context-engineering-collection

コンテキストエンジニアリングのためのエージェントスキル

このコレクションでは、効果的なコンテキストエンジニアリングを通じて、本番環境に対応できるAIエージェントシステムを構築するための体系的なガイダンスを提供します。

有効化するタイミング

次のような場合に、これらのスキルを有効化してください。

• 新しいエージェントシステムをゼロから構築するとき
• 既存のエージェントのパフォーマンスを最適化するとき
• コンテキストに関連する問題をデバッグするとき
• マルチエージェントアーキテクチャを設計するとき
• エージェント向けのツールを作成または評価するとき
• メモリ層や永続化層を実装するとき
• 自律的な調査や評価用ハーネスを設計するとき

スキルマップ

コンテキストエンジニアリングの基礎

コンテキストの基本を理解する コンテキストはプロンプトのテキストだけではありません。システム指示、ツール定義、取得したドキュメント、メッセージ履歴、ツールの出力など、推論時に言語モデルが利用できる状態全体を指します。効果的なコンテキストエンジニアリングとは、目の前のタスクで本当に重要な情報を理解し、信号対雑音比を最大限に高めるようその情報を選別することです。

コンテキストの劣化を認識する 言語モデルでは、コンテキストが長くなるにつれて、予測可能な劣化パターンが現れます。コンテキストの中央にある情報があまり重視されなくなる「ロスト・イン・ザ・ミドル」現象、冒頭と末尾を優先するU字型の注意曲線、誤りが積み重なるコンテキスト汚染、そして無関係な情報が関連する内容を圧倒するコンテキストの注意散漫などです。

アーキテクチャパターン

マルチエージェントの連携 本番環境のマルチエージェントシステムは、主に3つのパターンに収束しています。中央制御を行うスーパーバイザー／オーケストレーター型アーキテクチャ、柔軟な引き継ぎを可能にするピアツーピアのスウォーム型アーキテクチャ、複雑なタスクを分解するための階層型構造です。重要な洞察は、サブエージェントは組織上の役割を模倣するためではなく、主にコンテキストを分離するために存在するという点です。

長期タスク向けプロンプト 長時間実行される自律型エージェントや並列オーケストレーションは、開始時のプロンプトによって成否が決まります。疑似形式的なタスク概要では、成功判定条件、成功として数えない結果、監査を条件とする復帰条件を含む継続ルール、最低限の作業量、並列ポートフォリオにおける多様性ポリシー、汚染防止策を明確にします。これにより、機械で成功を検証できない問題に対し、形式検証の規律を言語で適用します。オーケストレーションを行う場合、各ワーカーは名前付きチェックを含む出力契約を返し、証拠によって裏付けられた違反だけが復帰を阻止します。

メモリーシステムの設計 メモリーアーキテクチャには、シンプルなスクラッチパッドから高度な時間的ナレッジグラフまで、さまざまな形があります。ベクトル RAG は意味的な検索を可能にしますが、関係情報は失われます。ナレッジグラフは構造を保持しますが、エンジニアリングへの投資がより多く必要です。ファイルシステムをメモリーとして使うパターンでは、コンテキストウィンドウに詰め込まず、必要なときにコンテキストを読み込めます。

ファイルシステムベースのコンテキスト ファイルシステムは、実質的に無制限のコンテキストを保存、取得、更新するための単一のインターフェースを提供します。主なパターンには、ツール出力を退避するスクラッチパッド、長期タスク向けの計画の永続化、共有ファイルを介したサブエージェント間の通信、スキルの動的読み込みがあります。エージェントは、対象を絞ったコンテキストの検索に ls、glob、grep、read_file を使用します。構造に関するクエリでは、意味検索を上回ることもよくあります。

ホスト型エージェントのインフラストラクチャ バックグラウンドで動作するコーディングエージェントは、ローカルマシンではなく、リモートのサンドボックス環境で実行されます。主なパターンには、定期的に更新されるビルド済み環境イメージ、セッションをすぐに開始できるウォームサンドボックスプール、セッションを永続化するファイルシステムのスナップショット、エージェントの共同セッションを可能にするマルチプレイヤー対応があります。重要な最適化として、Git 同期が完了する前でもファイルの読み取りを許可すること（書き込みのみをブロック）、ユーザーの入力開始に応じた先行サンドボックス起動、並列タスク実行のためのエージェント自身によるエージェントの起動があります。

ツール設計の原則 ツールは、決定論的なシステムと非決定論的なエージェントの間の契約です。効果的なツール設計では、統合の原則（複数の限定的なツールより、包括的な単一のツールを優先する）に従い、エラーにコンテキスト情報を含め、トークン効率を高めるレスポンス形式のオプションをサポートし、明確な名前空間を使用します。

運用の卓越性

コンテキスト圧縮 エージェントのセッションでメモリを使い切った場合、圧縮が必須になります。最適化の対象として適切なのは、リクエストあたりのトークン数ではなく、タスクあたりのトークン数です。ファイル、決定事項、次のステップを明示的なセクションに分けて構造化して要約すれば、過度に圧縮するよりも有用な情報を多く保持できます。アーティファクトの追跡履歴の完全性は、あらゆる圧縮手法において最も弱い側面です。

コンテキストの最適化 手法には、コンパクション（上限に近づいたコンテキストの要約）、オブザベーションマスキング（冗長なツール出力を参照に置き換えること）、プレフィックスキャッシュ（リクエスト間で KV ブロックを再利用すること）、戦略的なコンテキスト分割（分離されたコンテキストを持つサブエージェントに作業を分割すること）があります。

自己管理型コンテキスト ライブコンテキストに何を残すかは、ハーネスではなくモデルが決定します。編集可能な領域をファイルとして公開し、モデルがコードツールで書き換え、各ターンで再解析します。ハーネスは不変条件（固定されたシステムプロンプトとタスクのプレフィックス、ロールの折りたたみ、編集ゲート、処理記録、決定論的な予算表示、オーバーフロー時のロールバック）を維持します。プレフィックスキャッシュでは編集コストが編集後のテキスト量に応じて増加するため、編集はまとめて行い、末尾を考慮して配置します。戦略は指示で誘導したり、スキルとして発展させたり、成功時にのみ効率報酬を与える方式で学習させたりできます。

潜在ブリーフィング（KV メモリ共有） オーケストレーターとワーカーで構成されるシステムでは、スーパーバイザーが長い軌跡を蓄積する一方で、ワーカーが狭い範囲のテキストしか参照できない場合、トークン数が増大することがあります。スタックがワーカーの KV 状態を公開し、モデル間に互換性がある場合、潜在ブリーフィングはタスクに基づくアテンション（Attention Matching 方式のコンパクション）を使って、オーケストレーターの軌跡をワーカーモデルの KV キャッシュ内で圧縮します。これにより、全文を再提示することなく、関連する潜在状態をワーカーに渡せます。

評価フレームワーク 本番環境でのエージェント評価には、事実の正確性、完全性、ツールの効率性、プロセスの品質を網羅する、決定論的なチェックと多次元の評価基準が必要です。構造、根拠、評価基準の計算が妥当であることを確認してから、モデル判定を使用してください。判定設計、ペア比較、バイアス軽減については、「高度な評価」を参照してください。

ハーネスエンジニアリング 信頼できる自律型エージェントには、モデルを取り巻く明示的な運用ループが必要です。これには、固定されたメトリクス、編集可能な領域、永続的なログ、新規性チェック、ロールバックルール、人間による承認の境界が含まれます。ハーネスは、エージェントが評価器を弱めたり、コンパクション後に状態を失ったり、曖昧な目標をレビュー不能な変更に変えたりするのを防ぎます。

自己改善ループ ハーネス自体が最適化対象になる場合は、再帰的自己改善、メタハーネスの探索、失敗を起点とする制約付きの自己編集、進化的な足場の探索、コンテキスト機構の進化という、別の規律が適用されます。制御上の制約となるのは、経験的な二分割の受け入れゲート、生のトレースを含むファイルシステム上の経験アーカイブ、すべての編集可能領域の外側でランタイムが強制する制約、そして崩壊を防ぐための多様性の維持です。

開発手法

プロジェクト開発 効果的な LLM プロジェクト開発は、タスクとモデルの適合性分析から始まります。自動化を構築する前に、手動のプロトタイピングを通じて、タスクが LLM の処理に適していることを検証します。本番用パイプラインでは、ファイルシステムの状態管理によるデバッグとキャッシュを備えた、段階的かつ冪等なアーキテクチャ（取得、準備、処理、解析、レンダリング）を採用します。形式仕様を明示して構造化出力を設計することで、信頼性の高い解析が可能になります。最小限のアーキテクチャから始め、必要性が実証された場合にのみ複雑さを加えます。

認知アーキテクチャ

BDI メンタル状態 信念・欲求・意図（BDI）モデリングは、構造化された外部コンテキストをエージェントのメンタル状態に変換するための形式的な手法です。合理的なエージェンシー、説明可能性、信念・目標・選択された行動の間に監査可能なつながりが必要なシステムで活用します。

コアコンセプト

このコレクションは、4 つのコアテーマを中心に構成されています。まず、コンテキストの基礎では、コンテキストとは何か、注意機構がどのように機能するか、そしてなぜコンテキストの量より質が重要なのかを説明します。次に、アーキテクチャパターンでは、効果的なエージェントシステムを実現する構造と連携の仕組みを取り上げます。3 つ目の運用の卓越性では、最適化、評価、ハーネスの信頼性に取り組みます。4 つ目の開発手法と認知アーキテクチャでは、プロジェクトの遂行と形式的なメンタル状態のモデリングを扱います。

実践的なガイダンス

各スキルは単独でも、組み合わせても使用できます。まず基礎から始めて、コンテキスト管理のメンタルモデルを確立してください。システム要件に応じて、アーキテクチャパターンへと進んでください。本番システムを最適化する際は、運用スキルを参照してください。

これらのスキルはプラットフォームに依存せず、Claude Code、Cursor、またはカスタム指示やスキルに類する構成をサポートするあらゆるエージェントフレームワークで動作します。

統合

このコレクションは相互に連携し、各スキルがほかのスキルを参照しながら、共通のコンセプトを基盤として構築されています。基礎スキルは、ほかのすべてのスキルにコンテキストを提供します。アーキテクチャスキル（マルチエージェント、メモリ、ツール）は、複雑なシステム向けに組み合わせることができます。運用スキル（最適化、評価）は、基礎スキルとアーキテクチャスキルを使用して構築されたあらゆるシステムに適用できます。

参考資料

このコレクション内のスキル：

• context-fundamentals
• context-degradation
• context-compression
• multi-agent-patterns
• long-horizon-prompting
• memory-systems
• tool-design
• filesystem-context
• hosted-agents
• context-optimization
• self-managed-context
• latent-briefing
• evaluation
• advanced-evaluation
• harness-engineering
• self-improvement-loops
• project-development
• bdi-mental-states

コンテキストエンジニアリングに関する外部リソース：

• 注意機構とコンテキストウィンドウの制限に関する研究
• エージェントシステム設計に関する主要 AI 研究所の本番環境での知見
• LangGraph、AutoGen、CrewAI のフレームワークドキュメント

---

スキルのメタデータ

作成日: 2025-12-20 最終更新日: 2026-10-01 作成者: Agent Skills for Context Engineering Contributors バージョン: 2.6.0