Agent SkillsとMCPの比較

table:_

比較項目 MCP Claude Skills

単位 関数 ディレクトリ

実行主体 ホスト（エージェント実装側） Claude（モデル自身）

コンテキスト負荷 高い（ツール定義やスキーマが全部入る） 低い（必要なスキルのみ遅延ロード）

管理方式 サーバー経由（MCP Server） ローカル / Claude.ai 経由でアップロード

同じ「Excel分析」をMCPとSkillsで比べる

MCPでExcel分析をする場合

シナリオ

「Excel ファイルを受け取って、売上集計を返すツール」を登録する。

MCPでの構成イメージ

1️⃣ MCPサーバーが提供する関数定義

code:json

{

"name": "analyze_sales",

"description": "Aggregate and summarize sales data from an Excel file.",

"parameters": {

"file_path": "string"

},

"returns": {

"summary": "string"

}

}

2️⃣ モデルへのロード

Claudeは、起動時にMCPサーバーに接続し、このツール定義を コンテキストに全て読み込む。

3️⃣ 実行時

Claude が呼び出しを推論：

code:_

call analyze_sales(file_path="/tmp/sales.xlsx")

→ MCPクライアントがその呼び出しを受けて

→ 外部プロセス（Pythonサーバー等）で関数を実行

→ 結果（JSON）をモデルに返す

→ Claude がユーザーに自然言語で要約を返す。

特徴

モデルはツール呼び出しを「計画・推論」するが、実行はホスト依存。

MCPサーバー側でHTTP/API経由で外部リソースにも自由にアクセス可能。

しかし：

ツールが増えるほど、関数定義やスキーマをコンテキストに展開し続ける必要がある。

チェーン実行（ツールAの結果をツールBへ）では入出力データがコンテキストに残留し肥大化。

Claude SkillsでExcel分析をする場合

シナリオ

同じく「Excel ファイルを受け取って、売上集計を返す」スキルを作る。

構成

code:_

excel-sales-analyzer/

├── SKILL.md

├── analyze.py

└── requirements.txt

SKILL.md

code:yaml

---

name: "excel-sales-analyzer"

description: "Analyze sales Excel files and summarize key metrics."

---

Use analyze.py to:

- Read Excel sheets using pandas

- Aggregate sales by region

- Return summary statistics as Markdown

analyze.py

code:python

import pandas as pd

def run(file_path):

df = pd.read_excel(file_path)

print(summary.to_markdown())

実行時の流れ

1️⃣ Claude がユーザーの入力（例：「この売上Excelを分析して」）を受ける

2️⃣ Claude が登録スキル一覧をスキャンし、

5️⃣ 結果をチャットに返す

特徴

外部サーバー不要（Claude 自身がコードを実行）。

メタデータだけを常駐させ、必要時のみ内容をロード（Progressive Disclosure）。

つまり「ツール呼び出し」ではなく「Claudeがスクリプトを自律的に実行」。