Claude CodeでAIエージェントへの指示方法をAnthropicが解説——CLAUDE.mdやスキル設計を現場で使うには
Anthropicが、Claude Codeにおいてエージェントへの指示を構造化する7つの方法を公式に解説した。CLAUDE.mdによるコンテキスト設定や、スキル・サブエージェントを使った役割分担など、実務での活用に直結する内容が含まれている。
出典: Claude CodeでAIエージェントをどう指示するか AnthropicがCLAUDE.md・スキル・サブエージェントなど7つの方法を解説
要点 (事実のみ)
- Anthropicが、Claude Codeにおけるエージェント指示の方法を7種類解説した
- 解説された手法には、CLAUDE.md、スキル、サブエージェントが含まれる
- 記事は2026年6月25日に公開された
- Claude Codeの利用データ40万件を分析した関連記事も同メディアに掲載されている
- 「誰が何に使い、成果はどこで分かれるか」という利用実態の分析もAnthropicが行っている
高畑 拓海の見解
実は私自身、現在携わっているプロジェクトでCLAUDE.mdを実際に整備しながらClaude Codeを活用しているため、この発表は他人事ではありません。
今回Anthropicが整理した「7つの指示方法」のなかで、CLAUDE.mdによるプロジェクトコンテキストの明示化は、特に現場で感じていた課題に直結する話だと思っています。AIエージェントに対して指示を与えるとき、都度プロンプトに背景を書くのは非効率で、属人化も起きやすい。CLAUDE.mdのような「チームで共有できる文脈の定義ファイル」を整備することは、まさに「個人プレーで成果を出す」から「チームで再現できる状態を作る」へのシフトに直結します。
一方で、現場で注意が必要だと感じるのは「スキルやサブエージェントの設計が形骸化するリスク」です。CLAUDE.mdや指示ファイルは作っただけでは機能しません。誰がどのスキルを更新するのか、どのタイミングでレビューするのか、チームの合意なく個人が修正したらどうなるかという運用ルールをセットで決めないと、すぐに実態と乖離したドキュメントになります。開発ガイドラインの整備と同じ問題です。
実務で導入するなら、まずはチーム全員が読むCLAUDE.mdを1ファイル運用から始め、「誰が更新する権限を持つか」「更新時はPRレビューを通すか」という合意を先に取ることをお勧めします。いきなりスキルやサブエージェントの多層構造を組むより、そのほうが現場に定着しやすいと思います。
(編集レンズ: 現場・運用目線 / チーム再現性目線)
シンシアの開発事例
**2026年2月の開発着手から約5.5ヶ月で、アパレル企業向けAIクリエイティブ基盤としてプレスリリース公開まで到達しました（2026年7月29日発表）。**
Cloverse様の発表によれば、Clovia Enterprise は PUMA社・ルック社をはじめとする**30社以上のアパレルブランドとの検証**を経ており、現在は先行導入企業（Founding Partner）を限定募集する段階に入っています。
開発規模は次のとおりです（2026年7月29日時点、リポジトリ実測値）。
| 指標 | 実績 |
|---|---|
| 開発体制 | エンジニア4名 |
| 開発期間 | 2026年2月13日〜（継続中） |
| コミット数 | 約1,480 |
| プルリクエスト | 373本 |
| 対応イシュー | 428件 |
| 実装計画ドキュメント | 162本 |
| データモデル | 83テーブル |
### この事例からの示唆
**生成AIプロダクトの難所は、モデルではなく業務側にある。** 画像を1枚生成すること自体は、いまや誰でもできます。事業として成立させるために必要だったのは、マスター管理・制作進行・レビュー・権限・課金・非同期処理といった、業務を回すための地味な設計でした。83テーブルという規模は、その事実を素直に表しています。
**未知の業界のプロダクトは、業務を理解した側が設計しないと形にならない。** アパレルEC制作の工程を知らないまま「AIで画像生成する機能」を作っても、現場では使われません。ヒアリング・R&D・プロトタイプ・提案までを開発チームが担ったのは、そうしないと仕様が決まらない領域だったからです。この構造は[「使われないシステム」が生まれる要件定義の失敗](https://blog.xincere.jp/articles/why-unused-systems-are-born-requirements-definition)とちょうど裏返しの関係にあります。
**モデル選定に正解が無い領域では、検証を設計プロセスに組み込む。** どの生成モデルを使うかは半年で変わります。だからこそ、モデルを差し替えられる構造と、検証結果を機能設計に反映し続ける進め方の両方が必要でした。
### よくある質問
**Q. 生成AIを使ったプロダクトの開発は、通常のシステム開発と何が違いますか。**
A. 最も違うのは、着手時点で仕様が確定できない点です。どのモデルがどの品質を出せるかは検証しないと分からないため、R&Dとプロトタイプを設計工程に組み込む必要があります。一方で、組織・権限・課金・非同期処理といった土台は通常のSaaS開発と同じ設計が求められます。
**Q. 業界知識がない領域でも開発支援を依頼できますか。**
A. できます。この事例ではアパレルEC制作の業務理解から入り、ヒアリングとプロトタイプを通じて要件そのものを一緒に作りました。仕様が固まっていない段階からのご相談のほうが、むしろ手戻りが少なくなります。
**Q. どのくらいの体制・期間の支援ですか。**
A. エンジニア4名、2026年2月から継続中です。プレスリリース公開までは約5.5ヶ月でした。規模や費用感の考え方は[システム開発とは](https://blog.xincere.jp/articles/what-is-system-development)で解説しています。
### 関連する支援領域
- [AIシステム開発とは？開発の流れ・費用相場・失敗しない進め方](https://blog.xincere.jp/articles/ai-system-development-guide) — 生成AIプロダクト開発の全体像
- [AI PoCの進め方5ステップ｜「PoC止まり」を防ぎ本番導入につなげる実践手順](https://blog.xincere.jp/articles/ai-poc-how-to-proceed) — 検証を本番に接続する設計
- [FDE（Forward Deployed Engineer）が示す、上流から伴走できるエンジニアの価値](https://blog.xincere.jp/articles/fde-forward-deployed-engineer-upstream-value) — 本事例の進め方の背景
生成AIを使った新規プロダクトの立ち上げや、仕様が固まりきっていない段階からの開発支援については、[開発のご相談](https://blog.xincere.jp/contacts)からお問い合わせください。
**出典:** [アパレル企業向けAIクリエイティブ基盤「Clovia Enterprise」提供開始（株式会社Cloverse / PR TIMES, 2026-07-29）](https://prtimes.jp/main/html/rd/p/000000024.000139250.html)
株式会社Cloverseの事例を読む →
