「優秀なスペシャリストを一人採用するよりも、現場のメンバーがノウハウを共有し合う仕組みを作ったほうが、最終的に組織は強固になる」
マネジメントの文脈で古くから語られるこの鉄則が、AIエージェントの世界にもそのまま適用されるフェーズがやってきた。昨今のLLM界隈では「いかに強力な基盤モデルを積むか」、あるいは「いかに精緻なプロンプトチェーンを組むか」ばかりに焦点が当てられがちだ。しかし、実運用に入るとすぐに一つの壁にぶつかる。エージェントは毎回ゼロからタスクに向き合い、過去の失敗や、隣のエージェントが苦労の末に編み出した「コツ」を知らないのだ。
ファインチューニングでモデル自体を焼き直すのはコストと時間がかかりすぎる。かといって、あらゆるノウハウをシステムプロンプトに詰め込めば、コンテキストウィンドウはあっという間にパンクし、推論の精度も落ちる。このジレンマに対する極めてエレガントな解答が、AMAP-MLが公開した「SkillClaw」である。
個の経験を「群れのスキル」に昇華させるアーキテクチャ
SkillClawの核心は、複数のユーザーやエージェントのやり取りから得た「実世界の経験」を自動的に蒸留し、再利用可能なスキルとしてエコシステム全体で共有・進化させる点にある。
特筆すべきは、その導入のスマートさだ。ユーザー側に新たなツールの使い方を覚えるよう強要することはない。SkillClawはローカルAPIのプロキシとして振る舞う。
export OPENAI_BASE_URL="http://localhost:8000/v1"
skillclaw start
このように環境変数を差し替えるだけで、普段通りエージェントと対話している裏側で、プロキシがセッションのアーティファクトを静かに記録し、共有ストレージへと同期していく。ゼロエフォートで現場の生データが蓄積される導線が見事に設計されている。
2つのエンジンが牽引する「スキルの進化」
蓄積された雑多なセッションデータを、いかにして汎用的な「スキル」に昇華させるのか。SkillClawは用途とフェーズに応じて選べる、2つの異なるアプローチの「進化サーバー（Evolve Server）」を実装している。
| コンポーネント | アプローチと設計思想 | ユースケース |
|---|---|---|
| Workflow Evolve Server | 「要約 → 集約 → 実行」という固定された3段階のLLMパイプラインでデータを処理する。 | 挙動の予測可能性と安定性が求められる本番環境。手堅くノウハウを抽出したい場合。 |
| Agent Evolve Server | 自律型エージェント（OpenClaw）が自らセッションを読み込み、パターンを分析してスキルファイルを直接書き換える。 | ファイルシステムの読み書きや実行権限（ツールアクセス）を活かし、動的かつ自律的にエコシステムを自己改善させたい場合。 |
どちらのサーバーを選んでも、生成されるスキルはシンプルなMarkdown形式（SKILL.md）でAlibaba OSSやS3、あるいはローカルに保存される。この「ただのテキストファイル」としてスキルを表現・共有するアプローチは、プラットフォームのロックインを防ぎ、CoPaw、IronClaw、NemoClawといった多種多様なフレームワーク間でのポータビリティを担保している。
モデルの肥大化に対する痛快なアンチテーゼ
WildClawBenchでの実証評価において、SkillClawは限られたインタラクションの中でもQwen3-Maxのパフォーマンスを大きく引き上げることに成功している。これは「よりパラメータ数の多い巨大なモデル」に頼るのではなく、「より賢く蒸留された経験」を活用した結果だ。
計算リソースの確保がボトルネックとなりつつある現在、巨大な脳を一つ育てるのではなく、小さな脳の群れがネットワーク越しに暗黙知を共有し、集合知として進化していくアプローチは極めて現実的であり、理にかなっている。
エージェントは孤独なタスクソルバーから、経験を共有し合う「種」へと変わりつつある。SkillClawが提示したこのデザインパターンは、今後のマルチエージェント開発における一つのデファクトスタンダードになる予感がしている。
参考リポジトリ: AMAP-ML/SkillClaw
Photo by Steve A Johnson on Unsplash