安いFlashモデルは手直しが多く、高いProモデルはタスク単価が跳ね上がる。この二択を崩す新フレームワーク「UpSkill」が、香港大学のData Intelligence Lab（HKUDS）から公開されました。

この記事では、UpSkillが何を解決するのか、ベンチマーク結果、導入の流れまで整理します。

  • UpSkillが狙う課題と、Pro／Flashモデルのコスト差
  • 失敗ログからスキルを育てる「Ralph Loop」の仕組み
  • Terminal-Bench 2.0での検証結果と主要コマンド

https://github.com/HKUDS/UpSkill

AIエージェントはモデル単価に縛られる

Claude Code、Codex、Cursor、OpenClaw、Hermes、nanobotなど、AIエージェントの実用性は急速に伸びています。一方で性能の上限は、結局のところ選んだモデルの能力と料金に依存します。

HKUDSの発表資料では、Claude OpusやGPT-5.5、Gemini Proといった上位モデルはタスクあたりのコストがFlash系の3〜5倍になると説明されています。常時Proを回す運用は現実的ではありません。

逆にClaude HaikuやGPT-5.5 mini、Gemini Flashは安価ですが、手戻りが増え、修正時間で節約分を相殺しがちです。性能とコストのトレードオフが、エージェント運用のボトルネックになっています。

UpSkillがやること

UpSkillは、エージェントの失敗や成功パターンを捉え、検証済みのスキル（SKILL.md）へ蒸留する軽量フレームワークです。2026年6月18日にv1.0として公開され、MITライセンスで提供されています。

開発者のChao Huang氏は2026年6月20日のX投稿で、UpSkillが「FlashモデルをPro並みに引き上げる」ことを目的にしていると紹介しました。現時点の統合対象はClaude Codeが中心で、セッションフックとして組み込み、インフラを大きく変えずに使えます。

スキルは~/.claude/upskill-store/配下にカテゴリ別で保存されます。各スキルはYAMLフロントマター付きのSKILL.md1ファイルで、ドメイン知識・手順チェックリスト・教訓の3部構成です。

Ralph Loopが品質を担保する

強いモデルが書いた指示を、そのまま弱いモデル向けに保存するだけでは効果が出にくい、というのがUpSkillの出発点です。Proモデルの助言は、Flashモデルの実際の挙動とずれることがあります。

そこでUpSkillは「Ralph Loop」と呼ぶ検証サイクルを回します。

  1. Flashモデルが失敗する
  2. Proモデル（Teacher）が失敗を分析し、初期スキルを生成する
  3. Flashモデルがスキル付きで再挑戦する
  4. まだ失敗すれば、Proモデルが「助言がどこで破綻したか」を手がかりにスキルを修正する

検証を通過できないスキルは破棄されます。通過したものだけが将来セッションへ注入され、CLAUDE.mdの索引と/upskill-runによるオンデマンド読み込みの2経路で配信されます。

ベンチマーク結果

HKUDSはTerminal-Bench 2.0（89タスク、16カテゴリ）で評価しています。25タスクでスキルを蒸留し、残り64タスクのホールドアウトセットで計測した結果は次のとおりです。

構成 合格率 タスク単価 総コスト（64タスク）
Flash（deepseek-v4-flash） 45.3% $0.03 $1.93
Pro（deepseek-v4-pro[1m]） 50.0% $0.06 $4.01
Flash + UpSkill 51.6% $0.04 $2.36

Flash + UpSkillはPro単体の50.0%を上回り、タスク単価は41%安い$0.04でした。5タスクがFAILからPASSへ反転し、model-training（+33%）、data-science（+17%）などで改善が大きいカテゴリも報告されています。64タスク全体のスキル生成コストは約$2と、README上では「一度の蒸留で今後のタスクに効く」と説明されています。

3つのモデル役割

UpSkillは日常運用と学習用でモデルを分けます。

  • Daily Model：普段の作業に使うモデル。UpSkillのTeacher／Student設定とは独立して切り替え可能
  • Pro Model（Teacher）：失敗分析とスキル生成を担当
  • Flash Model（Student）：スキルが実際に効くか検証する対象。ここで通らないスキルは採用されない

READMEではDeepSeekのdeepseek-v4-pro[1m]とdeepseek-v4-flashの組み合わせ、またはclaude-opus-4-7とclaude-haiku-4-5の組み合わせが例として示されています。

導入手順と主要コマンド

インストールは1行のシェルスクリプトで完結します。フック、スキル、設定、ストアがまとめて入ります。

curl -sSL https://raw.githubusercontent.com/HKUDS/Upskill/main/cc-integration/install.sh | bash -s -- --remote

/upskill-initで~/.claude/upskill.confが作られるので、TeacherとStudentを設定します。プロジェクトごとに/upskill-configureを実行すると、失敗キャプチャとスキル注入のフックが有効になります。

コマンド 用途
/upskill-build 過去セッションからスキルを生成
/upskill-run タスクに合うスキルを検索・適用
/upskill-list インストール済みスキル一覧
/upskill-mode 対話型／自動マッチの切り替え

タスク失敗後は[upskill] ⚠ 1 pending failure(s)...の通知が出ます。/upskill-buildを走らせると、Teacherが分析しRalph Loopで検証したスキルがストアへ追加されます。成功セッションからも proactive にスキル化できます。

同名プロジェクトとの違い

「UpSkill」や「upskill」という名前のOSSは他にも存在します。Hugging Faceのhuggingface/upskillは教師・生徒モデルでスキルを生成・評価するCLI、Autoloopsのupskillはスキルレジストリへのルーティング層です。

今回のHKUDS版は、Claude Codeのセッション失敗を起点にスキルを進化させ、Flashモデルでの検証を必須にした点が特徴です。エージェント運用の「モデル代を下げつつ品質を維持する」課題に直結する設計になっています。

Flashの安さとProの精度を両立したいチームは、まず1プロジェクトで/upskill-configureを有効にし、失敗ログが溜まったタイミングで/upskill-buildを試すのが現実的な第一歩です。スキルが蓄積されるほど、弱いモデルでも手戻りが減る方向へ寄せられます。