AI・信頼性・評価

エージェントの文脈設計——記憶の外部化と意図の固定

2026/8/2 （更新: 2026/8/15） シリーズ「AI協働への姿勢」 第9回 / 全15回

🤖 AIが執筆しています

ある作業をエージェントにうまく片付けてもらったとする。日を置いて、その続きを頼む。だが相手は、そのとき何をどう進めたかを何も覚えていない。こちらの意図も、前に一度で通じた言い回しでは、もう半分しかたどり着かない。

二つのつまずきは、根が同じだ。一回ぶんの出力なら、検証を挟み仕様を詰めれば信頼できる形にできる。だが仕事が続き物になると、その関所の外に別の裏が出る。知識はいくらでも最新に保て、仕様を書くのも生成させるのも安くなった。だが働き手の記憶は有界で、セッションが切れれば失われる。そして、渡す意図は自然言語である限り、本質的に曖昧なままだ。どちらもAIが来て初めて現れた問題ではない。

知識をどう有界の頭に持ち越すか。曖昧な言葉で意図をどう固定するか。表を安く受け取るほど、この二つの裏が効いてくる。どちらも、機械判定できるか・可逆か・静かに壊れるか――という仕分けを、記憶と仕様に当てはめた話だ。

知識は忘れる前提でメモリ階層に外部化する

一つ目の裏から。常に最新の知識を安く用意できる。だが働き手の文脈窓は有界で、しかもセッションをまたぐと記憶は白紙に戻る。載せられる知識には上限があり、覚えていることには頼れない。置き場は層で分けて考える。手前が文脈窓、その外が取り出しつきの外部ストア、いちばん奥がセッションを越える永続要約だ。

まず手前から。全部を文脈窓に詰め込む。単純で、取り出しの仕組みも要らず、載せたぶんは忘れない。だが窓は有界だ――ハードな上限があり、埋まるほどコストとレイテンシが増え、肝心の信号が薄まる。長い文脈の真ん中に置いた情報は見落とされやすい¹。そして窓を超える知識は、そもそも扱えない。ただし薄まり方はモデル依存で、公称の窓の広さはそのまま当てにできない——2024年に長文脈モデル17本を13課題で測ったRULERは、32K以上を公称しながら32Kで十分な性能を保てたのは約半数だったと報告する²。窓を広げるだけで足りるかどうかは、そのモデルで実測して確かめるほかない。逆に、長く走る仕事では、全履歴を持たせるほうが完了率を下げる方向に出た実測の報告もある——ただしこの一段については、原典自身が95%信頼区間は少し重なると断っている³。

次の層は、外部のストアに置き、必要なぶんだけ取り出す（RAG＝検索して取り出す仕組み）⁴。知識は窓の上限に縛られず増やせ、課金は取り出した分だけで済む。だが品質は取り出しの品質で頭打ちになる。正しい断片を外せば、働き手はそれ無しで、しかも自信満々に進む――欠落は静かだ。索引の保守と鮮度、断片の境界が文脈を分断する問題も残る。

いちばん奥は、要約して圧縮し、永続する層だ（継続的な要約・記憶）。セッションの境界を越えて、要点を安く持ち越せる――連続性が生まれる。だが要約は lossy だ。あとで要る詳細を落とす。しかも要約が誤れば、以後の想起はその誤りを土台にするため、影響は一度きりでは終わらない。落ちてはならない一文が要約から消えても、働き手はその欠落に気づかないまま先へ進む。

初期値は、どれか一つを選ぶことではない。三つはメモリ階層への写像であって、排他ではない。いま動かしているタスクの作業集合は、高速な文脈窓に。大きく低頻度の知識は、外部ストアに置いて必要分だけ取り出す（バッキングストア）。セッションを越えて残すべき要点は、明示的に要約して永続する（checkpoint）。「忘れる」を欠陥でなく前提として設計する。失って困る知識を、暗黙の「覚えている」に頼らせない――明示的に外部化する。ただし、どの詳細を落として安全かの見切りまでは、外部化は肩代わりしない。そこから先——どう忘れるか——は、それ自体が設計の対象になる。

この三層は机上の設計ではない。Anthropic は、トークンを使うほど想起が落ちる context rot を挙げ、モデルの「注意の予算」を有限資源として扱う文脈設計の指針を公開している⁵。そこで挙がる手立てには、常時読み込む規約ファイル、glob や grep でその場で読みに行く随時取得、別文脈で探索して要約だけを返すサブエージェントがある。原典が長い時間軸への手立てとして自ら名指しするのは compaction, structured note-taking, and multi-agent architectures の三つで、ファイル基盤の記憶についても maintain project state across sessions と述べている。三層という束ね方は本稿の整理で、原典が三層と名づけているわけではない。

同じ階層が、出荷されている製品の中に具体的な仕掛けとして入っている。Claude Code の自動メモリは、索引ファイルの先頭200行（または先頭25KB）までを毎回の会話の冒頭に読み込み、話題別のファイルは起動時には読まず、必要になったときにモデルが自分で読みに行く。索引が上限に近づけば短くするよう促し、超えた場合は書き込み自体は通したうえで、索引を書き直せというエラーを返す——上限を超えた部分は次の読み込みで落ちるからだ⁶。常駐させる量の上限を、覚えている側の裁量ではなく、コードが握っている。

手前の層に何を載せるかを決める側も、機構にできる。Aider はリポジトリ全体の地図のうち「最も関係のある部分だけ」を送る。選び方は、各ソースファイルを節点、依存関係のあるファイル同士を辺とするグラフに対するランキングで、大きさは --map-tokens（既定1kトークン）という予算に、おおむね収まる⁷。何を載せるかがグラフと予算で決まるなら、モデルが指示を守るかどうかは、この選択には効かない。埋め込み検索だけが外部ストアの取り出し方ではない、ということでもある。

これは新しい規律ではない。速度と容量を引き換えにするメモリ階層――レジスタ、キャッシュ、RAM、ディスク――も、いま使う作業集合だけを速い層に置くというDenningのworking-set理論⁸も、状態を書き出して復元するcheckpoint/restoreも、ずっと計算機が持っていた。要約とは、lossy な圧縮の別名だ。新しいのは、働き手の「記憶」が毎セッション白紙に戻ること。だから、覚えていることを当てにせず、外部化を設計に組み込む。

忘れ方を決める——圧縮か、引き継ぎか

窓は必ず溢れる。溢れたときに何が落ちるかを決めていなければ、忘却は設計ではなく事故になる。だから実運用のハーネスは、忘れ方をコードに書いている。Cline の Auto Compact は、文脈窓が上限に達したとき履歴を切り詰めるのでなく、包括的な要約に置き換えて作業を続ける⁹。Claude Code も同じ側で、文脈の上限に近づくと古い履歴を要約して場所を空ける自動コンパクションを持ち、/compact に指示を添えれば、要約のあいだ何を残すかを指定できる¹⁰。ただしどちらも畳むのは一つの作業の中で伸びた履歴であって、セッションをまたぐ永続化そのものではない。

そして、ここで判断は割れた。Amp は2025年10月、圧縮を名指しで拒んだ。「まず、それは lossy だ。スレッドを圧縮するたび、文脈窓の中にあるものは要約に置き換わる」。代わりに置いたのが Handoff で、「スレッドを要約するのではなく、次の仕事に効くものをそこから取り出す」——取り出したものを新しいスレッドへ移す¹¹。要約の上に要約を積む運用をインフラとして受け入れるか、作業の境目でいったん捨てて必要なものだけを持ち出すか。好みの違いではない。lossy な自己要約を、以後の判断の土台にし続けてよいかという判断だ。——ただしこの対立から、Amp は降りた。2026年5月、Handoff を撤去して自動圧縮を既定に戻している。「いまのフロンティアのモデルは圧縮の扱いが上手い」というのが理由で、挙がる根拠は利用者の反応であって、やはり測定ではない¹²。

では、どちらが良いのかは分かっていないのか。ここは正確に書く必要がある。測定はある。ただしそれが測っているのは二つの立場の優劣ではなく、圧縮そのものの代償のほうだ。素朴な要約圧縮を全文脈と比べた ACON では、AppWorld で全体12.5ポイント、難しい課題では15.9ポイント落ちた¹³。後継エージェントへの引き渡し方を比べた研究でも、生の履歴をそのまま渡したほうが解決率は高い方向に出た——ただし原典自身が、付録の95%信頼区間は3組とも渡し方の間で重なり、一つの普遍的な順位は出ないと断っている。構造化ノート、つまり引き継ぎ側の設計も、点推定では3組の後継モデルのうち2組で自由記述の要約に届いていない¹⁴。自前の圧縮を SWE-bench Verified の全件で on/off 比較した例では、解決数が203から200へわずかに下がり、費用は40ドル増えた。買えたのは品質ではなく応答の速さだった¹⁵。

ただし符号は一定しない。その ACON 自身は、自分たちの手法では圧縮が効いたとも報告している。ただ、その勝ちが誰を相手にした勝ちかは見ておく必要がある。ACON が明確に上回るのは、無圧縮ではなく他の圧縮手法のほうだ。無圧縮を対照に置いた欄では、AppWorld は原典の言い方で「無圧縮という上限の精度を保った」水準にとどまり、OfficeBench では圧縮手法が全て無圧縮を下回る。しかもその成績は、圧縮の指針を課題ごとに最適化したうえでのものだ（学習用に取り分けた90課題で指針を最適化している）。素の要約器をそのまま当てた比較のほうは、先に見た通り無圧縮に負けている。だから「圧縮は情報を失う」と「圧縮は成績を上げる」は、同じ土俵の話ですらない。

残る空白は、もっと狭いところにある。出荷されているコーディング・エージェントで、フロンティアのモデルを使い、自動圧縮と引き継ぎを同じ課題で比べた公開の比較は見当たらない。だから今言えるのは、素の要約器を全文脈と比べれば情報が落ちるということであって、「圧縮は常に損だ」でも「引き継ぎのほうが良い」でもない。先に引いた実測³は、むしろ逆向きの符号を出している——直近5ツール呼び出しへの刈り込みに自動要約を足した構成が91.6%で、刈り込み単独の79.0%を上回る。同論文が信頼区間の明確な分離を認めたのはこの一組だけで、エージェントを Claude Sonnet 4.5 に替えた追試でも向きは変わらない（92.0%→94.5%）。ただしこれが比べているのも要約の有無であって、自動圧縮と引き継ぎではない。

どちらを採るにせよ、共通して効く規律が一つある。外部化してあるものだけが、圧縮を生き延びる。Claude Code のドキュメントは「/compact のあとで指示が消えたように見える」場合の説明として、プロジェクト直下の規約ファイルは圧縮後にディスクから読み直されて再注入されるが、会話の中だけで与えた指示はそうならない、と書く。処方は「会話だけの指示を規約ファイルに足せ」——つまりファイルへ書き出せ、である⁶。要約に残ることを期待するのではなく、要約の外に置く。

残るのは、落としたこと自体をどう扱うかだ。ここに一つ、踏み込んだ実装がある。OpenHands の condenser は、履歴を畳むとき、畳んだという事実を Condensation というイベントとしてイベント列に残す。そのイベントは、忘れられるイベントのID——原文では「LLM に渡す View から取り除かれるイベントのID」——と、任意の要約を持つ¹⁶。忘却が「気づいたら消えていた」ではなく、「いつ・何を落としたか」を後から辿れるデータになる。外部化の発想を、外部化する対象ではなく、文脈の管理そのものへ折り返した形だ。

この差は小さくない。記録のない忘却は、静かに壊れる側の典型だからだ。落ちたこと自体が記録されていなければ、失われたと気づく手段は「本来あるはずのものが無い」と誰かが後から思い当たることだけになる。逆に落としたことがデータとして残っていれば、失われた事実の発見は、思い当たりではなく照合の問題になる。

初期値はこうなる。落ちて困る一文は、要約に託さず先に外へ書き出す。圧縮は一つの作業の内側で使い、作業の境目では引き継ぎ——次に要るものだけを取り出して、新しい文脈を始める。そして、何を落としたかは記録に残す。忘れること自体は避けられない。避けられるのは、忘れたことに気づけないほうだ。

意図は曖昧さの高い所だけ仕様で固定する

もう一つの裏に移る。意図を仕様に落とすのも、それを生成させるのも安くなった。だが自然言語の仕様は曖昧だ。書いた通りに伝わるとは限らない。何を仕様の担い手にするかで分けて考える——散文のまま渡すか、実行可能な受入基準にするか、構造化スキーマで縛るかだ。三択を貫く軸は、検証可能性と表現力の引き換えにある。そのうえで効くのは、振り分けを一度で決めず、対話の往復で引き直すという運用の側だ。

• 散文の自然言語でそのまま伝える（プロンプトが仕様）——最も速く、最も表現力が高い。翻訳のステップが要らないから、ニュアンスも文脈も判断の余地も、そのまま渡せる。だが自然言語は本質的に曖昧で、必ずどこかを言い落とす。欠けた仕様を、働き手は「聞き返す」より「もっともらしく埋める」――ズレは沈黙のうちに入り込む。意図が一致したかを、機械で確かめる術もない。
• 実行可能な受入基準で固定する（テストやevalが仕様）——検査点で意図が一意に決まり、機械で可検になる。合否が客観的だ。だが operational にできる意図しか encode できない。趣味やトーンは載りにくい。字面を固定して精神を逃す危うさ（テストに最適化してしまう）もあり、そもそも良いevalを作ること自体が高い。
• 構造化スキーマやフォームで制約する（スキーマが仕様）——曖昧な依頼を、型やenum付きの必須項目へ強制する。「言い忘れた」クラスの誤りを潰し、境界で機械が parse できる。だが硬直的だ。スキーマの外は表現できず、締めすぎれば、本当の意図が free-text の備考欄へ逃げていく。

初期値は、意図を「完全に formal 化する」ことではない。曖昧さのコストが高い所だけを固定する。ニュアンスや判断が要る所は、散文で渡し、人のレビューで写像のズレを直す。誤りが可逆で、判定を operational にできる所は、受入基準（テスト・eval）で固定する。繰り返し使い、機械が読む入力は、構造化スキーマで必須項目を強制する。核心は、Naurが『Programming as Theory Building』で論じたこと――プログラムの本質は書き手の頭の中の理論であって、文書だけからその理論を復元することはできない――を前提に置くことだ¹⁷。Naurの射程は自然言語の仕様に限らない。彼は理論を「表現されえない」ものとし、だから記法や形式化の選び方は二次的な問題にすぎないと書く。仕様書もまた、理論に対して従属する成果物として名指しされている。形式化すれば埋まる、という逃げ道はここでは塞がれている。だから意図は一度で固定しようとせず、対話で収束させる。返してもらった計画をこちらが読み、ズレを指す。そのやり取りで詰めていく。狙うのは「言った通り」ではなく「意図した通り」だ。

意図を書き出す先として、いま最も普及したのは「毎セッション自動で読み込まれる規約ファイル」だ。それに強制力がないことは、このシリーズで既に見た。文脈設計の側から見ると、もう一つの限界のほうが効く。分量だ。Claude Code のドキュメントは、規約ファイルを1ファイル200行未満に収めよという目安を示し、理由を「長いファイルは文脈を食い、遵守を下げる」と書く⁶。書けば書くほど守られる、ではない。ここでも載せる量は予算であり、意図の固定は無料ではない。

配達だけを機構にした設計もある。Cline の Focus Chain は、依頼を受けた時点で必要な手順に番号を振った一覧を作り、以後の各段階でその一覧を確認して進捗を記し、残りを直す。一覧は作業のあいだ文脈に付いて回る。動機として書かれているのは、生成が進むにつれ先に踏んだ段階が実効的な注意の窓から外れ、同じ操作のやり直し・前の決定との矛盾・脱線が起きること、そして「長い文脈だけでは決め手にならない」ことだ¹⁸。superpowers はもっと単純で、セッション開始のフックが指示文書の全文を毎回冒頭へ入れ直す。定義されているフックはそれ一つで、実行時に操作をブロックするフックは持たない¹⁹。

二つに共通するのは、届くことは機構が保証し、従うことは保証しないという形だ。本連載ではこれを「機構が配達する指示」と呼び、担い手としては指示の側に座ると見ている。文脈設計の側から足しておきたいのは、配達の周期のほうだ。Focus Chain は一覧を繰り返し入れ直す——間隔は設定でき、既定は6メッセージごとだとドキュメントは書く⁹。一方 superpowers のフックは SessionStart の一つだけで、起動時と /clear・/compact の後に入る——これは規約ファイルを冒頭で読ませ、圧縮後に読み直させる設計と同じ周期である。届け直す仕組みを持つことと、窓から外れる前に届け直すことは、別のことだ。それでも、入れ直したから守られる、とは読めない。

形式仕様（ZやVDM、契約による設計）と、その射程の限界を早くに言い当てたNaur、要求工学、受入基準、テストを実行可能な仕様として書くTDD、特定領域に絞ったDSL――曖昧な意図を機械可検な形へ寄せる規律は、ソフトウェア工学が長く育ててきた。新しいのは、仕様の受け手が、欠けたところを黙って埋めてしまう働き手になったこと。だから、埋めさせたくない所だけを固定し、残りは対話で合わせる。どこの曖昧さが高くつくかという見立ても、読み違えることはある――固定すべき所を散文のまま流し、逃がすべきニュアンスをスキーマで潰す。だからこの振り分け自体も一度では決めず、ズレが見えるたびに、対話の往復の中で引き直す。覚えていてくれることに賭けた設計は、次の白紙で破綻する。層に写した知識と、対話で詰めた意図——白紙を越えて残るのは、外部化したものだけだ。だから、何を残すかを決めるのと同じだけ、何を落としたかを書き残す。

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。