を配置し、スクリプトやアセットを同梱した小さなソフトウェア・パッケージ 。 • 既存のファイルシステム形式を採用することで、Gitやクラウドでの共有・管理が容易。 段階的開示
(Progressive Disclosure) の重要性 • 大量のスキルを保持しても、最初はメタデータのみを読み込み、必要と判断された時点で 詳細を展開する。 • これによりコンテキスト消費を抑え、複数スキルの組み合わせによる複雑なワークフローを構 築可能にする。 -
本書の構成 • 第1章:AI進化史とエージェントへのパラダイムシフト • 生成AIから「自律的に行動し成果物を作るAI」への道筋と、スキル登場の歴史的背景。 • 第2章:エージェントスキルの作り方 • SKILL.md の役割、フォルダ構成、段階的開示、保守しやすいスキルの設計原則。
• 第3章:便利なエージェントスキルの実践 • 文書処理やプレゼン生成など、指示とコード・検証ループを組み合わせた実践例。 • 第4章:最適化とサプライチェーンへの応用 • MOAI Labのスキル群を題材に、次世代IBPに向けた実務上の意思決定支援への接続 。 -
目次 • 1. AIの黎明から冬の時代へ • 2. 統計的言語モデルからトランスフォーマーへ • 3. LLMの誕生とスケーリング則
• 4. アライメントの時代:InstructGPTからChatGPTへ • 5. 推論モデルへの進化 • 6. AIエージェント:対話から行動へ • 7. 自律型エージェントの歴史とエージェントスキル -
1. AIの黎明から冬の時代へ 人工知能の歴史は、記号論的な論理演算から始まりました。 年代 モデル/出来事 意義と限界 1950 チューリングテスト 知能の判定基準を言語に設定 1956
ダートマス会議 AIという分野の確立 1966 ELIZA 最初のチャットボット、対話インターフェースの先駆け 1970s MYCIN エキスパートシステム。専門知識のルール化、限定領域での成 功 1980s 知識ベースAI 柔軟性の欠如、未知の状況への非対応(AIの冬へ) -
2. 統計的言語モデルからトランスフォーマーへ 逐次的処理の限界 RNNとLSTM • 過去の情報を保持し、次の単語を予 測。 • 課題1:勾配消失問題 •
課題2:逐次的な処理が必要であり 、並列計算が困難 トランスフォーマーの登場 Attention Is All You Need (2017) • 自己注意機構(Self-Attention) • 文章中の全単語間の関連度を同時 に計算し、特定の単語が他のどの単 語に注目すべきかを動的に決定。 • 並列かつ効率的な学習が可能に。 -
3. LLMの誕生とスケーリング則 BERTとGPTの分岐 • BERT (2018): 双方向事前学習。文脈理解に長け、感情分析などに適する。 • GPT-1 (2018):
自己回帰的な手法。生成タスクに適し、驚異的な汎用性を示す。 モデル 発表年 パラメータ数 主な特徴 GPT-1 2018 1.17億 生成的な事前学習の有効性の証明 BERT 2018 3.4億 双方向事前学習による文脈理解の深化 GPT-2 2019 15億 ゼロショット能力の出現 GPT-3 2020 1750億 フューショット学習、汎用知能への接近 -
4. アライメントの時代 RLHF(人間からのフィードバックによる強化学習) 大規模言語モデルの出力を人間の意図に沿わせる(アライメント)ための技術 • 1. 教師ありファインチューニング (SFT): 人間が理想的な回答例を作成し、微調整。 •
2. 報酬モデル: AIの回答案を人間がランク付けし、何が良い回答かを学習。 • 3. 近接方策最適化 (PPO): 報酬モデルから高スコアを得られるようにAIの行動を最適 化。 ChatGPT (2022) / GPT-4 (2023) • RLHFを活用した対話型AI。流暢な会話能力と高い汎用性で社会実装が爆発的に進む 。 -
5. 推論モデルへの進化 直感的な生成から論理的な推論へ 特徴項目 従来のLLM(GPT-4o等) 推論モデル(o1, R1等) 基本原理 次単語予測の確率最大化 報酬に基づいた推論ステップの最適化
思考プロセス ユーザーに促されない限り即答 内部的に長いCoT(思考の連鎖)を生 成し、自己修正を行う 得意領域 創作、要約、一般的な会話 数学、科学、複雑なコーディング、論理パズ ル 計算負荷 入力長に依存 思考の深さ(推論時間)に依存 -
6. AIエージェント:対話から行動へ AIエージェントの3つの構成要素 能動性、行動能力、自己修正ループを持つAIシステム • 1. プランニング(計画能力) • 抽象的な目標を具体的な実行ステップに分解する。 •
2. メモリ(記憶能力) • 短期記憶(会話の文脈)と長期記憶(過去の好みや知識)の保持。 • 3. ツール利用(Tool Use) • Web検索、電卓、コード実行、API呼び出しなど外部の世界と接続。 -
7. 自律型エージェントの歴史 AutoGPTからオーケストレーションへ フレームワーク 設計思想 活用シナリオ AutoGPT / BabyAGI タスク実行と自己評価を再帰的にループ
エージェントの大衆化と可能性の提 示 LangChain LLMと各種ツールの「連鎖」を容易にする 汎用的なアプリケーション、RAG LangGraph 動作をグラフ構造(状態遷移図)として 定義 複雑なビジネスプロセス、エラー復帰 AutoGen 役割の異なる複数エージェントの対話 エンジニアとテスターの協調作業 CrewAI エージェントをチームとして管理しタスク割当 記事執筆、マーケティングリサーチ -
7. エージェントスキルの誕生 MCPとエージェントスキルによる真の自律化 マルチエージェントシステムの次へ。Anthropic社が提唱する標準規格: • MCP (Model Context Protocol) •
データソースや外部ツールへの「接続路」を標準化。(例:USB-Cポート) • エージェントスキル • 「具体的にどのような手順で作業を進めるか」という「知恵(レシピ)」。 • 組織独自のルールに従い(スキル)、社内データにアクセスして(MCP)、自律的に業務 を完遂することが可能になる。 -
エージェントスキルの概要 AIエージェントの機能を拡張するフォーマット エージェントスキルとは • AIエージェントに専門的な知識やワークフローを付与する軽量なオープンフォーマット。 • メタデータと実行手順を記述した SKILL.md ファイルを含む単一フォルダ。 なぜ必要か
• エージェントは実務遂行に必要な固有のコンテキスト(文脈)を欠いている。 • 特定の手順やコンテキストをバージョン管理可能なポータブルなフォルダにパッケージ化でき る。 -
段階的開示 (Progressive Disclosure) エージェントがスキルをロードするアプローチ 1. Discovery (発見) 起動時に利用可能な各スキ ルの「名前」と「説明文」のみ をロード。
(約50〜100トークン) 2. Activation (有効化) ユーザータスクが一致した場 合、SKILL.md の「完全な 指示」を読み込む。 (推奨5000トークン未満) 3. Execution (実行) 指示に従い、バンドルされた スクリプトの実行や参照ファイ ルのロードを行う。 -
スキルの配置場所 どのスコープで利用させたいかによって配置先が決まる スコープ パス 用途 Project project/.agents/skills/ 共有スキル。リポジトリ内でチーム共有する場合。 Project project/.client/skills/
特定のツール専用スキル。 User home/.agents/skills/ 個人用スキル。自分の環境で横断的に使いたい 場合。 User home/.client/skills/ 個人環境の特定のツール専用スキル。 ※ .agents/skills/ はクロスクライアント共有の事実上の共通規約として扱われる -
スキルの構造と仕様 ディレクトリ構造例 my-skill/ ├── SKILL.md # 必須: メタデータ + 指示
├── scripts/ # 任意: 実行可能なコード ├── references/ # 任意: 参考ドキュメント ├── assets/ # 任意: テンプレート等 └── ... SKILL.md フォーマット --- name: pdf-processing description: PDFファイルからテキスト を抽出... license: Apache-2.0 --- (ここからMarkdown形式で指示を記述) -
スキル作成のベストプラクティス 宣言的ではなく手続き的に記述する 「何を生成すべきか」だけではなく、「どのように問題にアプローチするか」を教える。 効果的な指示のパターン • Gotchas (落とし穴): 当然の前提が通用しない特定の環境における注意点を記載。 • 出力フォーマットのテンプレート化:
具体的なMarkdownなどのテンプレートを提示。 • マルチステップのチェックリスト: 依存関係やバリデーションが必要な手順をリスト化。 -
説明文(Description)の最適化と品質評価 エージェントがスキルを起動する判断基準 • Descriptionは、エージェントがスキルを起動するか否かの唯一の材料。 • 「CSVファイルを処理する」のような抽象的な表現は避け、具体的でユーザーの意図を捉え た説明にする。 最適化と評価のプロセス • 1.
評価用クエリを作成し、発動率(トリガーレート)を計測する。 • 2. 過検知(誤発動)や漏れ(未発動)を分析し、説明文を修正する。 • 3. 構造化されたテスト (evals.json) を用いて、アサーション(合格基準)を満たすか検 証する。 -
スクリプトの利用とクライアント実装 スクリプトの利用 • 自己完結型スクリプト (PEP 723): 依存関係をスクリプト内に直接記述し、単一コマンド で実行。 • 設計上の注意点:
インタラクティブなプロンプトを避け、意味のある終了コードを返すこと。 出力サイズにも配慮する。 クライアント実装者向けステップ • 1. スキルの発見 (ディレクトリのスキャン) • 2. SKILL.md のパースとカタログの開示 • 3. アクティベーションとコンテキスト管理 -
目次:4つの主要なエージェントスキル • 1. skill-creatorメタスキル • スキルを開発・最適化するための自己再帰的スキル。 • 2. docxスキル •
Word文書の生成と編集。OOXMLスキーマの扱いとテンプレート駆動。 • 3. pptxスキル • PowerPointスライドのスクラッチ生成。美的バイアスの排除と視覚的QA。 • 4. xlsxスキル • Excelデータ処理とガントチャート等の可視化生成。 -
1. skill-creatorメタスキル AIエージェント自身にスキルを構築させる メタスキルとは • スキルを開発、テスト、最適化するためのスキル。 段階的開示によるコンテキスト最適化 • 不要な情報を隠蔽し、必要なタイミングで読み込む設計を支援する。 テスト駆動生成と自律的評価ループ
(Eval Loop) • evals.json を用いたアサーションで、スキル自体の動作を検証・修正させる。 -
2. docxスキル Word文書の生成と編集における課題の克服 既存文書の編集とOOXMLスキーマの脆弱性 • OOXMLは複雑であり、直接のXML編集は破損のリスクが高い。 • Wordの内部では1つの単語が複数のタグに分割されることがあり、単純な検索置換が失 敗する。 新規作成におけるプログラム的抽象化
(docx-js) • ゼロからの生成には、抽象化レイヤー(docx-jsなど)を提供し、確実な文書生成を行わ せる。 -
3. pptxスキル PowerPointスライドのスクラッチ生成と品質保証 pptxgenjsによるスクラッチ生成 • APIを通じたコードベースでのスライド生成により、ファイル破損(致命的トラップ)を回避。 美的バイアスの排除:デザイン・ヒューリスティクスの強制 • AI特有の「ダサいデザイン(白い背景に黒文字)」を防ぐため、カラーパレットやレイアウト規則を スキルに強制させる。
マルチモーダル視覚的QAループの必然性 • 出力されたPPTXを画像化し、サブエージェントに視覚的にチェックさせることでレイアウト崩れを防 ぐ。 -
4. xlsxスキル Excelデータ処理と可視化 デュアル・ライブラリ戦略 • データの読み書きと、書式・グラフの操作など、目的によって適切なライブラリを使い分ける。 インデックスの不整合 • Pythonの0始まりインデックスと、Excelの1始まりインデックス間の変換ミス(Off-by-oneエラー )を防ぐルールをスキルに組み込む。
財務モデルの業界標準とハードコードの禁止 • 固定値をセルに直接書き込むことを避け、依存関係を持つ計算式を正しく生成させる。 -
MOAI Lab エージェントスキル群の体系 三層アーキテクチャによるサプライチェーン最適化 1. 戦略層 (Strategic) • 長期的な設備投資やネットワーク設計(MELOS, SENDO
等) 2. 戦術層 (Tactical) • 中期的な在庫配置や生産ロット計画(SSA, OptLot 等) 3. 運用層 (Operational) • 短期・日々のスケジューリングや配送計画(OptSeq, METRO 等) 設計原則 • ドメイン特化の独自エンジンを持ち、自然言語インターフェースで高度な数理モデルを生成 する。 -
自然言語からの数理最適化モデル生成 専門知識なしで高度な最適化モデルを構築 特徴 説明 自然言語インターフェース ユーザーの曖昧な要求や文章から、制約条件と目的関数を抽出 多層の成果物生成 モデルの定式化(数式)、プログラムコード(Python等)、及び 実行結果を一貫して生成 組織への定着
数式のブラックボックス化を防ぎ、ホワイトボックスな最適化ロジックを 組織に提供 適用範囲と独自性 特定のソルバーに依存しない柔軟なモデリングと、再利用可能なテ ンプレート群 -
需要予測と在庫最適化 需要予測:ABD-Forecast • 自動化されたベースライン予測 • 複数の統計・機械学習モデルを比較 し、最適なモデルを自動選択 • 予測の公理と評価指標に基づく客観 的な精度検証
• 大規模データに対するスケール感を備 える 在庫の高度最適化:SSA • 多段階安全在庫配置 (SSA) • サプライチェーン全体(複数拠点間) の在庫を統合的に最適化 • サービスレベルを維持しつつ、過剰在 庫を削減 • 部分最適から全体最適へのシフトを 実現 -
生産・配送のスケジューリング タクティカルとオペレーショナルの最適化 生産計画 (OptLot & OptSeq) • OptLot (Tactical): 中期的な生産ロットサイズと期間ごとの生産量を決定。
• OptSeq (Operational): 日々の詳細な機械割付や順序付け(スケジューリング)を 実行。 • 階層化アプローチにより、計算の複雑さを制御しつつ現実的な解を導出。 配送計画:METRO • 運搬経路問題 (VRP) の構造と拡張に対応。 • 時間枠制約、積載容量、複数配送先など、複雑な実務制約への高い対応力を持つ。 -
物流ネットワーク・リスク・収益の4戦略領域 戦略層(Strategic)を担う4つのモデル システム名 領域 機能概要 MELOS ロジスティクス・ネットワーク設計 工場や倉庫の配置、キャパシティ計画の最適 化 SENDO
サービスネットワーク設計 輸送ハブの連携や、輸送モード(トラック、鉄 道等)の選択 MERIODAS SCリスク管理 災害や需要変動に対するサプライチェーンの頑 健性評価 MERMO 収益管理 (Revenue Management) 価格最適化や動的価格設定による利益最大 化 -
S&OP オーケストレーションと次世代 IBP スキル統合による自律的SCM意思決定支援 S&OP (Sales and Operations Planning) の一気通貫実行
• sales-operations-planning スキルによる需要・供給・財務の統合調整。 • 各個別最適化スキル(需要予測、在庫最適化、生産計画等)をエージェントが連携さ せる。 次世代 IBP (Integrated Business Planning) への進化 • サイロ化されたシステムをつなぎ、AIエージェントがデータ取込から前処理、最適化モデル実 行までをオーケストレーションする。 • 認知的プロテーゼ(人間の思考補助)から、「自律的 SCM 意思決定支援」へとパラ ダイムが転換する。