Create effective-context-engineering-by-anthoropic.md

Author: mmrakt

content/memo/effective-context-engineering-by-anthoropic.md

@@ -0,0 +1,158 @@
+---
+title: Anthropicの効率的なコンテキストエンジニアリングのガイドのメモ
+tag: other
+pubDate: 2025/10/01
+---
+
+[Effective context engineering for AI agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)を読んだ上での雑記。
+
+（Written with GPT5）
+
+## テーマと前提
+
+* テーマは「コンテキストという有限資源をどう設計し、最小トークンで望む挙動を引き出すか」
+  * コンテキストはLLMの推論時に渡す全トークン集合で、システム指示や履歴、外部データ、ツール結果を含む
+  * ポイントは「最小の高シグナルトークン（high-signal tokens）」を選び続ける反復的なキュレーション
+    * 期待する挙動の実現確率を最大化するうえで、情報価値が高いトークン群  
+* 背景となる観察
+
+  * トークンが増えるほど参照精度が徐々に落ちる現象があり、注意予算（Attension Budget）は有限
+  * 長い文脈では関連性の低下や混乱が生じやすく、意図的な取捨選択が必須
+
+## コンテキスト設計とプロンプト設計の違い
+
+* プロンプト設計
+
+  * 指示文の書き方や並べ方に焦点
+  * 主にシステムプロンプトの改善で振る舞いを微調整
+* コンテキスト設計
+
+  * モデルに渡す情報集合の最適化に焦点
+  * 対象要素
+
+    * システムプロンプトの構成と高度
+    * ツールとその入出力の設計
+    * Few-shotの選定
+    * メッセージ履歴と外部データの扱い
+  * ねらい
+
+    * 各ターンで「何を入れ、何を省くか」を決める反復プロセスを確立
+
+## 効くシステムプロンプトの「高度」
+
+* よくある両極端
+
+  * if-else的に細かい規則を詰め込み壊れやすくなる
+  * ふわっとした一般論だけで具体的な手がかりがない
+* 推奨スタンス
+
+  * 具体性と柔軟性のバランスを取り、必要十分な情報だけを明確に入れる
+  * セクション分割や軽量マークアップで役割をはっきりさせる
+
+    * 背景情報
+    * 指示
+    * ツールの使い分け指針
+    * 期待する出力説明
+* 運用の勘所
+
+  * まず最小構成で高性能モデルを試し、失敗モード（failure modes）を見て段階的に指示や例を追加する
+
+## ツール設計と返却の最適化
+
+* ツールは情報空間へのインターフェース
+
+  * 役割が重複しない自明な線引きを行い、どの場面でどれを使うかを曖昧にしない
+  * 入力パラメータは誤読しにくく、モデルの得意さに沿う記述にする
+* 返却データの方針
+
+  * トークン効率を最優先し、本文ではなく要約や識別子を中心に返す
+  * エージェントの行動を効率化する形を心がける
+* 失敗パターン
+
+  * 機能を盛り込みすぎたツール群で選択の分岐が増え、判断ミスや冗長探索を招く
+
+## Few-shotと例示の扱い
+
+* 方針
+
+  * 増やすより選ぶ、境界を含む多様な正準例を少数精鋭で用意
+  * 規則を事細かに列挙するより、望ましい出力の具体的サンプルで学習させる
+* 期待する効果
+
+  * 余計な規則の羅列を避けつつ、モデルに強いヒューリスティクスを与える
+
+## ランタイムの文脈取得とエージェント探索
+
+* 事前取得中心からのシフト
+
+  * 多くのアプリは埋め込み検索などの事前取得を使うが、エージェント化が進むほどJIT取得の重要性が増す
+* JIT取得の考え方
+
+  * ファイルパスや保存済みクエリ、URLなどの軽量参照を保持し、必要時にツールで本文を取りに行く
+  * 大量データはBashのheadやtailのような原始操作で断片的に観察し、全体を一気に読み込まない
+* メタデータの活用
+
+  * パスやフォルダ階層、命名、タイムスタンプが強いシグナルになる
+
+    * `tests`以下のファイルは意図や役割が明確に推測できる
+    * サイズや更新時刻で優先度やコストを見積もれる
+* プログレッシブな開示
+
+  * 探索で得た気づきを次の一手に反映し、必要最小限だけ作業メモリに残す
+  * 追加の情報は外部ノートへ書き出し、後で必要な分だけ戻す
+* ハイブリッド戦略
+
+  * 一部の基盤情報は先置きしつつ、詳細はJITで段階的に取得
+  * 自律度の最適点はタスク依存で決まり、用途によって先読みと探索の配分を変える
+
+## 長時間タスクに効く3つのテクニック
+
+* コンパクション
+
+  * コンテキスト上限が近づいたら履歴を高忠実に要約し、新しいウィンドウをその要約から再開
+  * 残すべきは設計判断や未解決事項などの本質情報で、冗長なツール出力は除去
+  * まず高リコールで過不足なく拾い、次に高精度化で余分を削る
+* 構造化ノート（Structured note-taking）
+
+  * コンテキスト外にノートを永続化し、後で必要な要点だけを再投入
+  * TODOや決定記録、依存関係を継続的に管理し、長時間の連続作業で一貫性を維持
+* サブエージェント構成
+
+  * 役割ごとに専用エージェントを分け、詳細探索は各サブが担当
+  * 親エージェントは集約と意思決定に集中し、サブからは凝縮サマリだけを受け取る
+  * 分割により関心の分離が明確になり、各ウィンドウを小さくクリーンに保てる
+
+## 実装時のチェックポイント
+
+* システムプロンプト
+
+  * 背景と指示、ツール指針、出力形式をセクション化し、過不足ない高度で書く
+  * 最小構成で評価し、失敗モードに応じて段階的に補強
+* ツール
+
+  * 役割が重ならない設計にし、返却は要約と識別子中心でトークン効率を担保
+  * 増やす基準と廃止基準を明確にし、保守容易性を確保
+* Few-shot
+
+  * 多様な正準例を少数選び、出力フォーマットは本番と一致させる
+* 取得戦略
+
+  * 事前取得とJIT取得をタスク特性に合わせて配合
+  * 参照メタデータで候補を先に絞り、本文読み込みは段階的に行う
+* 長時間タスク
+
+  * コンパクションのプロンプトを失敗事例でチューニング
+  * 構造化ノートの粒度と書き戻しルールを固定
+  * サブエージェントの境界と合流フォーマットを明示
+
+## まとめ
+
+* コンテキストは有限の注意予算であり、増やすよりも「選ぶ」「捨てる」を設計に組み込むのが要点
+
+  * システムプロンプトは必要十分を明確に、ツールは役割を明快に、Few-shotは少数精鋭で
+  * 事前取得とJITを組み合わせ、メタデータと段階取得で無駄を減らす
+  * 長時間タスクではコンパクション、構造化ノート、サブエージェントを併用して一貫性を維持
+
+## refs
+
+* [Effective context engineering for AI agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)