SkillOptとは｜Claude Codeのスキルを学習ループで自動最適化するMicrosoft製OSS

「AIエージェントのスキルは、人間が手で書き続けるもの」——この前提を覆すのが、Microsoft Research発のオープンソースSkillOpt（microsoft/SkillOpt）です。ClaudeやCodexなどのエージェントが読み込むスキル文書（Markdown）を、実行と反省を繰り返す学習ループで自動的に書き換えます。公式READMEはClaude Codeのエージェント実行で+19.1ptの改善を報告していますが、GitHubスター15,780という人気度に対して、リリースはまだ2本というプロダクトとしての若さも見過ごせません。本記事では最適化ループの仕組み・Claude Codeでの実測値の読み方、そして実際にpip installして確かめたCLIの姿を、一次情報ベースで解説します。

なお、SkillOptが最適化する対象であるスキルの基礎（Claude Codeでの位置づけ・設定方法）は、当サイトのClaude Code｜2026年版・インストールからCLAUDE.md・Hooks・本番運用までの実装手引きにまとめています。人が書くスキルの仕組みそのものはClaude Skillsを徹底解説｜スキルはフォルダ——Anthropicエンジニアが明かした仕組みと使い方を、CLAUDE.mdの書き方の原則はKarpathy流CLAUDE.md｜LLMコーディング暴走を止める4原則、30kスター獲得の理由を参照してください。

SkillOptとは何か——「スキルを書く」から「学習で最適化する」へ

Claude Skillsに代表されるエージェントスキルは、これまで人間がMarkdownで手書きし、失敗を見つけたら手直しする運用が前提でした。SkillOptはこの前提を変え、スキル文書そのものを学習ループの最適化対象にします。公式リポジトリの説明を要約すると、狙いは「モデルの重みを一切変えず、スキルというテキスト空間だけを最適化する」ことです。

・何ができるか：エージェントにスキルを実行させ、その結果から良し悪しを判定し、スキル文書自体を書き換える一連の処理を自動化する。いわばAIエージェントのスキルを自動最適化するための専用パイプラインである
・何を解決するか：スキルが「書いた瞬間から陳腐化していく」問題。失敗パターンに気づいた人だけが手直しする、属人的な運用からの脱却
・何を代替できるか：スキルを人手で継続的にメンテナンスする作業そのもの。ただしスキルを最初にゼロから発想する部分は代替しない——あくまで既存のスキルを改善するループである

実装の中身はPythonが中核（GitHub API実測で約202万byte相当）で、これに加えて後述するWeb UIダッシュボード用のHTML（約25万byte相当）が含まれています。Shell/PowerShell/Batchfileはインストーラの補助スクリプトです。単なる論文の付属コードではなく、CLIとダッシュボードまで揃えた実用志向のツールとして作られていることがうかがえます。

6ステップの最適化ループ——Rollout・Reflect・Aggregate・Select・Update・Evaluate

SkillOptの中核は、公式リポジトリが示す6段階のループです。エージェントにスキルを使わせて実行結果を集め（Rollout）、その結果から改善のヒントを引き出し（Reflect）、複数の候補を束ね（Aggregate）、有望なものを選び（Select）、スキル文書に反映し（Update）、最後に効果を測る（Evaluate）——これを繰り返すことで、スキル文書が少しずつ洗練されていきます。

この設計思想は、READMEが自らを「text-space optimizer」と呼んでいることに表れています。モデルの重みを更新するのではなく、あくまでプロンプトに相当するテキスト（スキル）を更新対象にする——これがDSPyのような「プログラム全体」を最適化するフレームワークとの明確な違いです（比較は後述）。

Claude CodeでのSkillOpt実測数値——+19.1ptの中身と読み方

公式READMEは、複数のバックエンドでの改善幅をベンチマーク数値として公開しています。当サイトの読者にとって最も関心が高いのはClaude Codeでの結果でしょう。

target_keywordであるSkillOpt Claude Codeという組み合わせで検索する読者が知りたいのは、おそらく「自分のClaude Codeのワークフローにどう効くか」でしょう。ここで重要なのは、SkillOptが変えるのはClaude Code本体ではなく、Claude Codeに読み込ませるスキル文書だという点です。効果はスキルの初期品質や評価タスクの性質に依存するため、README記載の+19.1ptがそのままどの環境でも再現されるとは限りません。

SkillOptを実際にインストールして動かしてみる——pip installと3つのCLI

READMEに書かれた導入コマンドを、実際にLinux環境（2026-08-09時点）で動かして確認しました。

pip install skillopt

実行結果：依存パッケージ（azure-core・azure-identity・httpx・numpy・openai・openpyxl・pyyaml等）を含めて約5秒でインストールが完了しました。パッケージ名は実在し、PyPI公開が確認できています。

次にREADME流に python -m skillopt --help を試したところ、これはエラーになりました。

python -m skillopt --help
# → No module named skillopt.__main__; 'skillopt' is a package and cannot be directly executed

pip show -f skillopt でインストールされたファイルを確認すると、実際に使えるコマンドは skillopt-train ・skillopt-eval ・skillopt-sleep という3本の独立したCLIエントリポイントであることが分かりました。

skillopt-train --help    # 学習ループを回す（--backend に claude / claude_chat / claude_code_exec 等を指定）
skillopt-eval --help     # 既存スキルを評価する（--config / --skill 必須）
skillopt-sleep --help    # {run, dry-run, status, adopt, harvest, schedule, unschedule} のナイトリー運用サブコマンド

skillopt-train の --backend オプションには claude ・claude_chat ・claude_code_exec ・codex ・codex_exec ・qwen などが並んでおり、Claude Code実行環境を直接ターゲットにできることがコマンドラインからも確認できました。また skillopt-sleep は run / dry-run / status / adopt / harvest / schedule / unschedule というサブコマンド構成で、前述の6ステップループをナイトリー（夜間バッチ）で継続的に回す運用を想定した設計になっています。

インストールされたパッケージのソース（skillopt/engine/trainer.py）まで確認したところ、学習ループが1サイクル進むたびに、その時点で最も評価が良かったスキルが出力先ディレクトリへbest_skill.md というファイル名で書き出される実装になっていました。README記載のコマンド例は動かない箇所がありましたが、この「現時点のベストなスキルを1本のMarkdownとして保持する」という設計自体はコード上で確認できた事実です。

類似ツールとの比較——Claude Skills・DSPy・buildwithclaudeとSkillOptの違い

「結局これは何と競合するのか」を整理します。

DSPyとの違いは特に重要です。DSPyは「モデルとプロンプトを含むプログラム」を最適化しますが、SkillOptはREADME自身が明言する通りモデルの重みには一切手を入れません。あくまでエージェントに読ませるテキスト（スキル文書）だけを書き換える、スコープの狭い専用ツールという理解が実態に近いでしょう。

Claude Skillsとの関係も整理しておきます。Claude Skills自体は「人がMarkdownでスキルを書き、Claude Codeがそれを読み込んで使う」という器（フォーマット）を提供する機能です。SkillOptはこの器を置き換えるものではなく、器の中身（スキル文書のテキスト）を誰が・どうやって更新するかというレイヤーに位置します。つまり「AIエージェントのスキルを自動最適化する」ためのアドオンであって、Claude Skillsそのものを代替する競合ではありません。この整理は、これからAIエージェント スキル 自動最適化という切り口でツールを比較検討する読者にとっても判断材料になるはずです。

実体評価——★15,780の裏にあるSkillOptのpre-1.0とバス係数40%

GitHubスター15,780という数字だけを見ると成熟したプロジェクトに見えますが、実体を確認すると印象が変わります。

・リリース状況：最新はv0.2.0（2026-07-02公開）で、正式リリースはまだ2本のみ
・プロジェクトの若さ：リポジトリ作成は2026-05-08で、リサーチ時点でわずか3ヶ月ほど
・開発の集中度：全447コミットのうち、上位contributor（Yif-Yang）が182件（約40.7%）を占め、次点のlufen（40件）・Lliar-liar（30件）以下とは大きく差がある。48名のコントリビュータという頭数はあるが、実質的な中核は少人数
・直近の活性度：2026-08-07にもpushがあり、直近は活発に更新されている

開発元はMicrosoft Researchで、LICENSEファイルのCopyright表記も「Microsoft Corporation」となっています。専任チームによる継続開発とみられますが、商用版やマネージドクラウド提供の有無は今回確認できていません。

まとめ——SkillOptは今使うべきか

SkillOptは、「AIエージェントのスキルは人が書き続けるもの」という前提に、Rollout→Reflect→Aggregate→Select→Update→Evaluateという学習ループで挑む、Microsoft Research発の野心的なOSSです。Claude Codeで+19.1ptというREADME記載の改善幅は魅力的ですが、それがMicrosoft社内ベンチマークの数値であること、そしてプロジェクト自体がv0.2.0・リリース2本・作成から3ヶ月というpre-1.0の研究プロトタイプ段階であることは、導入判断の前に押さえておくべき事実です。

実際に pip install skillopt を動かしてみると、READMEの python -m skillopt --help という記載どおりには動かず、実際のCLIは skillopt-train ・skillopt-eval ・skillopt-sleep という3本立てでした。こうした細部のズレも含めて、「動くか」と「本番で任せられるか」は別の話として評価するのが妥当でしょう。まずは検証環境で skillopt-eval を回し、自分の使っているスキルにどれだけの改善余地があるかを確かめるところから始めるのが現実的な一歩です。

参照ソース

・microsoft/SkillOpt（公式リポジトリ・README） — 概要・最適化ループの6ステップ・ベンチマーク数値・インストール手順の一次情報
・SkillOpt公式プロジェクトページ — 詳細ガイドへの導線
・arXiv論文 — 手法の学術的な裏付け（本文の詳細は今回未読了・URLの存在のみ確認済み）