AI 分野の新しい用語、スマホの新機種より早く更新されてる気がしませんか？
昨日やっと「Function Calling」を理解したと思ったら、今日は「Skills」が登場。一昨日「MCP」って誰かが言ってたと思ったら、反応する間もなく「Agents」の話が出てくる。こんな言葉を見るたびに、まず頭に浮かぶのは「また置いていかれてる？」ってこと。
焦らないでください。今日は「Claude Skills」をしっかり解説します。
さらに重要なのは、すでに知っている「関数（Functions）」や「関数呼び出し（Function Calling）」との関係性をお伝えすることです。これらは3つのバラバラな用語ではなく、積み重なったステップだとわかります。この3つのレイヤーを理解すれば、新しい用語がどの位置づけか判断できるようになります。
出発点
まずはおなじみの「関数（Functions）」から。プログラミングにおける関数です。
関数は「小さなアシスタント」だと考えてください。仕事を任せると（入力すると）、完了したら結果を教えてくれます（出力します）。レストランのウエイターみたいなもの。注文すると料理が出てきて、毎回決まった手順で動きます。
例えば、プログラマーが calculate_tax(income) という関数を書きます。収入額を入力すると、税額を計算してくれます。もう一度計算したい？ また呼び出せばいい。毎回税金のロジックを書き直す必要はありません。
関数の価値は3つの言葉に集約されます。カプセル化、再利用、標準化。
タスクをパッケージ化することで、誰でも毎回同じように使えます。これは何十年もの間、プログラマーにとって最も基本的な生産性向上ツールでした。
しかし、関数には限界があります。それはコードの世界にしか存在しないことです。
プログラマーがコード内で getWeather() と書けば、100% 実行されます。しかし、普通の人はコードを書きませんし、AI はこのコードを直接「実行」しません。では、どうやって AI にこれらの「小さなアシスタント」を使わせるのでしょうか？
橋渡し
2023年頃、「Function Calling（関数呼び出し）」という概念が広まりました。
これは、「チャットしかできない AI」に電話と連絡先リストを渡すようなものだと考えてください。
以前は、AI に「今日の北京の天気は？」と聞くと、学習データから推測するか、「わかりません」と正直に答えるしかありませんでした。実際に確認する「手足」がなかったからです。
Function Calling によって状況は変わりました。
開発者は AI に事前に伝えます。「ここに連絡先リストがあって、get_weather という関数がある。天気を知りたければこの番号に電話してね。」AI は質問を受けると、判断します。「ああ、これに答えるには get_weather を呼び出さないと。」
そして、標準的な「メモ」（JSON と呼ばれるもの）を生成します。
{ "function": "get_weather", "arguments": { "city": "Beijing" } }
このメモは外部プログラムによって受信、解析、実行されます。外部プログラムが実際に気象台に問い合わせます。結果は AI に返され、AI が平易な言葉で伝えます。「今日の北京は晴れ、気温は 15 度です。」
ここに初心者が見落としがちな重要な転換点があります。
従来の関数は「決定論的」です。プログラマーが getWeather() と書けば、必ず実行されます。
しかし、LLM の Function Calling は「確率論的」です。AI は 自分で判断して 関数を呼び出すかどうかを決めます。この判断はルールではなく、理解に基づいています。ごくまれに、リクエストを誤解釈する可能性もあります。
つまり、Function Calling の本質は「AI に電話をかけさせること」ですが、かけるかどうか、誰にかけるかは AI 自身が決める のです。
これは大きな飛躍です。AI はもはや単なる「知識ベース」ではなく、「行動者」になります。
しかし、Function Calling にもまだ問題があります。断片的で、一回限りの使い方に終わることです。
論理的な判断や文書の参照を伴いながら、5〜6 個の関数を連続して呼び出す必要があるタスクには、単純な Function Calling では不十分です。
飛躍
2025 年 10 月 16 日、Anthropic は新機能をリリースしました。Claude Skills です。
Skills は、「従業員マニュアル」と「ツールボックス」を組み合わせたものだと考えてください。
マニュアルは AI に指示します。「この種のタスクに遭遇したら、こうやって進めて、各ステップでどのツールを使うか。」ツールボックスには、必要なスクリプトや参考資料が入っています。
具体的には、Skill は 3 つのものを含むフォルダです。
1 つ目は、SKILL.md ファイル。 これは自然言語で書かれた「指示書」です。Skill の目的、いつ使うか、注意事項などを AI に伝えます。
2 つ目は、スクリプト。 Python や JavaScript などで書かれたコードです。AI が「実際に手を動かす」必要があるときに、これらのスクリプトを実行します。
3 つ目は、リソースファイル。 タスク実行中に AI が参照できる参考文書、テンプレート、設定ファイルなどです。
Function Calling との根本的な違いは何かと疑問に思うかもしれません。
違いはこれです。Function Calling は「単一のツール」であり、Skills は「完全なソリューション」です。
Function Calling は、ハンマーとドライバーを渡されて、どちらをいつ使うか自分で判断しなければならないようなもの。Skills は、IKEA の組み立てマニュアルを渡されて、すべての手順、ツール、部品が揃っているようなものです。
「段階的開示（progressive disclosure）」と呼ばれる重要なメカニズムもあります。
AI の「ワーキングメモリ」（コンテキストウィンドウ）には限りがあります。すべての Skills を一度に詰め込むと、AI は混乱します。Skills を使うと、AI はマニュアルの存在を認識しつつ、実際に必要なときだけ「該当ページを開く」ことができます。
では、3 つのレイヤーをまとめて見てみましょう。
下から上へと、抽象度が高くなります。関数はコードレベル、Function Calling はインターフェースレベル、Skills はワークフローレベルです。
Skills は Function Calling を含むことができますが、Function Calling は Skills の一部に過ぎません。
実践的な応用
Skills は実際に何ができるのでしょうか？ 実際のユースケースを見てみましょう。
まず、私自身のプロジェクトです。 x-article-publisher-skill
Markdown で記事を書き、X（Twitter）の記事として公開したい場合、コピー＆ペーストすると書式がすべて失われてしまいます。見出し、太字、リンクを手動で修正する必要があり、1記事あたり 15〜20 分かかります。
画像はさらに厄介です。手動でアップロードし、正しい位置にドラッグする必要があります。この Skill がその問題を解決します。
Markdown を解析し、タイトルとカバー画像を抽出し、すべての画像に「ブロックインデックス」を計算します。そして、Markdown をリッチテスト HTML に変換して完璧に貼り付けられるようにし、ブラウザ自動化（Playwright）を使ってすべての画像を自動的に正しい位置に挿入します。
手動で 30 分かかっていた作業が、完全自動で 数分に短縮されます。面倒なことはしたくないという人にとって、何もしなくて済むことが本当の価値です。
「これって単なる自動化スクリプトじゃないか？」と思うかもしれません。
その通りでもあり、そうでもありません。スクリプトは実行方法を覚えておく必要があります。Skill はその指示も含んでいます。「これを X に公開して」と AI に伝えるだけで、AI はどの Skill を使うべきか、そしてどう操作するかを理解します。
これが「知識のコード化」の価値です。「やり方を知っている」を「AI もやり方を知っている」に変えること。
他のシナリオとしては、次のようなものがあります。
ミーティング管理: 議事録から要約とアクションアイテムを抽出し、フォローアップメールの下書きを作成する Skill。
データ分析: CSV を渡すと、主要な指標を特定し、グラフ付きのレポートを生成する Skill。
カスタマーサポート: ナレッジベースから回答を取得し、人間らしい応答にまとめる Skill。
最後に、開発者向けツールです。
skill-creator という Skill があります。これは、Skill を作成するための Skill です。ワークフローを説明すると、プロジェクトの枠組みを生成してくれます。
始め方
既存の Skills を使う には、最も簡単な方法は Claude Code のプラグインマーケットプレイスを利用することです。
/plugin marketplace add anthropics/claude-code を使って他のマーケットプレイスを追加できます。
インストール後は、/plugin コマンドで管理できます。
自分で作成する には、skill-creator メタスキルを使います。資料を分析して図を描く Skill も作成できます。例えば、『紅楼夢』の登場人物関係図のようなものです。
または、戦国七雄の相互作用図も。
Claude Skills を NotebookLM のような外部ツールと連携させることもでき、強力な検索機能と自分の創造性を組み合わせられます。
GitHub の awesome-claude-skills で、コミュニティが厳選した優れた Skills リストをチェックしてみてください。
個人的には、陽志平氏のチームによる 42plugin マーケットプレイス をおすすめします。評価機能があり、質の低いプラグインを避けられます。
最も重要なポイント: Skill の作成に必ずしもコーディングは必要ありません。
SKILL.md の指示は自然言語です。ワークフローに複雑なスクリプトが不要なら、自然言語だけで多くのことが実現できます。
まとめ
- 関数（Functions） は基盤です（コードレベル）。
- Function Calling は橋渡しです（インターフェースレベル）。
- Claude Skills は設計図です（ワークフローレベル）。
Gartner のアナリストが言うように、焦点は「モデル更新」から「ユースケースの実装」へと移っています。Skills は AI を「応答者」から「協働者」へと変えます。
次に新しい AI 用語を耳にしたら、自分に問いかけてみてください。「これはどのレイヤーにあるものだろう？」 そう考えると、新しい用語はずっと怖くなくなります。
Claude Skills はもう試しましたか？ ぜひコメントであなたのワークフローを共有してください！
