XNews

AIエージェントにおけるスキル:キュレーションからコード最適化へ

AIエージェントにおけるスキル:キュレーションからコード最適化へ

Spotify EngineeringのPortalツールは、低推論タスクをより小規模なモデルにルーティングすることで、Claude Codeのトークン消費を90%削減しました。同時に、厳選されたスキル集がベストプラクティスを強調しました。AIコーディングのコストはI/Oに集中しています。Claude Codeは、単純なクエリのために複数のファイルを読み込んだり、既存のパターンに従ったテストファイルを生成したり、ドキュメントを更新したりする際にトークンを浪費します。Portalは、一時的なランタイム上で2つの宣言型エージェント(モード)を使用し、どちらもGemini 2.5 Flashを利用します。1つは、大規模ファイルを行番号付きの構造化サマリーに圧縮し、無駄な文言を省く一括リーダー、もう1つは、参照パターンを模倣したコードのみを出力するボイラープレートコード生成器です。3層(PreToolUseフック、bashスクリプト、スキル)から成るシャントプラグインは、大規模ファイルの読み込み(デフォルト350行超)をインターセプトし、一括リーダーにルーティングする一方、対象を絞った読み込みも可能にします。Javaモノレポテストでは、一括読み取りで約90%のトークンを節約し、コード書き込みでは入力トークンと出力トークンの両方を節約しました。制限事項:ワーカーのサマリーには編集に信頼できる行番号がなく、推論タスクを委任できず(スレッドセーフティのバグを見逃した)、委任には10~30秒のレイテンシが発生するため、小規模ファイルや安全性が重要なコードには不適切です。別の投稿では、設計、単一点、エンタープライズ、方法論の各スキルカテゴリを含む厳選されたスキル集と、著者自身の3つのスキルが共有されました。

Key insights

AIコーディングは、フロンティアモデルにとって「極めて過剰仕様」なI/Oタスクに大きく費やされる

Spotify Engineeringは、Claude Codeのトークンが、メソッドに関する質問に答えるために5つのファイルを読み込んだり、既存のパターンに従ってテストファイルを生成したり、ミーティング後にドキュメントを更新するといったルーチンタスクに主に消費されていることを発見しました。これらにはフロンティアモデルの推論は必要ありません。

Spotify Portalの宣言型エージェントは雑務を低コストモデルにルーティングし、約90%のトークン節約を実現

Portalは、Gemini 2.5 Flashを搭載した一時的なランタイム上で動作する2つの宣言型モード(一括リーダーとボイラープレートコード生成器)を使用します。一括リーダーは大規模ファイルを行番号付きの構造化サマリーに圧縮し、コード生成器は参照パターンを模倣してコードのみを出力します。これらを組み合わせることで、Javaモノレポテストでトークン消費を約90%削減しました。

シャントプラグインは3層アプローチでタスクをインターセプトし委任する

シャントプラグインは、閾値(デフォルト350行)を超えるファイル読み込みをインターセプトするPreToolUseフック、エラーハンドリングとトークンレポート付きでPortal CLI呼び出しを処理するbashスクリプト、そしてClaudeにスクリプトの使用タイミングと方法を指示するスキルファイルで構成されています。これにより、低コストのタスクが透過的に小規模モデルにルーティングされます。

委任アプローチには明らかな制限がある:編集不可、推論不可、レイテンシ増加

ワーカーのサマリーには編集に信頼できる行番号がなく、Claudeは関連セクションを直接読み込む必要があります。ワーカーモデルは推論タスクを任せられません。Claudeがすぐに発見した微妙なスレッドセーフティのバグを見逃しました。各委任には10~30秒のレイテンシが発生するため、小規模ファイルや安全性が重要なコードには不適切です。

厳選されたスキル集は、AIエージェント機能の体系化に対するコミュニティの関心の高まりを示す

ある投稿では、設計、単一点、エンタープライズ/ワークフロー、方法論の各カテゴリを網羅した推奨スキル集と、著者自身の3つのスキルが共有されました。これは、再利用可能なエージェントスキルの積極的なキュレーションと共有を示しています。

Source posts