エージェントに文脈不足：解決策を解説

AI エージェントの「文脈不足」がコストを押し上げる：解決策は動的なコンテキストエンジンとオープンソースツール

AI エージェントが組織内で本格的に活用され始めた今、最大の課題は「新しいセッションごとに組織の文脈を失ってしまうこと」です。これにより、過去の失敗事例や暗黙知を知らずに試行錯誤を繰り返す結果、トークンの浪費と時間損失という深刻なコスト増が発生しています。

この問題を解決する鍵は、手動で管理された静的ドキュメントや単なる検索機能に依存しない「動的コンテキストエンジン」の構築にあります。本記事では、既存手法の限界を解説し、Git や Slack などのデータを統合してリアルタイムに文脈を提供する仕組みと、それを可能にするオープンソースツールの実装例を紹介します。

エージェントが抱える「文脈不足」とコスト増の現実

AI エージェントは非常に賢いですが、新しいターミナルセッションを開始した瞬間、組織の歴史や背景を一切知りません。人間が数年かけて職場での質問、PR の提出と却下、会議への参加を通じて脳内に形成する「文脈エンジン」のようなものが、エージェントには欠落しています。

「コード生成の結果が、そのチームで何年も働いているかのように見えるようにするには、文脈の重要性を再認識する必要があります。」

この文脈の欠如は、組織規模が大きくなるほど深刻化します。初期段階での誤った文脈取得は、後続の試行錯誤サイクル（「やってください」「いいえ、違います」）を生み出し、トークン検索のコストと時間を浪費させます。特に、長年運用されているレガシーコードベースや収益を生むプロジェクトにおいて、このコスト増は許容できません。

また、AI コードレビューにおいても文脈が不足していると、ビジネスロジックや組織のルールを理解できず、誤った指摘を行うリスクがあります。最終的に人間を介在させずにバックグラウンドで自律動作させるためには、エージェントが質問に答えられるよう、必要な情報を動的に取得・提供できる仕組みが不可欠です。

既存手法の限界：キュレーションと検索バイアス

現在、多くの組織で試みられている文脈管理には、2 つの大きな落とし穴があります。

「キュレーションされた文脈」の罠

プロジェクト全体の文脈を Markdown ファイルとしてまとめ、エージェントに読み込ませる手法です。しかし、このアプローチは「静的なドキュメント」と同じ問題を抱えています。誰がそれを管理し、常に最新の状態を保証するのでしょうか？組織内の誰もが「全能なキュレーター」であるはずがなく、 Repository はすぐに陳腐化します。

MCP（モデル・コネクタ・プロトコル）の限界

MCP を使用して外部システムから情報を取得する手法も普及していますが、「検索満足バイアス」という問題があります。エージェントは初めて見つかった情報で「これで十分だ」と判断し、その後の重要な最新情報を見逃す傾向があります。

例えば、昨日の Slack 上で「A の代わりに B を行うべき」という議論があったとしても、最初にアーキテクチャに関する古い投稿を見つけると、エージェントはその情報を優先してしまいます。これにより、コードはコンパイル可能でも、デプロイ手順や機能フラグの扱いを誤り、夜間に重大な障害（P0）を引き起こすリスクがあります。

「あなたのチームには、誰が何をしているか、どのような役割を果たしているかを理解する『文脈ドライバー』が必要です。」

解決策：動的コンテキストエンジンの構築

これらの課題を克服するには、Git のコミット履歴、Slack 上の議論、権限管理などを統合した「動的コンテキストエンジン」が求められます。このシステムは、単なる情報の検索ではなく、矛盾する情報源の解決と、リアルタイムな文脈提供を行います。

6 つの核心機能

このエンジンは以下の 6 つの特徴を備えることで、組織全体の複雑さを処理します。

1. システマティックな文脈: 組織内のあらゆるデータを網羅的にカバーする単一の視点を提供します。
2. 深掘り調査と速度のバランス: 必要に応じて詳細な調査を行いつつ、必要な時だけ迅速に情報を展開します。
3. 競合情報の解決: 「A を行うべき」という情報源と「B を行うべき」という情報源が対立した場合、誰が正しいかを判断するロジックを持ちます。
4. パーソナライズされた関連性: ユーザーの所属部署や現在の作業内容に基づき、文脈をフィルタリングします。
5. トークン最適化: 高品質な応答を保ちつつ、不要なトークンを消費しないよう効率的に情報を提供します。
6. アクセス権限の尊重: OAuth や SSO を活用し、権限のない情報が漏洩しないように厳格に管理します。

実証された効果

実際のテストでは、同じクエリを文脈あり・なしで比較した結果、文脈エンジンを使用した場合、トークン使用量が約 50% 削減され、処理速度が向上し、回答の質も高まることが確認されました。特に大規模なタスクでは、文脈がない場合の 2100 万トークンに対し、ある場合は 1080 万トークンに抑えられ、時間節約とコスト削減に直結しています。

オープンソースで実現する「チーム・ネットワーク」分析

この動的コンテキストエンジンを自前で構築するための具体的なツールとして、オープンソースプロジェクトが公開されています。これらは組織内の暗黙知を可視化し、エージェントの文脈形成を支援します。

Rashim：チームの専門家ネットワークを解析

「Rashim」と呼ばれるツールは、Git のデータ（コミット履歴、レビュー担当者など）を分析して、チーム内の専門家ネットワークをマッピングします。これにより、「誰がどの領域に詳しいか」を機械的に特定し、エージェントが必要な時に適切な人間や文脈に接続できるようにします。

「Rashim は『マシン』と呼ばれており、非常に高速にコードを生成・分析します。これにより、組織内の活動全体を把握できます。」

Repository Rules Agent：リポジトリルールの検索

もう一つのツールは「Repository Rules Agent」で、コードベース内のルールや規約を検索し、エージェントが組織のコーディング規約やデプロイ手順を正しく理解できるよう支援します。

これらのオープンソースツールを活用することで、企業は手動でのドキュメント管理から脱却し、組織の生きたデータに基づいて自律的に動作する AI エージェントを実現できます。文脈を動的に管理するインフラが標準化されれば、開発コストの大幅な削減とセキュリティリスクの低減が期待されるでしょう。