著者: @BlazingKevin_、資産運用会社Blockboosterの研究員

1. エージェントスキルの背景と進化

2025年、AIエージェント分野は「技術構想」から「エンジニアリング実装」へと移行する重要な局面を迎えます。このプロセスにおいて、Anthropicの能力カプセル化の探求は、予想外にも業界全体のパラダイムシフトを促進しました。

2025年10月16日、Anthropicはエージェントスキルを正式にリリースしました。当初、この機能の公式な位置付けは非常に限定的で、複雑なコードロジックや特定のデータ分析など、特定の垂直タスクにおけるClaudeのパフォーマンスを向上させるための補助モジュールとしか考えられていませんでした。

しかし、市場と開発者からのフィードバックは期待をはるかに上回りました。この「モジュール機能」設計は、実際のエンジニアリングにおいて非常に高い分離性と柔軟性を発揮することがすぐに判明しました。Promptのチューニングにおける冗長性が削減されただけでなく、特定のタスクを実行するエージェントの安定性も大幅に向上しました。この経験は、開発者コミュニティで瞬く間に連鎖反応を引き起こしました。VS Code、Codex、Cursorといった主要な生産性向上ツールや統合開発環境（IDE）も短期間で追随し、エージェントスキルアーキテクチャの基盤サポートを次々と完成させていきました。

エコシステムの自発的な拡大に直面し、Anthropicはこのメカニズムの根底にある普遍的な価値を認識しました。2025年12月18日、Anthropicは画期的な決断を下しました。それは、 Agent Skillをオープンスタンダードとして正式にリリースするというものでした。

これに続き、2026年1月29日には、Skillの公式詳細ユーザーマニュアルが公開され、プロトコルレベルでのクロスプラットフォームおよびクロスプロダクトの再利用における技術的障壁が完全に打破されました。この一連の動きは、エージェントスキルが「Claude専用アクセサリ」というレッテルを完全に脱却し、AIエージェント分野全体における普遍的な基盤設計パターンへと正式に進化したことを示しています。

ここで疑問が生じます。大手企業やコア開発者に広く受け入れられているAgent Skillは、エンジニアリングの基盤レベルにおけるどのような根本的な問題点を実際に解決するのでしょうか？また、現在普及しているMCPとの本質的な違いや連携関係とは一体何なのでしょうか？

これらの問題を徹底的に明らかにし、最終的に暗号業界の投資研究の実践的な構築に適用するために、この記事では次のトピックを段階的に検討します。

• 概念分析: エージェント スキルの本質とその基本的なアーキテクチャ構成。
• 基本的なワークフロー: 基礎となる動作ロジックと実行フローを明らかにします。
• 高度なメカニズム: Reference と Script の 2 つの高度な使用法を詳細に分析します。
• 実践的なケーススタディ: エージェント スキルと MCP の本質的な違いを分析し、暗号投資研究シナリオでのそれらの組み合わせの適用を示します。

2. エージェントスキルとその基本構造とは何ですか?

エージェントスキルとは一体何でしょうか？簡単に言うと、いつでも参照できる大規模モデルの「パーソナライズされた取扱説明書」のようなものです。

日常生活でAIを使う際、しばしば問題に遭遇します。それは、新しい会話を始めるたびに、長いリクエストを書き直さなければならないことです。Agent Skillはこの問題を解決するために開発されました。

具体的な例として、「インテリジェントなカスタマーサービス」エージェントを作成したいとします。スキルには、「ユーザーからの苦情に遭遇した場合、まずは落ち着かせることが第一であり、補償を約束してはならない」といったルールを明確に記述できます。また、「会議の要約」を頻繁に作成する必要がある場合は、スキル内で直接テンプレートを定義できます。「会議の要約を出力するたびに、『出席者』、『主要な問題』、『最終決定』の3つのセクションの形式に厳密に従う必要がある」といったルールです。

この「取扱説明書」があれば、会話のたびに長々とした指示を繰り返す必要はありません。大型モデルがタスクを受け取ると、対応するスキルを自動的に参照し、どの基準でタスクを実行すればよいかを即座に判断します。

もちろん、「ドキュメント」というのは、理解を容易にするための簡略化された比喩です。実際には、Agent Skillは単なるフォーマットガイドラインの提供にとどまりません。その高度な機能については、後の章で詳しく説明します。しかし、初期段階では、効率的なタスクの指示書として考えてください。

次に、「会議の要約」というおなじみのシナリオを使って、エージェントスキルの作成方法を見ていきます。プロセス全体を通して、複雑なプログラミングの知識は必要ありません。

主流ツール（Claude Codeなど）の現在の設定に基づいて、コンピュータのユーザーディレクトリに.claude/skillというフォルダを見つける（または作成する）必要があります。これがすべてのスキルが保存される「本部」となります。

まず、このディレクトリに新しいフォルダを作成します。このフォルダの名前は、エージェントスキルと同じにします。次に、作成したフォルダにskill.mdというテキストファイルを作成します。

すべてのエージェントスキルには、 skill.mdファイルが必要です。このファイルは、AIに自分が誰なのか、何ができるのか、そして自分の指示に従ってどのように動作するのかを伝えるためのものです。このファイルを開くと、2つの部分に明確に分かれていることがわかります。

ファイルの先頭は通常 2 つの---で囲まれており、そこには 2 つのコア属性nameとdescriptionのみが記述されます。

• name : これはスキルの名前であり、外部のフォルダーの名前とまったく同じである必要があります。
• description ：これは非常に重要な部分です。このスキルの具体的な目的を、より大きなモデルに説明する役割を担います。AIはバックグラウンドですべてのスキルの説明を継続的にスキャンし、ユーザーの質問に答えるためにどのスキルを使用するかを判断します。したがって、正確で包括的な説明を記述することは、AIがスキルを正確に起動するための前提条件となります。

ハイフンの下の残りのテキストは、AI向けに記述された具体的なルールです。正式には「指示」と呼ばれます。ここは創造性を発揮する部分です。モデルが従うべきロジックを詳細に記述する必要があります。例えば、会議の要約の例では、ここに「出席者リスト、議論されたトピック、最終決定事項を抽出する必要があります」と平易な言葉で指定できます。

これらの手順を完了すると、シンプルでありながら非常に実用的なエージェント スキルが作成されます。

しかし、真に役立つスキルは、多くの場合、綿密な事前設計から始まります。最初の行を入力する前に、目標、スコープ、成功基準を明確に定義することで、ビルドプロセスははるかに効率的になります。

スキル構築の最初のステップは、「AI にどのようなトリックを実行させることができるか」を考えるのではなく、「日々の仕事で解決する必要がある反復的な問題は何ですか」と自問することです。最初に、このスキルでカバーする必要がある 2 ～ 3 つの具体的なシナリオを定義することをお勧めします。

次に、成功の基準を定義します。作成したスキルが優れているかどうかは、どうすればわかるでしょうか？作業を始める前に、測定可能な基準をいくつか設定しましょう。例えば、定量的な基準としては「処理速度が向上したかどうか」、定性的な基準としては「抽出した会議の決定が常に十分に正確で、漏れがないかどうか」などが考えられます。

3. エージェントスキルの基本的な運用ワークフロー

エージェント スキルの基礎を学んだ後、この「ドキュメント」は実際の操作ではどのように機能するのかという疑問が湧いてきます。

Manus AIのような製品を最近ご利用になった方は、おそらくこのような状況を経験したことがあるでしょう。具体的な質問をすると、AIはすぐに長々と説明を始めたり、幻覚を見ているようには見えたりしません。その代わりに、AIは「この件は特定のエージェントスキルの管轄範囲です」と鋭く認識します。そして、そのスキルの呼び出しを許可するかどうかを尋ねるプロンプトが画面に表示されます。

「同意する」をクリックすると、AIはまったく別の人のように動作し、事前に設定されたルールに従って完璧に結果を出力します。

一見シンプルに見える「申請・同意・実行」というやり取りの背後には、高度に洗練されたワークフローが存在します。このメカニズムを完全に説明するには、まずプロセス全体を通してこのやり取りに関与する「3つのコアロール」を特定する必要があります。

1. ユーザー: タスク要求を開始するユーザー。
2. クライアント側のツール (Claude Code など)は仲介者として機能し、プロセスを調整および管理します。
3. 大規模言語モデル: 意図を理解し、最終結果を生成する役割を担う「頭脳」。

システムにリクエストを入力すると（例：「今朝のプロジェクト会議の要約を作成してください」）、これら 3 つの役割の間で、次の 4 つのステップで正確なコラボレーションが行われます。

ステップ1: 軽量スキャン（メタデータの転送）

ユーザーがリクエストを入力すると、クライアントツール（Claude Code）はすべてのドキュメントをすぐに大規模モデルに送信するのではなく、ユーザーのリクエストと、現在のシステム（前章で説明したメタデータ層）内のすべてのエージェントスキルの「名前」と「説明」をパッケージ化し、大規模モデルに送信します。数十個、あるいは数十個のスキルをインストールしたとしても、大規模モデルは「軽量ディレクトリ」のみを受け取ることになります。この設計により、モデルの負荷が大幅に軽減され、情報の相互干渉を回避できます。

ステップ2：正確なインテントマッチング。ユーザーのリクエストと「スキルディレクトリ」を受け取った後、ビッグモデルは迅速なセマンティック解析を実行します。ユーザーのリクエストが「会議の要約」であること、そしてディレクトリには「会議要約アシスタント」というスキルが含まれており、その説明がタスクに完全に一致することを発見します。この時点で、ビッグモデルはクライアントツールに「このタスクは『会議要約アシスタント』で解決できることがわかりました」と伝えます。

ステップ3：オンデマンドで完全な指示を読み込む。大規模モデルからのフィードバックを受け取った後、クライアントツール（Claude Code）は「Meeting Summary Assistant」の専用フォルダに入り、 skill.mdのテキスト全体を読み取ります。これは非常に重要な設計であることにご注意ください。この時点で初めて、完全な指示内容が読み込まれ、システムは選択されたスキルのみを読み取ります。選択されていない他のスキルはディレクトリ内に静かに残り、リソースを消費しません。

ステップ4：厳密な実行と出力レスポンス最後に、クライアントツールは「ユーザーの元のリクエスト」と「会議サマリーアシスタントからの完全なskill.mdコンテンツ」を大規模モデルに送信します。この段階では、大規模モデルはもはや選択を行うのではなく、実行モードに入ります。大規模モデルは、 skill.mdに定義されたルール（例：出席者、主要トピック、最終決定事項の抽出）に厳密に従い、高度に構造化されたレスポンスを生成し、それをクライアントツールに渡してユーザーに表示します。

4. コアメカニズム1: オンデマンドの読み込みと参照

前の章のワークフローでは、エージェント スキルの最初のコアとなるメカニズムであるオンデマンド ロードを紹介しました。

すべてのスキルの名前と説明は大きなモデルには常に表示されますが、具体的な指示は、スキルが正確に実行された後にのみモデルのコンテキストに取得されます。

これにより、貴重なトークンリソースを大幅に節約できます。「バイラルコピーライティング」「会議要約」「オンチェーンデータ分析」といった大規模なスキルを12個同時にデプロイしたとしても、モデルは当初、非常に低コストの「ディレクトリ検索」を実行するだけで済みます。ターゲットが選択された後、システムは対応するskill.mdファイルをモデルに読み込みます。この「オンデマンドロード」こそが、エージェントスキルを軽量かつ効率的に維持するための第一の秘訣です。

しかし、究極の効率を追求する上級ユーザーにとっては、オンデマンド読み込みの第 1 レベルを達成するだけでは不十分です。

事業が拡大するにつれ、スキルをよりスマートにしたいと考えるようになりました。「会議サマリーアシスタント」を例に挙げましょう。このアシスタントは、議題を単に要約するだけでなく、段階的なインサイトも提供したいと考えています。例えば、会議で支出が決定された場合、それがグループの財務コンプライアンスに準拠しているかどうかをサマリーに直接表示できます。また、外部とのコラボレーションが関与している場合は、潜在的な法的リスクを自動的に警告できます。これにより、チームがサマリーを確認する際に、重要なコンプライアンス上の警告を即座に特定できるため、規制を二重に確認するという面倒な作業が省けます。

しかし、これはエンジニアリングにおいて致命的な矛盾を生じさせます。Skillにこの機能を持たせるには、膨大な「財務規則」と「法的条項」をすべてskill.mdファイルに詰め込まなければなりません。その結果、コア命令ファイルが信じられないほど肥大化します。たとえ純粋に技術的な朝の会議であっても、モデルは数万語に及ぶ財務および法的「ナンセンス」を読み込まざるを得なくなり、トークンの大幅な浪費につながるだけでなく、モデルが「集中力を失う」原因にもなりかねません。

では、オンデマンド読み込みに加えて、「オンデマンド内オンデマンド」という追加レイヤーを実装することは可能でしょうか？例えば、会議で実際に「お金」という話題に触れた時にのみ、モデル金融規制を表示するといったことは可能でしょうか？

答えは「はい」です。エージェントスキルシステムのリファレンスメカニズムは、まさにこの目的のために作られました。

Referenceの本質は、条件によってトリガーされる外部知識ベースです。それがどのようにして上記の問題点をエレガントに解決するのかを見てみましょう。

1. 外部参照ファイルの作成：まず、このスキルのディレクトリに、専門用語で「参照」と呼ばれる別のファイルを追加します。このファイルには、払い戻し基準（例：宿泊費500元/泊、食費300元/人/日など）の詳細を記載した集团财务手册.md 」という名前を付けます。
2. トリガー条件の設定：次に、コアとなるskill.mdファイルに戻り、専用の「財務リマインダールール」を追加します。自然言語で明示的に定義できます。「会議内容に金額、予算、調達、経費などの単語が含まれている場合にのみトリガーします。トリガー後、集团财务手册.mdファイルを読み取る必要があります。このファイルの内容に基づいて、会議の決定事項の金額が限度額を超えているかどうかを示し、対応する承認者を指定してください。」

セットアップが完了すると、次の会議で予算配分を確認し、素晴らしいダイナミックなコラボレーションが始まります。

1. クライアント ツールはスキャンし、「会議概要アシスタント」スキルの使用を要求します (オンデマンド ロードの最初のレイヤーを完了します)。
2. モデルが会議の議事録を読んでいるときに、「予算」という単語を鋭く認識し、 skill.mdに埋め込んだルールをすぐにトリガーしました。
3. この時点で、システムは 2 番目のリクエストを送信します: 「集团财务手册.md読み取りを許可しますか?」 (オンデマンド ロードの 2 番目のレイヤーを完了します: 参照が動的にトリガーされます)。
4. 承認されると、モデルは会議の内容を動的に導入された財務基準と相互参照し、最終的に「参加者、トピック、決定」だけでなく「財務コンプライアンスの警告」も含む高品質の要約を出力します。

リファレンスの核となる特性、つまり条件が厳密に適用されることを覚えておいてください。逆に、今日の会議がコードロジックを議論するための技術的な報告会であり、金銭とは全く関係がない場合、この集团财务手册.mdはハードドライブに静かに保存され、1トークンも計算能力を消費することはありません。

5. スクリプトと段階的な開示メカニズム

情報過多を解決するためのリファレンス メカニズムについて説明しましたが、次はエージェント スキルのもう 1 つの重要な機能であるコード実行 (スクリプト)について説明します。

成熟したエージェントにとって、「情報を検索する」ことと「要約を書く」ことだけでは不十分です。真の自動化は、エージェントが直接作業を完了できるようになった時に実現されます。そこでスクリプトが役立ちます。

引き続き「会議サマリーアシスタント」を例に挙げてみましょう。サマリーを作成した後は、通常、社内システムと同期する必要があります。この最終ステップを実現するために、Skillフォルダにupload.pyという新しいPythonスクリプトを作成します。このスクリプトには、社内サーバーに接続するためのアップロードロジックが含まれています。

次に、コアのskill.mdファイルに戻り、明示的な指示を追加します。「ユーザーが「アップロード」、「同期」、「サーバーに送信」などの単語を言ったら、生成された要約コンテンツをサーバーにプッシュするためにupload.pyスクリプトを実行する必要があります。」

AIに「要約はよく書けています。サーバーに同期してください。」と言うと、

クライアントツールはすぐにupload.pyファイルの実行を要求します。ただし、重要なロジックに注意してください。このプロセス中、AIはこのコードの内容を「読み取る」のではなく、「実行する」だけです。

つまり、Python スクリプトに非常に複雑なビジネスロジックが 10,000 行含まれていても、大規模なモデルコンテキストの消費量はほぼゼロになります。AI は「ブラックボックス」ツールを使用するようなものです。つまり、ツールの起動方法と最終的に成功するかどうかのみを気にし、ボックス内部がどのように動作するかは気にしません。

これにより、リファレンスとスクリプトという 2 つの高度な機能のメカニズムに根本的な違いが生じます。

• 参照 (読み取り):外部ファイルのコンテンツを参照としてモデルのブレイン (コンテキスト) に「移動」し、トークンを消費します。
• スクリプト（実行）：外部環境で直接トリガーされ実行されます。実行方法を明確に定義していれば、モデルのコンテキストを占有することはありません。

もちろん、落とし穴を避けるためのヒントがありますskill.mdを書く際には、スクリプトのトリガー条件と実行コマンドを非常に明確に記述する必要があります。AIが曖昧な指示に遭遇し、どう進めればよいか分からなくなった場合、AIは「息継ぎ」のためにコードを覗き込んで手がかりを探そうとするかもしれません。その結果、トークンを失う可能性があります。したがって、スキルを書く際の鉄則は、ルールを可能な限り明確かつ包括的に定義することです。

ここまでで、エージェントスキルのコアコンポーネントをすべてまとめることができました。ここで一旦立ち止まり、全体的な視点からまとめてみましょう。

読み込みプロセス全体を注意深く見てみると、エージェントスキルの設計思想は、実は非常に洗練された段階的な開示メカニズムであることがわかります。高いパフォーマンスを維持しながら計算効率を最大化するために、システムは厳密に3つのレイヤーに分割され、各レイヤーの発動条件は段階的に厳しくなっています。

• 第1レイヤー：メタデータレイヤー（常にロードされます）。このレイヤーには、すべてのエージェントスキルのnameとdescription格納されます。これは、大規模モデルの「常駐ディレクトリ」のようなものであり、非常に軽量です。大規模モデルは、各注文を受け入れる前にこのレイヤーを参照し、初期ルートマッチングを完了します。
• 第2層：指示層（オンデマンドでロード）は、 skill.md内の特定のルールに対応します。第1層がタスクの所有権を確認した場合にのみ、AIはこの対応する層を「開き」、特定のルールを自身の脳にロードします。
• 3番目の層：リソース層（オンデマンド内でのオンデマンド読み込み） 。これは最も深く、最も大きな層です。3つのコアコンポーネントが含まれます。
  • 参照:たとえば、集团财务手册.md会話で特定の条件 (「お金」に言及するなど) がトリガーされた場合にのみ読み上げられます。
  • upload.pyなどのスクリプトは、特定のアクション (「アップロード」など) が必要な場合にのみ実行されます。
  • アセットには、企業ロゴ、カスタムフォント、調査レポートの作成に必要な特定のPDFテンプレートなどが含まれます。これらは最終出力の生成時にのみ使用されます。

6. エージェント スキルと MCP の本質的な違いと、それらの実際の組み合わせ。

エージェントスキルの高度な活用法について議論してきたことで、AIプロトコルの基礎知識を持つ読者の多くは、強い既視感を覚えるかもしれません。エージェントスキルのスクリプトメカニズムは、最近話題のMCP（マルチチャネルプログラミング）と驚くほど似ているように思われます。本質的には、どちらも大規模なモデルを外部世界に接続し、操作できるようにするという点が重要ではないでしょうか。

機能の重複があるため、Crypto Research ワークフローを構築する際にはどちらを選択すればよいでしょうか?

この問題に関して、アントロピック社の役員はかつて、両者の最も核心的で本質的な違いを指摘する非常に古典的な声明を出しました。

「MCP はクロード氏をデータに接続します。スキルはクロード氏にそのデータの使い方を教えます。」

この発言はまさに的を射ています。MCPは本質的に「データパイプライン」であり、標準化された方法で大規模モデルに外部情報を提供する役割を担っています（例えば、チェーン上の最新のブロック高の照会、取引所からのリアルタイムのローソク足チャートの取得、ローカルの投資リサーチPDFの読み込みなど）。一方、エージェントスキルは本質的に「行動規範（SOP）」であり、大規模モデルがデータを受け取った後にどのように動作すべきかを規定する役割を担っています（例えば、投資リサーチレポートにはトークン経済モデルを含める必要があること、出力結果にはリスク警告を含める必要があることなど）。

この時点で、技術愛好家の中には、「エージェント スキルは Python コードも実行できるので、データベースに接続したり API を呼び出したりするロジックをスクリプトに記述するだけで済むのではないですか。エージェント スキルは MCP の作業を完全に実行できます。」と反論する人もいるかもしれません。

確かに、エンジニアリング実装の観点から言えば、エージェントスキルでデータを取得することも可能です。しかし、非常に扱いにくく、プロフェッショナルではありません。

この「プロ意識の欠如」は、2つの致命的な側面で現れます。

1. 動作メカニズムと状態維持：エージェントスキルのスクリプトは「ステートレス」であり、トリガーされるたびに独立して実行され、完了すると消滅します。一方、MCPは独立して実行される長期実行サービスであり、外部データソース（後述するWebSocketの長期接続など）への永続的な接続を維持できます。これは単純なスクリプトでは不可能なことです。
2. セキュリティと安定性: AI が常に最高のシステム権限で Python スクリプトを実行できるようにすると、重大なセキュリティ リスクが生じます。一方、MCP は標準化された分離環境と認証メカニズムを提供します。

したがって、高レベルの暗号研究システムを構築する場合、最も強力なソリューションは、2 つのオプションのうち 1 つを選択するのではなく、2 つを「水供給用の MCP と醸造用のスキル」という強力な組み合わせに組み合わせることです。

この組み合わせの威力を皆さんに直接感じてもらうために、Web3 開発者 Cryptoxiao が構築したopennews-mcpを例に、 API 強化スキルを使用して完全に自動化された暗号化ニュース インテリジェンス センターを作成する方法を詳しく説明します。

このタイプのスキルのコアロジックは、スキルの指示オーケストレーションを通じて、MCP によって提供される個別の API 機能を、最終的な投資調査の目標に向けられたインテリジェント エージェントにカプセル化することです。

このシステムは、AI に 4 つのコア モジュールの機能を付与します。

モジュール1: ニュースソースの発見

これは、 AIがツールの機能の限界を理解するための入り口です。discovery.py 内のツールを通じて、AIはどのチャネルから情報を取得できるかを動的に学習できます。

モジュール2: 多次元ニュース検索

これはnews.pyによって実装されたコア クエリ モジュールであり、単純なものから複雑なものまでさまざまなニュース取得方法を提供します。

モジュール3: AIを活用した分析と洞察

ツールのこの部分は、 6551.ioバックエンドによってすでに完了している AI 分析結果を利用し、AI エージェントが単なる「事実」ではなく「意見」を直接照会できるようにします。

重要な洞察：AIエージェントがこれらのツールを呼び出す際、MCPサーバーが内部で2段階の「get-filter」プロセスを実行していることにAIは気づきません。AIにとっては、単に「高評価のニュース」や「ポジティブなニュース」を直接返す魔法のツールを呼び出すだけで、ワークフローが大幅に簡素化されます。

モジュール4: リアルタイムニュースストリーム

これは、 realtime.pyによって実装された opennews-mcp の「キラー」機能であり、AI にリアルタイム イベントをリッスンする機能を提供します。

重要な洞察：この機能は、ステートフルで永続的なネットワーク接続を維持する必要があるため、純粋なスキルでは実現できません。専用のMCPサーバーを介してのみ実現できます。

これらのMCP駆動型ツールをエージェントスキルのコマンドフローに書き込むと、AIは「一般的なチャットアシスタント」から「ウォール街レベルのWeb3アナリスト」へと進化します。これまで研究者が何時間もかけて完了させていた複雑なワークフローを完全に自動化できます。

ワークフロー例1：新通貨の迅速なデューデリジェンス（DD）

1. 発行されたコマンド: ユーザーは「新しく開始された @NewCryptoCoin プロジェクトについて詳細な調査を実施する」と入力します。
2. 基本評価: エージェントは自動的にopentwitter.get_twitter_userを呼び出して公式 Twitter データを取得します。
3. 推薦のクロス検証: opentwitter.get_twitter_kol_followersを呼び出すことで、どのトップ KOL または VC がプロジェクトをひっそりとフォローしているかを分析できます。
4. フルネットワーク世論検索：メディアレポートや広報活動を検索するには、 opennews.search_news_by_coinを使用します。
5. 信号対雑音比フィルタリング: opennews.get_high_score_newsを呼び出して、価値のないニュース速報を削除し、高スコアの長い記事のみを読み取ります。
6. 調査レポートの出力: スキルに事前設定された調査レポート形式に基づいて、エージェントは「ファンダメンタルズ、コミュニティの資産構造、メディアの注目度、AI の総合評価」を含む標準的なデューデリジェンス レポートを出力します。

ワークフロー例2: リアルタイムイベントドリブントランザクションシグナル検出

1. 発行された指示: ユーザーは「24時間体制で市場を監視し、「ゼロ知識証明（ZK）」セクターでの突然の取引機会を探すのを手伝ってください。」と入力します。
2. センチネルをデプロイする: エージェントはopennews.subscribe_latest_news呼び出して WebSocket のロング接続を確立し、コンテンツに「ZK」または「ゼロ知識証明」が含まれ、特定のトークンに関連付けられているニュース ストリームを正確にリッスンします。
3. ポジティブなニュースを捕捉: システムが、プロジェクト (SomeCoin など) が ZK 技術のブレークスルーを達成したことに関する重み付けの高いポジティブなニュースを捕捉し、センチメント インジケーターが Long と判断されると、すぐに休眠状態をブロックします。
4. コミュニティ感情共鳴テスト: エージェントは Twitter 検索ツールを数ミリ秒単位で呼び出し、ZK 分野の複数のコア KOL が同時にイベントを増幅しているかどうかを確認します。
5. アラートトリガー：「メディアプレミア＋コミュニティ共鳴」の条件が満たされた場合、エージェントは直ちにユーザーに確実性の高いアルファ取引アラートをプッシュします。

したがって、エージェント スキルを通じて動作ロジックを標準化し、MCP を通じてデータ動脈を接続することで、高度に自動化されたプロフェッショナルな暗号研究ワークフローが完全に閉じられます。