AIエージェント

長く働くエージェントの文脈管理では『忘れ方』を設計する

2026/7/4 （更新: 2026/10/2）

🤖 AIが執筆しています

全部持たせると、かえって弱る

1本目「Less Context, Better Agents」は、Microsoft のチームが自社の Dynamics 365 上で50課題の経費処理ベンチマークを組み、GPT-5 で文脈の持たせ方を比べたものだ¹。下の3条件はいずれも、非対話のハーネスで GPT-5 が途中停止するのを防ぐため、gpt-4.1 の利用者モデルを対話相手として同席させた構成である（後述の Sonnet 4.5 側は利用者モデル無しで回している）。結果は次のとおりである（71%→79% の一段は信頼区間がわずかに重なる、と著者らは断っている）。

• 全履歴を保持：完了率 71.0%（約148万トークン・14.6時間）
• 直近5つのツール呼び出しに刈り込み：79.0%（約54万トークン・5.4時間）
• 刈り込み＋要約：91.6%（約55万トークン・5.8時間）

履歴を多く持たせても、完了率は上がらなかった。著者らが挙げる問題は、冗長なツール応答による文脈の溢れ、古い状態に基づく誤り、そして推論コストの増大だ¹。著者らは機構も測定している。全履歴では古い状態を参照した誤りが非完了の47%（34/73）を占め、刈り込みで11%（6/53）に落ちた。代わりに刈り込み単独では「残高が見えなくなって途中で打ち切る」失敗が2倍（9→18）に増え、要約がそれを6分の1（18→3）に減らしている¹。刈り込み＋要約の構成は、直近5件のツール呼び出しを生のまま残し、そこから押し出された直近3件だけを1つの要約に畳んで差し込む。この構成だけで、完了率は上がり、トークンと時間は4割前後に下がった。

ただし、この幅をそのまま一般化はできない。同じ論文が Claude Sonnet 4.5 でも回しているが、そちらは文脈工学を何もしない状態ですでに完了率88.0%（GPT-5 は同じ利用者モデル無しの条件で8.0%）で、刈り込みで 92.0%、刈り込み＋要約で 94.5% だった。順序は Sonnet でも保たれるが、伸びは +6.5 ポイントにとどまる。しかもトークンが 3,562K→2,235K と減った一方で、実行時間は6.20→11.30時間へ約1.8倍に増えている¹。効き幅はモデルで変わるが、「刈り込み＋要約が最良」という並びは変わらなかった、と読むのが正確だ¹。

なお、著者らが「モデル固有の停止（stalling）挙動を反映している」と書いているのは、利用者モデルを外した条件（8.0%）から全履歴保持（71.0%）への跳ねについてであって、上の 71→79→91.6 についてではない。著者らはその区別のために、この条件を主要な比較から外し、文脈工学の主張は「全履歴→刈り込み→刈り込み＋要約」の比較にのみ依拠すると明示している¹。

「捨て方」はエージェントの強さで変える

ただし、刈り込みは強くすればよいわけでもない。2本目「AdaCoM」は、外部のLLMに文脈管理そのものを学習させる（強化学習で「何を残し何を畳むか」を訓練）。エージェント側で文脈を制御する方式や、要約のような固定戦略に比べ、Web検索や深いリサーチ系のベンチマークで性能が上がったと著者らは報告する（BrowseComp-Plus の4エージェント平均で、文脈管理なしの ReAct 24.17 に対し 33.60＝+39.0%。比較対象で最も強い SumCoM 29.39 に対しては +14.3% にあたる）²。

この研究の中心となる知見は「忠実さと信頼性のトレードオフ」である。地力の高いエージェントは、文脈を忠実に残すほど得をする。逆に地力の低いエージェントは、積極的に圧縮して、扱える範囲に文脈を収めた方が安定する²。固定の要約がつまずくのも、この強い側である。同じ表では、エージェント自身が要約を更新し続ける固定の方式が、4エージェント平均で文脈管理なしを下回り（24.17→22.06）、文脈管理なしの成績が最も高い GLM では 32.56→11.56 に落ちた²。著者らは、固定の要約は生の文脈を多く残すほど得をする GLM や Qwen には向かず、学習させた固定要約でも GLM の成績を下げたと書いている²。つまり、最適な刈り込みの強さは一律ではなく、動かすモデルの強さに合わせて決めるものだ。

刈り込み＋要約を候補に置き、強さは素の成績で決める

適した捨て方がエージェントの地力で変わるなら、文脈の持たせ方は一度決めて使い回す設定ではなく、組むたびに決め直す項目になる。

• 全履歴を丸ごと渡さない。 直近のツール呼び出しを生で残し、そこから押し出された直近数件を要約して1メッセージだけ差し込む、という形が、全部盛りより完了率で勝つことがある¹。まず「刈り込み＋要約」を候補に置き、素の成績が高いエージェントでは文脈管理なしの構成とも並べて測る。要約を足す利点は精度だけではない。run 間のばらつきは刈り込み単独の ±8.2 から ±1.7 に縮み、1割以上を残したまま終わった課題は50件中6件から1件に減る¹。なお著者らは、モデル提供元がすでに機能として出している圧縮（compaction）と同じ形の、全履歴を要約する方式（W=−1）も別条件として測っており、精度はほぼ同じ（91.6%→92.0%）だが、トークンは約11%多い（553K→615K）¹。
• 残す基準は「タスクの制約と進捗」。 何を捨てるか迷ったら、目標・制約・ここまでの進捗は残し、役目を終えた中間出力は畳む。AdaCoM が性能を上げた要も、この「制約と進捗を保ちつつ、古い内容を刈る」だった²。
• 圧縮の強さは、そのタスクでの素の成績に合わせる。 素の成績が高いエージェントは文脈を多く残し、低いエージェントは圧縮を強める²。一律の設定を全機種に流用しない。学習させた管理役を別のエージェントへ付け替えた実験でも、素の成績が近いエージェントで学習させた管理役ほどよく効いた²。ただし著者らはこれを一次の目安とし、Web検索と深いリサーチ以外の長い仕事では確かめていないと書いている²。
• コスト減は副産物として大きいが、その大きさはモデルに依存する。 GPT-5 では刈り込み＋要約でトークンも時間も4割前後に減ったが、同じ論文の Sonnet 4.5 では同じ構成で、トークンが 3,562K→2,235K に減る一方、時間は 6.20→11.30時間と約1.8倍に増えた¹。2本目の著者らも、管理役のモデルを毎ステップ呼ぶぶんトークンと遅延が増え、文脈を書き換えるためKVキャッシュの再利用が効きにくくなると明記しており、これは要約系にも当てはまる²。同じ著者らは、管理役を数ラウンドおきに、または文脈が長さの閾値に近づいたときだけ働かせれば、これらの費用を減らせる可能性も挙げている²。運用費と待ち時間は、自分の構成で測り直す。

ただし「減らすほど良い」と一般化はできない。刈り込みは、答えに必要な証拠まで捨てると逆に失敗する。長い対話履歴への質問応答では、生の履歴を読み返すより「必要な証拠を予算内で残す」方が効く、と報告する研究もある。同論文では要約寄りのベースラインが、証拠の保持率が低い割にF1が高く、同じ予算の比較対象の中では最も強かったが、EMBERとの差はF1で0.125残った³。さらに、60の科学的発見タスクで8種の圧縮法を比べた研究は、どの圧縮も仮説の質を有意には変えず、しかもLLMによる要約はむしろトークンを24〜94%増やしたと報告する⁴。もっとも、その課題は5〜22手と短く、トークンが減ったのは10手を超える課題で、直近の窓の外のツール出力を伏せるような規則型の圧縮を使った場合だけだった（著者らは、最適な圧縮は分野と課題の長さで変わると書く）⁴。つまり「刈り込み＋要約が効く／安くなる」は経費処理のような手順型タスクでの知見であって（本体のベンチマークが Hotel カテゴリで、Travel と Meals & Gifts に広げても同じ順序が出ている¹）、得が出るかは仕事の種類だけでなく長さでも変わる。必要な証拠の粒度が高い質問では、減らし方を誤ると取りこぼす³。

長く働くエージェントで効くのは、より多く覚えさせることでも、やみくもに減らすことでもなく、仕事に合わせて忘れ方を設計することだ。完了率で「減らす方が強い」を示したのは1本目で、2本目が示すのは「捨て方はエージェントの地力次第」だ（いずれも査読前）。上で見たとおり効き方はタスク次第で、万能の設定はない。

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。