スキルを増やすとAIエージェントが読み込まなくなる——arXiv論文

AIエージェントに再利用可能なスキルを登録しておき、必要になったら自動で呼び出す——この設計が規模を大きくすると破綻しうることを示した論文がarXivに公開されました。

何がわかったのか

著者らは、正解のスキルを含むタスク群を固定したまま、無関係なスキルを追加していく実験を行いました。すると、正しいスキルが使える状態にあるのに、エージェントがスキルを読み込まなくなる現象が確認されます。無関係なスキルを1,000件加えた時点で、読み込めたスキルの再現率は73.6%から27.4%へ下がり、何も読み込まない率は9.3%から51.6%へ上昇しました。

原因と対策

著者らは、無関係なスキルの「説明文」が意味的な干渉を起こし、スキル選択がタスク実行と競合していると分析します。無関係スキルの説明文だけを伏せると読み込みがほぼ回復すること、メタデータを残したまま「計画を立ててから選べ」と指示しても事前選択に及ばないことも報告されています。対策として、明示的な事前選択（プリセレクト）の有効性と遅延のトレードオフが検討されています。

実務への示唆

LangChainやn8nでツールやスキルを積み上げている構成では、登録数が増えるほど自動選択の精度が落ちる可能性を前提にすべきです。Manusのようなエージェント製品を使う場合も、不要なスキルを切っておく運用が効きます。

編集部の見解

この論文の価値は、性能の高いモデルを使えば自動でうまくいく、という前提に具体的な反例を示した点にあります。日本の現場では、社内ツールをエージェントに接続して「何でもできる」状態にしがちですが、登録を絞り、必要なスキルを明示的に渡す設計のほうが結果が安定します。導入時は、スキル数を増やしたときに再現率がどう変わるかを自社データで測っておくと安全です。

my-best.ai 編集部

出典：arXiv cs.AI「Lost in Implicit Routing: How LLM Agents Fail to Load Relevant Skills at Scale」（2026年10月13日）