過去2年間、AIエージェントの開発アプローチは基本的に以下の通りでした：強力な大規模モデルを見つけ、ツール呼び出し機能を追加し、あとはすべて自分で解決してくれることを期待する。
このアプローチの問題点は、タスクが複雑化すると、単一の「万能な脳」だけでは不十分になることです。
全科医に心臓手術を任せられないのと同じように、汎用エージェントにすべての視覚タスクを処理させるべきではありません。
上海交通大学のMMSkillsは異なるアプローチを提案しています：エージェントの能力を独立した「スキル」に分解し、必要に応じて柔軟に組み合わせ、呼び出すというものです。
マルチモーダル「スキル」とは？
MMSkillsにおける「スキル（Skill）」は、従来の意味でのAPI呼び出しではなく、知覚・意思決定・実行を完結させる1つのユニットです。
各スキルは以下の3つの要素で構成されます：
- トリガー条件：どのような状況でこのスキルを呼び出すか
- 入力モダリティ：どのような視覚入力が必要か（スクリーンショット、アイコン、ページ構造など）
- 出力アクション：どのような操作を実行するか（クリック、入力、スクロールなど）
例えば、「検索ボックスを見つけてキーワードを入力する」は1つのスキルであり、「CAPTCHAを認識して入力する」は別のスキル、「テーブルから特定の列のデータを抽出する」もまた別のスキルです。
これらのスキルは独立して訓練・テスト・更新が可能であり、必要に応じてエージェントによって完全なワークフローに組み立てられます。
なぜこのアプローチに価値があるのか？
第一に、組み合わせ可能性（Composability）です。 レゴブロックのように、限られたスキルで無限のワークフローを構築できます。新しいタスクを追加する際、モデル全体を再訓練する必要はなく、既存のスキルを組み合わせるか、新しいスキルを1つ追加するだけで済みます。
第二に、デバッグの容易さです。 エージェントがエラーを起こした際、エンドツーエンドのブラックボックスモデルに手を焼くのではなく、どのスキルに問題があるかを正確に特定できます。
第三に、移植性（Transferability）です。 ECサイトで訓練された「商品を検索する」スキルは、少し調整するだけで他のサイトでも活用できる可能性があります。モデルレベルでの移植に比べ、スキルレベルでの移植はより柔軟でコストも低くなります。
技術的な詳細
MMSkillsのアーキテクチャには、注目すべき設計がいくつかあります：
スキルレジストリ（Skill Registry）。 これは構造化されたスキルライブラリであり、各スキルに標準化された説明とメタデータが付与されています。エージェントはタスク実行時、まずレジストリから関連スキルを検索し、必要に応じて組み合わせます。
マルチモーダルアライメント。 スキルは視覚情報を理解するだけでなく、テキスト指示も理解する必要があります。MMSkillsは視覚と言語の間に細粒度のアライメントメカニズムを構築し、スキルがユーザーの意図を正しく理解できるようにしています。
動的スキル選択。 新しいタスクに直面した際、エージェントはランダムに試行錯誤するのではなく、タスクの説明と過去の経験に基づき、レジストリから最適なスキル組み合わせを選択します。この選択プロセス自体も学習プロセスの一部です。
Agent Skillsエコシステムとの関係
最近、GitHub上でacademic-research-skills、scientific-agent-skills、tech-leads-club/agent-skillsなど、多数のAgent Skillsプロジェクトが急増していることに気づいたかもしれません。
MMSkillsとこれらのプロジェクトの関係は、前者が視覚／マルチモーダル分野のスキル化に焦点を当てているのに対し、後者は主にコーディングや研究分野のスキル化に注目しているという点です。しかし、両者は**「エージェントの能力を『モデル内蔵』から『外部プラグイン型』へ移行させる」**という同じコア理念を共有しています。
これは偶然ではありません。エージェントが「実験段階」から「本番環境」へ移行するにつれ、能力のモジュール化、組み合わせ可能性、保守性が極めて重要になるのです。
課題
MMSkillsのアプローチは明確ですが、いくつかの課題にも直面しています：
スキルの爆発的増加。 アプリケーションシナリオが増えるにつれ、スキルの数が急激に膨れ上がる可能性があります。数千〜数万のスキルをどう管理するか？スキル間の競合や冗長性をどう回避するか？
スキル間の協調。 複数のスキルが連携して動作する際、それらの間で正確かつ効率的な情報伝達をどう保証するか？
スキルの評価。 スキルの良し悪しをどう測定するか？単純な成功率だけでは不十分です。多くの場合で良好なパフォーマンスを発揮しても、重要なエッジケースで失敗するスキルがあるかもしれません。
トレンドの展望
MMSkillsの登場は孤立した出来事ではありません。CLI-Anything（全ソフトウェアエージェントのネイティブ化）、agentmemory（エージェントの永続化メモリ）、FORGE（自己進化するエージェントメモリ）などと並び、より大きなトレンドを指し示しています：
エージェントは「賢い大規模モデル」から「複数の専門コンポーネントで構成されるシステム」へと進化しつつある。
この転換の意義は、私たちが想像する以上に大きいかもしれません。エージェントのアーキテクチャがモノリシックからモジュール型へ移行することで、拡張性、信頼性、カスタマイズ性が質的に飛躍するからです。
大規模モデルが重要でなくなるわけではありません。むしろ、大規模モデルはこのシステムの「司令塔」および「接着剤」の役割を担います。しかし、司令塔自体がすべての詳細を知る必要はなく、各専門スキルをどう連携・指揮するかだけを知っていればよいのです。
これこそが、エージェントが大規模な実用化へ向かうための正しい道筋かもしれません。