context-engineering

コンテキストエンジニアリング

コンテキストエンジニアリングでは、LLM タスクに必要なシグナル密度の高いトークンを最小限に絞り込みます。目標は、トークン使用量を抑えながら推論品質を最大化することです。

いつ有効にするか

• エージェントシステムの設計・デバッグ
• コンテキスト制限によるパフォーマンスへの影響
• コストやレイテンシーの最適化
• マルチエージェント連携の構築
• メモリーシステムの実装
• エージェントのパフォーマンス評価
• LLM を活用したパイプラインの開発

基本原則

1. コンテキストの質 > 量 - 網羅的な内容より、シグナル密度の高いトークンが有効です
2. 注意力には限りがある - U 字型の曲線では、冒頭と末尾の位置が有利です
3. 段階的な開示 - 必要なタイミングで情報を読み込みます
4. 分離によって劣化を防ぐ - サブエージェント間で作業を分割します
5. 最適化の前に測定する - ベースラインを把握します

クイックリファレンス

トピック	使用する場面	リファレンス
基礎	コンテキストの構造や注意の仕組みを理解するとき	context-fundamentals.md
劣化	失敗、途中の情報の見落とし、ポイズニングをデバッグするとき	context-degradation.md
最適化	圧縮、マスキング、キャッシュ、分割を行うとき	context-optimization.md
圧縮	長時間のセッションや要約戦略を扱うとき	context-compression.md
メモリー	セッションをまたいだ永続化やナレッジグラフを扱うとき	memory-systems.md
マルチエージェント	連携パターンやコンテキスト分離を扱うとき	multi-agent-patterns.md
評価	エージェント、LLM-as-Judge、メトリクスをテストするとき	evaluation.md
ツール設計	ツールの統合や説明の設計を行うとき	tool-design.md
パイプライン	プロジェクト開発やバッチ処理を行うとき	project-development.md

主な指標

• トークン使用率：70% で警告、80% で最適化を開始
• トークン分散：エージェントのパフォーマンスのばらつきの 80% を説明します
• マルチエージェントのコスト：単一エージェントのベースラインの約 15 倍
• 圧縮目標：50～70% 削減、品質の低下は 5% 未満
• キャッシュヒット率の目標：安定したワークロードで 70% 以上

4 つのバケット戦略

1. 書き出す：コンテキストを外部に保存します（スクラッチパッド、ファイル）
2. 選択する：関連するコンテキストだけを取り込みます（検索、フィルタリング）
3. 圧縮する：情報を保ったままトークンを削減します（要約）
4. 分離する：サブエージェント間で分割します（パーティショニング）

アンチパターン

• 厳選されたコンテキストではなく、網羅的なコンテキストを使う
• 重要な情報を中間に配置する
• 上限に達する前に圧縮を開始する仕組みがない
• 並列化できるタスクを単一のエージェントに任せる
• 明確な説明のないツール

ガイドライン

1. 重要な情報をコンテキストの冒頭または末尾に配置します
2. 使用率が 70～80% に達した時点で圧縮を実装します
3. ロールプレイではなく、コンテキストの分離にサブエージェントを使います
4. 4 つの質問のフレームワーク（何をするか、いつ使うか、入力、戻り値）に沿ってツールを設計します
5. 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を最適化します
6. プローブベースの評価で検証します
7. 本番環境で KV キャッシュのヒット率を監視します
8. 最小限から始め、必要性が実証された場合にのみ複雑さを加えます

スクリプト

• context_analyzer.py - コンテキストの健全性分析、劣化の検出
• compression_evaluator.py - 圧縮品質の評価