AIエージェントを支える技術：コンテキストエンジニアリングの現状
Algomatic AI Transformation の記事は、LLM のコンテキスト制限とノイズ問題を解決する「コンテキストエンジニアリング」の定義と、取得・処理・管理の具体的な手法を体系的に解説している。
キーポイント
プロンプトエンジニアリングとの違いと重要性
特定のタスクに特化するプロンプトエンジニアリングに対し、コンテキストエンジニアリングは複数回の推論や長時間の処理を対象とし、LLM の有効コンテキスト長（Context Rot）を克服する鍵となる。
3 つの主要構成要素
必要な情報を取得・生成する「Retrieval & Generation」、冗長性を除去し圧縮する「Processing」、そしてシステム全体として情報を管理する「Management」の 3 段階で構成される。
具体的な技術手法と KV キャッシュ
RAG、HyDE、要約（Summarization）、圧縮（Compression）などの手法に加え、推論コストやレイテンシを最適化するために KV キャッシュの活用が重要視される。
システムプロンプトと Few-shot の品質
曖昧すぎず専門的すぎないバランスの取れたシステムプロンプト、および多様性を高める Few-shot プロンプティングが、コンテキスト処理の質を決定づける。
コンテキスト管理の分類と活用
セッション単位の短期記憶（ScratchpadやState）と永続的な長期記憶、そして状況に応じた動的更新を組み合わせることで、エージェントの安定性と再現性を高めます。
失敗ログのコンテキスト注入による学習
過去の失敗事例をコンテキストとして保持・再活用することで、同一ミスの回避が可能となり、エージェントの動作安定性が向上します。
マルチエージェント間のコンテキスト同期
複数のエージェント間で知識や状態の整合性を保つため、要約情報の共有や共通リポジトリへの保存などによる同期が不可欠です。
影響分析・編集コメントを表示
影響分析
この記事は、LLM アプリケーション開発における「コンテキスト管理」の重要性を再定義し、単なるプロンプト設計を超えた体系的なエンジニアリング手法として確立させる役割を果たします。特に、長文処理や複雑なエージェント動作において、KV キャッシュ活用や要約技術といった具体的な最適化策を示すことで、実務レベルでのシステム品質向上に直結する知見を提供しています。
編集コメント
2025 年時点の知見として、プロンプト設計からシステム全体の文脈管理へ視座を移す必要性を説く重要な記事です。特に KV キャッシュの活用に関する言及は、実運用におけるコスト最適化の観点からも非常に示唆に富んでいます。
AIエージェントを支える技術: コンテキストエンジニアリングの現在地
こんにちは。Algomatic AI Transformation(AX) のsergicalsix（@sergicalsix）です。
本記事では大規模言語モデル(LLM)を用いたアプリケーションないしAIエージェントの構築において切っても切り離せない「コンテキストエンジニアリング」について2025年10月時点での知見を備忘録としてまとめます。
コンテキストエンジニアリングとは
コンテキストエンジニアリングとは、LLM に与える情報(コンテキスト)を制御する技術です。
コンテキストエンジニアリングはよくプロンプトエンジニアリングと対比されます。
プロンプトエンジニアリングとコンテキストエンジニアリング (Effective context engineering for AI agents)
プロンプトエンジニアリングはあくまで特定のタスクに特化したエンジニアリング手法であるのに対して、コンテキストエンジニアリングは複数回の推論、反復的な推論など、より長い時間軸で動作する処理を対象とするエンジニアリング手法です。
また適切な情報を取得してプロンプトに注入するといったRAGの機構も広くコンテキストエンジニアリングに属していると言えます。
コンテキストエンジニアリングは技術的に非常に広い領域にまたがっていると言えます。
コンテキストエンジニアリングの全体像 (The New Skill in AI is Not Prompting, It's Context Engineering)
www.philschmid.de
コンテキストエンジニアリングの重要性
コンテキストエンジニアリングが重要である理由は、LLMが処理可能なコンテキストの量が限られており、コンテキストの品質でシステムの出力の品質が大きく変わるからです。
前者はContext Rotという現象で知られており、一般的にコンテキスト量を増やすほどコンテキストの中から回答に有効な情報(Needleと言ったりします)を抽出/活用できなくなる傾向が高くなります。
この現象はモデルで設定されている最大コンテキスト長よりも短い範囲で発生し、モデルには最大コンテキスト長よりも短い有効コンテキスト長(effective context length)があると言えます。
research.trychroma.com
余談で少し前に発表されたLost in the Middleといった現象もContext Rotと大きく性質は同じであるといえます。
Lost in the Middle: How Language Models Use Long Contexts - ACL Anthology
ここで重要なことはモデルが取り扱えることができる情報は有限であり、モデルには必要な情報のみを入力すべきであるということです。
コンテキストエンジニアリングの手法
コンテキストエンジニアリングは大きく以下3つから構成されます。
Context Retrieval & Generation
Context Processing
Context Management
個々の詳細手法は以下をご覧ください。
コンテキストエンジニアリングの手法 (Figure 1:コンテキストエンジニアリングの全体像の一部)
Context Retrieval & Generation(コンテキスト取得 & 生成)
Context Retrieval & GenerationではLLMがタスクを遂行するために必要な情報を取得・生成します。
こういった今必要な情報を取得して プロンプトに入れるという考えはjust in timeなアプローチと言われます。
メモリ・外部データベースからの情報の取得(ex. RAG)やユーザークエリの書き換え、コンテキストの生成(ex. HyDE, Self-RAG)などが該当します。
Context Processing(コンテキスト処理)
取得したコンテキストをそのまま使うと冗長であったり、ノイズが多いため、使える状態に加工する必要があります。
RankingやFilteringによる並べ替えと除去のほか、Claude Codeなどで見られるSummarization(要約)やCompression(圧縮)などが該当します。
特に要約した情報の活用はRAGとの相性が良いことでも知られており(ex. FG-RAG)、コンテキストエンジニアリングでも有効です。
またノイズが多いデータについては複数のソースを統合して整合性を高めるContext Fusion/Aggregationといった手法が有効です。
またAIシステムのレイテンシやコストなどを考えたとき、KVキャッシュを上手く使うことが重要になってきます。
そこでKVキャッシュをうまく使うためにコンテキストを入れ替えたり、削除しないといったテクニックが有効です。
KVキャッシュのヒット率 (Context Engineering for AI Agents: Lessons from Building Manus)
上記の分類だとシステムプロンプト等のプロンプトエンジニアリングもContext Processingに該当します。
システムプロンプトは曖昧すぎず、専門的すぎないバランスの取れたプロンプトが良いとされています。
システムプロンプトの品質について (Effective context engineering for AI agents)
Few-shotプロンプティングではコンテキストを均一にせず、多様性を高めることが推奨されています。
Few-shotプロンプティングのテクニック (Context Engineering for AI Agents: Lessons from Building Manus)
Context Management(コンテキスト管理)
一度獲得したコンテキストを次回以降に活かすためにコンテキストの管理は重要です。
コンテキストの管理は大きくセッション単位で記憶しておくShort-term Contextと永続的に保持しておくLong-term Memoryの2種類が存在します。また一部のコンテキストは状況に応じて動的に更新されます(Dynamic Context Updating)。
さらにShort-term ContextはScratchpadとStateに分類されます。
コンテキストエンジニアリングのカテゴリとコンテキストの管理方法(図の赤枠部分) (Context Engineering)
ここでいうScratchpadはClaude CodeでいうところのTODO.mdやNOTES.mdなどに該当します。こういったファイルに残すという考え方はManusの知見においても再現性を考慮すると文脈で紹介されています。
コンテキストとしてファイルシステム活用 (Context Engineering for AI Agents: Lessons from Building Manus)
またエージェントの失敗をコンテキストに残しておくといった知見も紹介されています。
失敗をコンテキストに保持 (Context Engineering for AI Agents: Lessons from Building Manus)
余談ですが、弊社で開発しているAIエージェントでも過去の失敗ログをコンテキストに注入することで同一の失敗をしづらくなり、安定性が高まっているのを実感しています。
またマルチエージェントにおけるコンテキストは複数のAIエージェントが共有する知識・記憶・状態の整合性を保つことが重要になります。エージェント間でのコンテキストの同期(Context Synchronization)は必須であり、要約/圧縮情報の共有(Context Summarization for Exchange)や共通のDBへの情報保存(Shared Context Repository)などの方法が有効です。
マルチエージェント間におけるコンテキストの共有 Don’t Build Multi-Agents
コンテキストエンジニアリングについて、少しでも情報の整理に役立てば幸いです。
最後にAlgomaticでは一緒に働くメンバーを募集しています！
以下よりお気軽にカジュアル面談をお申し込みいただけると幸いです！
jobs.algomatic.jp
www.anthropic.com
原文を表示
こんにちは。Algomatic AI Transformation(AX) のsergicalsix（@sergicalsix）です。
本記事では大規模言語モデル(LLM)を用いたアプリケーションないしAIエージェントの構築において切っても切り離せない「コンテキストエンジニアリング」について2025年10月時点での知見を備忘録としてまとめます。
コンテキストエンジニアリングとは
コンテキストエンジニアリングとは、LLM に与える情報(コンテキスト)を制御する技術です。
コンテキストエンジニアリングはよくプロンプトエンジニアリングと対比されます。
プロンプトエンジニアリングとコンテキストエンジニアリング (Effective context engineering for AI agents)
プロンプトエンジニアリングはあくまで特定のタスクに特化したエンジニアリング手法であるのに対して、コンテキストエンジニアリングは複数回の推論、反復的な推論など、より長い時間軸で動作する処理を対象とするエンジニアリング手法です。
また適切な情報を取得してプロンプトに注入するといったRAGの機構も広くコンテキストエンジニアリングに属していると言えます。
コンテキストエンジニアリングは技術的に非常に広い領域にまたがっていると言えます。
コンテキストエンジニアリングの全体像 (The New Skill in AI is Not Prompting, It's Context Engineering)
www.philschmid.de
コンテキストエンジニアリングの重要性
コンテキストエンジニアリングが重要である理由は、LLMが処理可能なコンテキストの量が限られており、コンテキストの品質でシステムの出力の品質が大きく変わるからです。
前者はContext Rotという現象で知られており、一般的にコンテキスト量を増やすほどコンテキストの中から回答に有効な情報(Needleと言ったりします)を抽出/活用できなくなる傾向が高くなります。
この現象はモデルで設定されている最大コンテキスト長よりも短い範囲で発生し、モデルには最大コンテキスト長よりも短い有効コンテキスト長(effective context length)があると言えます。
research.trychroma.com
余談で少し前に発表されたLost in the Middleといった現象もContext Rotと大きく性質は同じであるといえます。
Lost in the Middle: How Language Models Use Long Contexts - ACL Anthology
ここで重要なことはモデルが取り扱えることができる情報は有限であり、モデルには必要な情報のみを入力すべきであるということです。
コンテキストエンジニアリングの手法
コンテキストエンジニアリングは大きく以下3つから構成されます。
Context Retrieval & Generation
Context Processing
Context Management
個々の詳細手法は以下をご覧ください。
コンテキストエンジニアリングの手法 (Figure 1:コンテキストエンジニアリングの全体像の一部)
Context Retrieval & Generation(コンテキスト取得 & 生成)
Context Retrieval & GenerationではLLMがタスクを遂行するために必要な情報を取得・生成します。
こういった今必要な情報を取得して プロンプトに入れるという考えはjust in timeなアプローチと言われます。
メモリ・外部データベースからの情報の取得(ex. RAG)やユーザークエリの書き換え、コンテキストの生成(ex. HyDE, Self-RAG)などが該当します。
Context Processing(コンテキスト処理)
取得したコンテキストをそのまま使うと冗長であったり、ノイズが多いため、使える状態に加工する必要があります。
RankingやFilteringによる並べ替えと除去のほか、Claude Codeなどで見られるSummarization(要約)やCompression(圧縮)などが該当します。
特に要約した情報の活用はRAGとの相性が良いことでも知られており(ex. FG-RAG)、コンテキストエンジニアリングでも有効です。
またノイズが多いデータについては複数のソースを統合して整合性を高めるContext Fusion/Aggregationといった手法が有効です。
またAIシステムのレイテンシやコストなどを考えたとき、KVキャッシュを上手く使うことが重要になってきます。
そこでKVキャッシュをうまく使うためにコンテキストを入れ替えたり、削除しないといったテクニックが有効です。
KVキャッシュのヒット率 (Context Engineering for AI Agents: Lessons from Building Manus)
上記の分類だとシステムプロンプト等のプロンプトエンジニアリングもContext Processingに該当します。
システムプロンプトは曖昧すぎず、専門的すぎないバランスの取れたプロンプトが良いとされています。
システムプロンプトの品質について (Effective context engineering for AI agents)
Few-shotプロンプティングではコンテキストを均一にせず、多様性を高めることが推奨されています。
Few-shotプロンプティングのテクニック (Context Engineering for AI Agents: Lessons from Building Manus)
Context Management(コンテキスト管理)
一度獲得したコンテキストを次回以降に活かすためにコンテキストの管理は重要です。
コンテキストの管理は大きくセッション単位で記憶しておくShort-term Contextと永続的に保持しておくLong-term Memoryの2種類が存在します。また一部のコンテキストは状況に応じて動的に更新されます(Dynamic Context Updating)。
さらにShort-term ContextはScratchpadとStateに分類されます。
コンテキストエンジニアリングのカテゴリとコンテキストの管理方法(図の赤枠部分) (Context Engineering)
ここでいうScratchpadはClaude CodeでいうところのTODO.mdやNOTES.mdなどに該当します。こういったファイルに残すという考え方はManusの知見においても再現性を考慮すると文脈で紹介されています。
コンテキストとしてファイルシステム活用 (Context Engineering for AI Agents: Lessons from Building Manus)
またエージェントの失敗をコンテキストに残しておくといった知見も紹介されています。
失敗をコンテキストに保持 (Context Engineering for AI Agents: Lessons from Building Manus)
余談ですが、弊社で開発しているAIエージェントでも過去の失敗ログをコンテキストに注入することで同一の失敗をしづらくなり、安定性が高まっているのを実感しています。
またマルチエージェントにおけるコンテキストは複数のAIエージェントが共有する知識・記憶・状態の整合性を保つことが重要になります。エージェント間でのコンテキストの同期(Context Synchronization)は必須であり、要約/圧縮情報の共有(Context Summarization for Exchange)や共通のDBへの情報保存(Shared Context Repository)などの方法が有効です。
マルチエージェント間におけるコンテキストの共有 Don’t Build Multi-Agents
コンテキストエンジニアリングについて、少しでも情報の整理に役立てば幸いです。
最後にAlgomaticでは一緒に働くメンバーを募集しています！
以下よりお気軽にカジュアル面談をお申し込みいただけると幸いです！
jobs.algomatic.jp
www.anthropic.com
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み