最初に全体像を見る

Java backend engineerがAI Agent分野の現在の標準化状況を素早く理解するには、次のように対応させられます。

通信/設定の種類AI Agent標準Javaでの類比提唱者Governance採用状況
Agent ↔ ツール/データMCPJDBCAnthropicAAIF (Linux Foundation)✅ de facto standard
Agent ↔ AgentA2ARMI / gRPCGoogleLinux Foundation✅ 急速に採用中
プロジェクトrule設定AGENTS.mdapplication.ymlOpenAIAAIF (Linux Foundation)✅ de facto standard
再利用可能な能力packageSKILL.mdMaven PluginAnthropicagentskills.io（open standard）✅ de facto standard
アプリケーションframeworkGoose / Claude Agent SDK / ADKSpring Boot各社一部はAAIF🔶 複数社が競争
microservice governanceHarness Engineering体系Spring Cloud——🔴 標準なし
test/評価Agent評価frameworkJUnit——🔴 標準なし
コード品質governanceEntropy管理SonarQube——🔴 標準なし

上半分の✅は、業界の共通見解またはde facto standardを形成済みの部分です。下半分の🔶と🔴は、まだ探索中のfrontierです。この記事では主に上半分の全体像を説明し、その後、下半分がどのように進化するかを考えます。

Governance組織：AAIF

Agentic AI Foundation（AAIF） は、Linux Foundation傘下のdirected fundであり、2025年12月に設立されました。AI Agent分野の 中立的なgovernance組織 です。中核infraが単一vendorに独占されることなく、open、transparent、community-drivenなframeworkで進化することを保証します。

Javaでの類比：AI AgentにとってのAAIFは、JavaエコシステムにとってのJCP（Java Community Process）に似ています。

創設時の参加者

三社が共同で設立しました。Anthropic はMCP、OpenAI はAGENTS.md、Block はGooseを寄贈しました。支援memberにはGoogle、Microsoft、AWS、Bloomberg、Cloudflareが含まれます。2026年2月までに97社の新memberが参加し、JPMorgan Chase、American Express、Red Hat、Huawei、Lenovo、ServiceNow、UiPathなどを含みます。

AnthropicとOpenAIは通常競争相手ですが、同じ席に着く意思を持っています。これは「open standardが必要」という業界共通の認識を示します。かつてSun、IBM、Oracleが競争しながら、JCPのframeworkでJava標準を共同推進した状況に似ています。

Governance構造

Linux Foundationの標準的なopen governance modelを採用します。memberは会費を通じて参加しますが、資金は支配権を意味しません。Technical Steering Committee（TSC）がproject roadmapを決め、単一memberが一方的に方向を決める権限を持ちません。projectをfoundationへ寄贈した後、元のauthorは独占的な支配権を失い、communityが共同で進化を決めます。Apache Software FoundationがKafkaやSparkを管理する方法と同じです。

注意： AAIFはすべてのAI Agent標準を管轄するわけではありません。A2AとSKILL.mdはAAIFの創設projectではありません。A2Aは別途Linux Foundationへ寄贈され、SKILL.mdは独立したopen standardとして運営されます。現在AAIFが管轄する創設projectは、MCP、AGENTS.md、Gooseです。

第1層の標準：Agentがツールとデータへ接続する方法（MCP）

MCP——「AI世界のJDBC」

Model Context Protocol。Anthropicが2024年11月にopen source化し、2025年12月にAAIFへ寄贈しました。

MCPが解決する中核的な問題は、AI Agentが外部ツールとデータ源へどう接続するか です。

MCP以前は、AIツールがGitHub、Slack、データベースなどの外部serviceへ接続するたびに、custom integrationを書く必要がありました。M個のAIツール × N個の外部service = M×N個のadapterが必要でした。MCPは汎用protocolを定義します。AIアプリケーション（MCP Client）が標準interfaceでMCP Serverへ接続し、各MCP Serverが一つの外部serviceへのアクセスを包みます。M + N個のintegrationでM×N個を置き換えます。

Javaでの類比：JDBCそのものです。 JDBCは、Javaアプリケーションがデータベースへ接続する標準interfaceを定義します。MySQLでもPostgreSQLでも、Javaコードは同じAPIで操作し、各vendorが具体的なdriverを提供します。MCPもまったく同じです。ただし、「データベース」が「あらゆる外部ツールとデータ源」、「Javaアプリケーション」が「あらゆるAI Agent」になります。

現在の規模： 公開済みMCP Serverは10,000以上。PythonとTypeScriptの公式SDKは、月間downloadが9,700万回を超えます。Claude、ChatGPT、Gemini、Cursor、Microsoft Copilotなど主要製品が採用しています。

第2層の標準：Agent同士の通信方法（A2A）

A2A——「AI世界のgRPC」

Agent2Agent Protocol。Googleが2025年4月に公開し、2025年6月にLinux Foundationへ寄贈しました。

A2Aが解決する中核的な問題は、複数のAgentが相互に発見、通信、協働する方法 です。

MCPが解決するのはAgent-to-tool、つまりAgentがツールを使う方法です。A2Aが解決するのはAgent-to-Agent、つまりAgentが別のAgentと対話する方法です。両者は競合せず、補完関係にあります。

具体例で違いを説明します。 小売企業の在庫Agentは、MCPでデータベースへ接続して在庫levelをqueryします。これはAgent-to-toolです。商品の在庫不足を発見すると、A2A protocolで外部supplierの購買Agentへ連絡し、価格を交渉して注文します。これはAgent-to-Agentです。MCPはAgentの「手」（ツールを操作する）、A2AはAgentの「口」（別のAgentと話す）です。

Javaでの類比：A2AはgRPCまたはRMIに似ています。 分散環境のservice、つまりAgent間の通信protocolを定義します。相手の発見、能力の記述、request開始、response受信を扱います。

A2Aの中核的な仕組み

Agent Card： 各A2A Agentは固定URL（/.well-known/agent-card.json）にJSONファイルを公開し、名前、能力、endpoint、認証要件を記述します。OpenAPIのservice記述に似ており、別のAgentが発見して理解できるようにします。

既存Web標準を利用： A2AはHTTP、JSON-RPC、SSE上に構築し、新しいtransport layerを発明しません。Java世界でgRPCがHTTP/2 + Protocol Buffers上に構築された戦略と同じです。採用の壁を下げ、既存infraを利用します。

不透明な協働（Opaque Agents）： Agent同士は、内部memory、private logic、ツール実装を公開せずに協働できます。データprivacyと知的財産を守ります。microservice architectureの「black box」原則と同じで、interface contractだけを重視し、内部実装には関与しません。

非同期タスクlifecycle： A2Aはstructured Task objectを定義し、submitted → working → input-required → completedなどのlifecycle状態を持ちます。長時間動く非同期operationに対応します。Agent同士の協働が数時間、数日に及ぶ場合があるためです。

現在の規模： Salesforce、ServiceNow、Atlassian、SAP、Adobeなど、150以上の組織が支援します。Python SDKがあり、GoogleのAgent Development KitであるADKがnative integrationを提供します。2026年3月にversion 0.3を公開し、gRPC対応とsecurity card署名を追加しました。

第3層の標準：Agentへプロジェクトruleを伝える方法（AGENTS.md）

AGENTS.md——「AI世界のapplication.yml」

OpenAIが2025年8月に公開し、2025年12月にAAIFへ寄贈しました。

AGENTS.mdが解決する中核的な問題は、AI coding agentへプロジェクトのrule、制約、作業方法を伝えること です。

Markdownベースの規約です。プロジェクトrootとsubdirectoryへAGENTS.mdファイルを置き、build command、test方法、coding規約、project構造、security境界などを書きます。AI coding agentは起動時に自動で読み、contextへ注入します。

Javaでの類比：application.yml。 Spring Bootは起動時にapplication.ymlを自動で読みます。frameworkにこの動作がhardcodeされているためです。AGENTS.mdの仕組みも同じです。ツールコードに「起動時にこのファイルを探して読む」がhardcodeされています。モデル自体は、これが制約ファイルだと「知っている」わけではなく、注入された文字列を見て指示として従います。

Subdirectoryによるoverride： subdirectoryのAGENTS.mdは、親directoryのruleを上書きできます。Spring Bootのapplication-dev.ymlがapplication.ymlを上書きする場合と似ています。Agentはdirectory treeで最も近いファイルを自動で読みます。OpenAI自身の主要リポジトリには88個のAGENTS.mdファイルがあります。

以前の断片化： Claude CodeはCLAUDE.md、Cursorは.cursorrules、GitHub Copilotはcopilot-instructions.mdを使いました。AGENTS.mdはこれらの統一を目指します。Mavenのpom.xmlが、それまで各自で異なっていたbuild設定を統一したことに似ています。

現在の規模： 60,000以上のopen-sourceプロジェクトが採用します。Codex、Cursor、GitHub Copilot、Gemini CLI、Devin、VS Codeなど主要ツールが対応しています。

第4層の標準：Agentの再利用可能な能力package（SKILL.md）

SKILL.md——「AI世界のMaven Plugin」

Anthropicが2025年10月に開始し、2025年12月にopen standardとして公開しました。agentskills.ioでhostされています。

SKILL.mdが解決する中核的な問題は、Agentの能力を、再利用、配布、ツール横断利用が可能な「能力package」へまとめること です。

AGENTS.mdは「このプロジェクトのrule」を定義するproject-levelの設定です。SKILL.mdは「Agentが何を、どのように行えるか」を定義するpluggableな能力です。前者は静的な制約、後者は動的な能力です。

Javaでの類比：Maven Plugin。 Maven Pluginは、標準化された再利用可能なbuild能力packageです。maven-compiler-pluginがcompileを、maven-surefire-pluginがtestを担当します。各projectでcompile logicを書き直さず、pluginを導入します。SKILL.mdも同じです。frontend-design Skillが高品質なfrontend設計を、code-reviewer Skillがcode reviewを担当します。一度書き、複数ツールで再利用します。

SKILL.mdの構造

my-skill/
├── SKILL.md        ← 必須：YAML metadata + Markdown指示
├── scripts/        ← 任意：実行可能script
├── references/     ← 任意：参考文書
└── assets/         ← 任意：template、resource file

巧妙な三段階のProgressive Disclosure

SKILL.md設計で最も優れた部分です。

段階時期読み込む内容Token消費量
発見（Advertise）Agent起動時name + descriptionのみSkillごとに約50 token
有効化（Activate）タスクが一致したときSKILL.md本文全体約500〜5,000 token
実行（Execute）必要なときscripts/、references/など必要に応じて読む

20個のSkillをinstallしても、起動時に消費するのはmetadata catalogの約1,000 tokenだけです。triggerされたSkillだけが完全な指示を読み込みます。すべてのruleを一つの巨大なAGENTS.mdへ入れる方法と比べ、context効率が一桁改善します。

呼び出し方法は二種類あります。 明示的呼び出し（Claude Codeでは/skill-name、Codexでは$skill-name）と、暗黙的呼び出し（タスクを説明すると、Agentが最も関連するSkillを自動でmatchして有効化）です。

現在の規模： Claude Code、Cursor、Codex、Gemini CLI、GitHub Copilot、VS Code、JetBrains Junieなど、16以上の主要ツールが対応します。communityには1,234以上のSkillがあります。公式frontend-design Skillだけで277,000回以上installされています。

Security上の注意： Cisco AI Defense teamは2026年2月、prompt injectionとcredential窃取を含む341個の悪意あるSkillを発見しました。community Skillをinstallするときは、npm packageと同じ慎重さでreviewする必要があります。

四層の標準が協働する方法

四つの標準は競合せず、階層として補完します。一つの完全な場面でつなぎます。

ECプロジェクトでAI coding agentを使っています。Agentは起動時に AGENTS.md を読み、プロジェクトがPython + FastAPI + PostgreSQLを使い、pytestでtestし、secretを絶対にcommitしてはいけないことを理解します。

Agentは商品recommendation機能を書く必要があります。install済みの SKILL.md から、現在のタスクに一致するapi-design Skillを発見し、自動で有効化して、Skillが定義するRESTful設計規則に従ってAPIを書きます。

実装中、Agentは商品データベースのqueryとrecommendation model APIの呼び出しが必要です。MCP でPostgreSQL MCP Serverへ接続して商品データを読み、recommendation modelのMCP Serverへ接続して結果を得ます。

機能をreleaseした後、在庫Agentが人気商品の在庫不足を発見します。A2A protocolでsupplierの購買Agentへ連絡し、価格交渉と補充注文を行います。

各層は異なる役割を持ちます。AGENTS.mdは「rule」、SKILL.mdは「能力」、MCPは「ツールへの接続」、A2Aは「Agent間の協働」を管理します。

Javaアーキテクチャとの対応：

A2A       ←→  gRPC / RMI        （service間通信）
MCP       ←→  JDBC / JPA         （データ/ツールaccess）
SKILL.md  ←→  Maven Plugin      （再利用可能な能力package）
AGENTS.md ←→  application.yml   （project設定）

まだ探索中の領域

標準化済みの四層は、基礎的なpipelineの問題を解決しました。しかし完全なAgent engineering systemには、さらに多くの要素があります。次の領域には 業界標準がなく、各社が独立して探索しています。

文書階層アーキテクチャ——「Spring Bootのautoconfigurationがない」

OpenAIは、短い入口 → progressive disclosure → 階層化したdocs/ directoryという文書構造を提案しました。AnthropicはInitializer Agent + progress fileを提案しました。両者は似た方向へ進んでいますが、経験の共有であり、標準仕様ではありません。

アーキテクチャ制約の機械的実行——「ArchUnitがない」

OpenAIはcustom linterで階層アーキテクチャruleを実行し、error messageへ修正案を含めます。しかし、汎用的なAgentアーキテクチャ制約frameworkはありません。各teamが独自linterを書いています。

Agent評価system——「JUnitがない」

AnthropicはPlaywrightのE2E testでAgent生成コードを評価し、「生成と評価を分離する必要がある」と発見しました。しかし標準化された評価frameworkはありません。

コード品質の自動governance——「SonarQubeがない」

OpenAIはgarbage collection Agentでcodebaseのentropy増大へ対抗します。しかし、「codebase entropy management」は、まだ広く認識されたエンジニアリング概念にさえなっていません。

セッション横断state管理——「Spring Sessionがない」

Anthropicはprogress file + JSON feature list + Git historyを使い、OpenAIはversion管理された実行計画を使います。各社がad hocな方法でセッションをまたぐ状態を伝えています。

Security guardrail——「Spring Securityがない」

AnthropicのClaude Code auto mode（二段階classifier + injection検出）は、現時点で公開された方法の中では最も完全です。ただしClaude Code固有の実装であり、汎用標準ではありません。

標準化の進化経路を予測する

Javaエコシステムの歴史的経験を基にすると、AI Agent標準化は次の経路を進む可能性があります。

第1段階（現在、2025〜2026）：protocolとformatの標準化。 JavaのJDBC + Servlet仕様に対応します。MCP、A2A、AGENTS.md、SKILL.mdがこの段階を完了しました。最も基礎的な層であり、「interface」を定義して異なる実装の相互運用を可能にします。

第2段階（予測、2026〜2027）：framework層の標準化。 Spring Frameworkの登場に対応します。現在、Goose、Claude Agent SDK、Google ADK、LangGraphなどが競争しています。最終的には、四層標準への対応を組み込み、文書階層、state管理、security guardrailなど上位の抽象化を提供する少数の主要frameworkが現れる可能性があります。

第3段階（予測、2027以降）：governanceと運用の標準化。 Spring Cloud + SonarQube + ArchUnitに対応します。アーキテクチャ制約framework、評価標準、コード品質governance、可観測性integration仕様が、徐々にツールと標準へ固まります。

この経路は確定ではありません。AI分野の進化は、当時のJavaエコシステムよりはるかに速いからです。しかし、低レベルのlogicは同じです。最初にinterfaceを標準化してsystemを相互運用可能にし、次にframeworkを標準化して開発を効率化し、最後にgovernanceを標準化して運用を信頼できるものにします。

エコシステム全体図

すべての標準とgovernanceの関係を一枚の図へまとめます。

┌─────────────────────────────────────────────────────────┐
│                    Linux Foundation                      │
│                                                         │
│   ┌──── AAIF ────────────────┐    ┌──────────────────┐  │
│   │  • MCP (Anthropic)       │    │  A2A (Google)     │  │
│   │  • AGENTS.md (OpenAI)    │    │  独立project      │  │
│   │  • Goose (Block)         │    │                   │  │
│   └──────────────────────────┘    └──────────────────┘  │
│                                                         │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│        独立open standard（Linux Foundation外）             │
│                                                         │
│   • SKILL.md (Anthropic → agentskills.io)               │
│   • ACP (IBM BeeAI) — 初期段階、Agent message           │
│   • UCP (Google) — 初期段階、Agent商取引                │
│                                                         │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│              標準なし、各社が探索中                      │
│                                                         │
│   • 文書階層アーキテクチャ (OpenAI/Anthropicの実践例)    │
│   • アーキテクチャ制約実行 (OpenAI custom linter)        │
│   • Agent評価system (Anthropic E2E test)                │
│   • コード品質governance (OpenAI entropy管理)           │
│   • セッション横断state (Anthropic progress file)       │
│   • Security guardrail (Anthropic auto mode)            │
│                                                         │
└─────────────────────────────────────────────────────────┘

自分にとっての実際の意味

AIアプリケーションエンジニアへの転向を進めているなら、この全体図から四つの具体的な指針を得られます。

1. MCPは最も確実な投資先です。 de facto standardであり、AAIFが中立的にgovernanceを行い、すべての主要ツールが採用しています。MCP Server開発を学ぶことは無駄になりません。2005年にJDBCを学ぶことが無駄にならなかったのと同じです。

2. A2Aは次に注目すべきprotocolです。 projectが単一Agentからmulti-Agent協働へ進化するとき、たとえばhey!stalkerの多段階visionでは、A2AがAgent間通信の標準になります。今すぐ深く学ぶ必要はありませんが、存在と設計思想を理解する必要があります。

3. SKILL.mdは日常効率をすぐに高めるツールです。 community Skillを今からinstallして使えます。繰り返すworkflow向けにcustom Skillを書くこともできます。投入に対する効果が高いものです。

4. 上位の実践、Harness Engineeringが本当の競争力です。 文書階層、アーキテクチャ制約、評価system、entropy管理などがまだ標準化されていないからこそ、方法を知る人は希少です。 7年間のJava backend経験、つまり階層アーキテクチャ、依存管理、CI/CD、code reviewが、これらの能力の基礎になります。

一文でまとめる

AI Agent標準エコシステムは驚くべき速さで階層化されつつあります。MCPが接続、A2Aが通信、AGENTS.mdが設定、SKILL.mdが能力を管理し、基礎pipelineの相互運用性はほぼ解決しました。しかし、より上位のエンジニアリング実践、つまり文書アーキテクチャ、制約実行、評価system、品質governanceは、各社が探索するfrontierです。標準化の後半戦はまだ始まっておらず、追随者ではなく定義者になる機会があります。

参考資料：

  • Linux Foundation, “Announces the Formation of the Agentic AI Foundation (AAIF)”, 2025.12
  • Google Developers Blog, “Announcing the Agent2Agent Protocol (A2A)”, 2025.04
  • Google Cloud Blog, “Agent2Agent Protocol Is Getting an Upgrade”, 2025.07
  • OpenAI, “OpenAI Co-founds the Agentic AI Foundation”, 2025.12
  • Anthropic, “Donating the Model Context Protocol and Establishing the AAIF”, 2025.12
  • Agent Skills公式サイト, agentskills.io
  • Google Developers Blog, “Developer’s Guide to AI Agent Protocols”, 2026.03
  • Digital Applied, “AI Agent Protocol Ecosystem Map 2026”, 2026.03
  • IBM, “What Is Agent2Agent (A2A) Protocol?”, 2025.11
  • TechCrunch, “OpenAI, Anthropic, and Block Join New Linux Foundation Effort”, 2025.12
  • Serenities AI, “AI Agent Skills Guide 2026”, 2026.03