LangSmith の Context Hub で文脈管理を正しく行う方法

エージェントが失敗する本当の原因は「文脈」にある。LangSmith Context Hub で管理を正しく行う方法

AI エージェントの開発において、モデルの性能やハニース（実行環境）の選定よりも重要視すべき要素があります。それは「文脈（コンテキスト）」です。多くのエージェントの失敗は、指示の不足や古くなったポリシーといった文脈の問題に起因しています。

本記事では、LangSmith の新機能「Context Hub」を活用し、チーム全員が共有可能な単一の場所で文脈を管理・バージョン制御する方法を紹介します。一時的な作業と永続的な記憶を分離する設計により、エージェントの挙動を予測可能かつ安全にコントロールするための標準プラクティスを解説します。

モデルやハニースより「文脈」が決定的な役割を果たす

AI エージェントは通常、3 つの主要コンポーネントで構成されています。1 つ目はモデルです。Claude や GPT などの推論・生成エンジンがこれに該当します。

2 つ目はハニース（Harness）です。これはモデルが存在する環境を指し、ループツールの使用、状態管理、権限設定、実行挙動などを定義します。代表的な例として、LangChain の Deep Agents や Cloud Code などが挙げられます。

そして 3 つ目が文脈層（Context Layer）です。ここには指示、例示、会社の方針、ガイドライン、ドメイン固有の知識が含まれます。

「より優れたモデルやハニースが役立つこともありますが、多くの失敗は依然としてコンテキストの欠陥です。」

エージェントに強力なツールがあっても、その使い方が明確でなければパフォーマンスを発揮できません。指示が不足していたり、時代遅れの方針を参照し続けていたりするだけで、エージェントは誤った判断を下します。

Slack や Git ではなく「単一の場所」で文脈を管理する必要性

では、この重要な文脈はどこに保存すべきでしょうか？多くのチームでは、Slack のスレッド、Notion ページ、あるいは GitHub に散在させています。しかし、これらには共通の課題があります。

Git はエンジニアリングチームには有効ですが、共有編集インターフェースとしては最適ではありません。サポート運用や他の非技術メンバーは、Git の習熟度が不足しているため、コンテキストの更新が遅れたり、反映されなかったりします。

「エージェントの振る舞いを形作るすべての人が、1 つの場所で文脈を読み書きできる共通基盤が必要です。」

LangSmith のContext Hubは、この課題を解決するものです。Slack や GitHub ではなく、チーム全員が編集可能な単一の場所として機能します。ここでファイルベースのバージョン管理システムを提供し、エージェントのメモリやスキルを含む文脈を管理できます。

Context Hub で作る「エージェント運用契約」と記憶ファイル

Context Hub を使うと、エージェントリポジトリを作成できます。これは単一のエージェントの振る舞いを形作るファイルのバージョン管理されたホームです。

まず作成すべきは agents.md です。これはエージェントの運用契約と考えましょう。「何者であり」「何を優先し」「どう振る舞うべきか」を Markdown で記述します。

また、特定のタスク（例：メール送信）に特化した記憶ファイルも作成可能です。例えば /memories/email.md のようなパスで、エージェントが実行すべき行動や回避すべきネガティブな行動を定義します。

「初期コミットに戻れば、そのフォルダは存在しない状態に戻せます。」

Context Hub 上では、これらのファイルの更新履歴がすべてバージョン管理されます。人間が UI で検査・編集し、エージェントも同じメモリファイルを読み書きできるため、双方向の学習と改善が可能になります。

バックエンド分離設計：一時ファイルと永続記憶を分ける

ここで疑問を持つかもしれません。「なぜ複数のファイルシステムを使う必要があるのか？」答えはシンプルです。すべてのファイルを永続化すべきではないからです。

エージェントは作業中に多くの下書き成果物を生成します。これらは通常、ローカルで一時的に保持し、高品質な成果物のみを永続化して共有したいものです。

LangSmith の Context Hub は、この「分離設計」をサポートするバックエンドとして機能します。

1. 状態バックエンド（デフォルト）: スコープ内ストレージ。同じ会話スレッド内ではファイルが永続化されますが、スレッドを超えて引き継ぎません。一時的な作業に適しています。
2. ローカルファイルシステム: マシン上のディレクトリに直接読み書きします。
3. Context Hub バックエンド: ここが核心です。エージェントがファイルを読み書きする際、それは人間も Context Hub UI で確認できる「共有バージョンのファイル」になります。

コード実装では、バックエンドファクトリ関数を使ってこれらを組み合わせます。デフォルトを状態バックエンドにしつつ、特定のフォルダ（例：/memories）だけを Context Hub に紐付けることで、明確な分離を実現します。

「一時的な作業ファイルはローカルに留まり、メモリは人間とエージェントの双方が読み書きできるコンテキスト内で共有されます。」

実証：学習するループで改善されるエージェントの挙動

この仕組みを実際に動かすとどうなるでしょうか。デモでは、メール作成エージェントを例に挙げます。

1. 初期状態: エージェントはシンプルすぎるメールスタイルのガイドラインに従っています。
2. フィードバックと学習: ユーザーが「ダッシュ記号を使わない」「件名は小文字にする」と指示すると、エージェントは編集ツールを呼び出し、記憶ファイル（/memories/email.md）を直接更新します。さらに「言語表現を簡潔に」という要望にも即座に対応し、ファイルを更新します。
3. 反映と定着: エージェントが送信するメールの署名ガイドラインも同様に更新されます。

このプロセスで重要なのは、エージェントが行った編集がすべて Context Hub のバージョン管理履歴に残る点です。人間は UI を見て、どのような変更が加えられたかを追跡できます。

「ファイルとコンテキストが更新されれば、将来のエージェント実行でその新しいガイダンスを即座に使用できます。」

一度更新された記憶ファイルは、次回以降のすべてのエージェント実行で参照されます。これにより、エージェントは時間とともに洗練され、品質が向上します。

まとめ：可視性と協働による AI ガバナンスの確立

Context Hub を導入することで、エージェントの文脈管理は「ブラックボックス」から「透明なプロセス」へと変わります。チーム全員が共通の真実源（Single Source of Truth）に貢献できるため、コラボレーションが向上し、AI ガバナンスと品質向上のサイクルが加速します。

モデルやハニースの選定も重要ですが、まずは文脈を正しく管理する仕組みを整えることが、安定したエンタープライズ AI の実装への第一歩です。