skill-cleaner：Agentのスキルをダイエットさせるオープンソースツール
ロブスターの父Peterがskill-cleanerをオープンソース化。5つの核心機能でAgentスキルの記述を監査・最適化し、Tokenコストを節約してAgentの呼び出し精度を向上。GitHubで公開済み。
skill-cleaner：Agentのスキルをダイエットさせるオープンソースツール
ロブスターの父Peterがskill-cleanerをオープンソース化。5つの核心機能でAgentスキルの記述を監査・最適化し、Tokenコストを節約してAgentの呼び出し精度を向上。GitHubで公開済み。
Agent のスキル（Skill）記述が長すぎると、Token の無駄になるだけでなく、Agent がスキルを選ぶ精度まで下がってしまいます。90語余りの記述を40語以内まで削ったら、逆に Agent が一発で正しいスキルを選べるようになった例もあります。
「ロブスターの父」Peter が見かねて、すべての Skill に「健康診断」を行うツールをオープンソースで公開しました。それが skill-cleaner です。
なぜ Skill のダイエットが必要なのか
Skill のプロンプト問題は、表面上は文案の長短ですが、実際には次の3つに影響します：
- コスト：記述を1行増やすだけで、Agent は呼び出しごとに Token の請求を余分に支払う
- レイテンシ：Agent が見る情報が増えるほど、選択時のノイズも増える
- 精度：情報過多が Agent に間違ったツールを選ばせる
Peter の主張は明快です。Skill は道標のようなもので、目的は Agent に道を見つけさせることであり、説明書一冊丸ごとを道標にぶら下げるべきではない、というものです。この skill-cleaner 自体が最高の実演になっています -- Skill.md のプロンプトはわずか56行ですが、呼び出されるスクリプトは軽く千行近いコードに及びます。
5つの核心機能
1. スキルプロンプト予算の監査
各 Skill が占有するコンテキスト Token の空間を分析し、予算の占有率を計算して、最適化案を提示します。スクリプトは Codex 公式ソースコードと同じプロンプト予算の算出ロジックを使用し、ローカルのモデルキャッシュ設定を読み込んで GPT-5.5 のコンテキストウィンドウのパラメータ（デフォルトは 272K Token）を取得、Codex の課金ルール（UTF8 バイト数/4 の切り上げ）に厳密に従います。
2. 重複スキルの検出
Codex 内蔵ライブラリ、プラグインキャッシュ、コードベース、個人スキルのルートディレクトリ横断で、同名スキルや記述・内容が高度に似ている重複スキルをスキャンし、冗長項目に印を付けます。
3. 未使用スキルの選別
履歴ログに基づき、長期間呼び出されていない、言及されていない、使用痕跡のない遊休スキルを識別し、クリーンアップ候補リストを提供します。
4. スキルルートディレクトリの監査
すべてのスキルの出身ルートディレクトリを集計し、有効/無効の状態を明示して、スキルのロード経路を整理します。
5. 記述の簡素化・最適化
冗長なスキル記述を見つけ出し、3ステップのフローで簡素化します：
- テキスト前処理：書式を統一し、すべて小文字化、句読点を除去
- シーン識別：内蔵のプリセットシーンキーワード辞書で、スキルが属する業務領域を識別
- 標準化置換：プリセットの短い動作語句で冗長な記述を置き換え
たとえば、デバッグ系は debug, inspect, fix に、デプロイ・リリース系は deploy, release, verify に置き換えられます。
使い方
始める前の準備
- Node.js 環境
- 既存の Agent Skills ディレクトリ
ステップ1：インストール
# リポジトリをクローン
git clone https://github.com/steipete/agent-scripts/tree/main/skills/skill-cleaner
# 依存関係をインストール
npm installステップ2：監査分析を実行
スキルディレクトリまたはリポジトリのルートでスクリプトを実行します：
node skill-cleaner.js --dir /path/to/skills対応しているパラメータ：
--time-range: 分析の時間範囲を指定--log-depth: ログ分析の深さ--budget-threshold: 予算のしきい値--custom-root: カスタムのスキルルートディレクトリ
ステップ3：レポートを確認して最適化
順番に主要レポートを読みます：スキル予算 -> 記述の最適化項目 -> 重複スキル -> 未使用スキル -> ルートディレクトリ集計。
最適化時の安全原則：
- Codex 内蔵スキルを優先的に保持
- 未確認の無関係ディレクトリは削除しない
- 変更前に保持ファイルの有効性を検証
効果の検証
最適化後に注目したい指標は2つあります：
- Token 予算の使用率：各 Skill がコンテキストを占める割合が下がったか
- Agent の呼び出し精度：記述を簡素化した後、Agent がより正確に正しいスキルを選べるようになったか
よくある質問
-
問：記述を簡素化すると重要な情報が失われませんか？ 答：skill-cleaner の方針は、標準化された短い語句で冗長な記述を置き換えるもので、保持するのは「動作」であって「説明」ではありません。Agent に必要なのは正確な道標であって、詳細な説明書ではありません。
-
問：Codex 以外の Agent フレームワークに対応していますか？ 答：中心ロジックは汎用ですが、課金ルールと予算の基数はデフォルトで Codex 標準に従って計算されます。他のフレームワークを使う場合は、予算パラメータを自分で調整する必要があります。
GitHub: https://github.com/steipete/agent-scripts/tree/main/skills/skill-cleaner
関連記事
たった1人で海外向けショートドラマを作る：SenseTime Seko 3.0 + Seedance 2.0 実践3ステップチュートリアル
SenseTime Seko 3.0（Agent + 無限キャンバス）と動画大規模モデル Seedance 2.0 を使い、「企画・脚本 → キャラクター絵コンテ → 動画生成」の3ステップで、オール英語の海外向けショートドラマ『人生質屋』を1人で作り切る方法。価格、登録URL、Skill の活用術つき。
Claude Code システムプロンプト修正リスト：削除すべき6種類の旧ルールと、追加すべき2つのセクション
Anthropic は Claude Code のシステムプロンプトを80%削除し、その後70%を再追加しました——旧モデルの穴埋めのために書かれた6種類のルールを削除し、Opus 5 の「気難しさ」を制御する Delivering work と Corrections の2セクションを新設。自分の Agent プロンプトにそのまま適用できる実行可能なチェックリストです。
Nami Work 実測レビュー：たった一言で3社の大規模モデルをまたぎ、32秒のプロモーション動画を自動編集
ByteDance の Nami Work（Work.n.cn）を実際のタスクで検証——プロンプト1本で Seedance 2.0 のテキスト動画生成 + MiniMax TTS + ffmpeg を呼び出し、3社のモデルベンダーをまたいで32秒のプロモーション動画を完成。その過程、判断、制約がすべて画面上に可視化されます。
Opus 5「チャレンジループ」プロンプト：AI 自身に発注側を演じさせ、24時間で3Aゲームのプロトタイプを作らせる
Matt Shumer の「チャレンジループ（Challenge Loop）」プロンプトは、Opus 5 を「メイン Agent + 制作 Agent + 審査 Agent」のマルチエージェント構造で自走的に反復させ、Three.js + Blender MCP と組み合わせて、たった1人で24時間以内に『Outer Wilds』級のブラウザゲームを再現します。
DyRef 実践ガイド：Qwen 画像編集モデルに複数参照の一貫性を加え、7枚の参照図でも崩れない
ハルビン工業大学（深圳）の DyRef（ECCV 2026 Oral）は、Qwen-Image-Edit-2511 の上に重ねる複数参照一貫性のファインチューニング手法 + RL 動的報酬トレーニングフレームワークで、最大7枚の参照図でも被写体・ポーズ・スタイルの一貫性を保ちます。本稿ではローカルでの推論と、任意の SFT/RL トレーニングの実行方法を解説します。
Qwen Office 実測レビュー：7分で決算PPTを作り、3シナリオでAlibabaの新オフィスAgentを検証
Alibaba の Qwen Office（qwenwork.cn）実測チュートリアル。決算PPTの生成、ポッドキャストの Feishu ドキュメント化、EC サイト構築の3つの再現可能シナリオをカバーし、価格、クレジット消費、失敗の避け方も添付します。