公開：2026年9月27日, 最終更新：2026年9月27日
コンテキスト圧縮（Context Compression）は、大規模言語モデル（LLM）やAIエージェントが扱う長い入力・会話履歴をコンパクトな表現に変換・削減し、推論の高速化とトークンコスト削減を実現する技術の総称だ。StateCompはその最新アプローチの一つで、エージェントの内部状態に応じて圧縮タイミングを動的に判断するフレームワークである。
概要
コンテキスト圧縮は、LLMやAIエージェントの運用において、長期化する入力コンテキストをいかに効率よく扱うかという課題に対応する技術群の総称だ。AIエージェントが複数ステップにわたるタスク（Long-horizon）を実行する場面では、会話履歴や操作ログが膨大になり、処理速度の低下やAPIコストの増大を招く。コンテキスト圧縮はこの課題を技術的に解決する手段として位置づけられる。
StateComp（State Conditioned Compression）は、2026年9月23日にarXivに登録された論文「StateComp: Learning When to Compress History in Long Horizon Agents」で提唱されたフレームワークで、TierFlow Team・中国人民大学・清華大学などの研究者による共同研究として発表された。
仕組み・ポイント
従来手法との違い
従来の固定窓（fixed-window）や定期的な要約とは異なり、StateCompはエージェントの現在の内部状態を参照した上で、過去のインタラクションを圧縮すべきかどうかを動的に判断する点が特徴だ。
KEEPとREADYの分類
過去の各インタラクションを「KEEP（生のまま詳細を保持）」と「READY（要約に置き換え可能）」の2種類に分類する。この分類は以下の2段階の教師ありアノテーションによって実現される。
- 段階1: ローカルなチェックポイントで、各インタラクションが置き換え可能かどうかの証拠をアノテーションする
- 段階2: 将来の依存関係が安全性を拒否（veto）しない、最も早い安全な圧縮ポイントを特定する
不均衡を考慮したルーター
実際の履歴データは「KEEP」が多数を占める偏ったデータセットとなる。そのためStateCompは、凍結された言語モデルの隠れ表現（hidden representations）を用いてREADYを予測するルーターを訓練し、再現率よりも精度を優先する不均衡対応の目的関数を採用している。
実行時の要約
READY判定を受けた隣接インタラクションを連続したスパンにグループ化し、コンパクトな要約に置き換える。また、長い履歴の評価コスト削減のために有界状態表示（Bounded State Representation）も導入されている。
性能実績
ベンチマーク「WorkBuddyBench」における実験では、タスク性能を維持しながら、エージェントと要約の総トークン数を52.27%削減し、表現抽出速度を12.67倍に高速化したことが報告されている。
なぜ今注目されているのか
AIエージェントの用途が、単発の質問応答から複数ステップにわたる長期タスクへと拡張するにつれ、コンテキスト管理の効率化は実用上の重要課題となっている。StateComp以外にも、2025年10月のSemantic-Anchor Compression（SAC）や2026年1月のActive Context Compression（ACC）、2026年3月にLangChain / Deep Agents SDKへ組み込まれたAutonomous Context Compression、Agnoのツール実行結果の自動要約機能など、複数のアプローチが短期間に登場している。また2025年12月には、Factory.aiが長期エージェントセッションにおける各種圧縮戦略を評価するフレームワークを発表するなど、圧縮戦略の比較・評価という観点での取り組みも始まっており、技術の選択肢と評価軸の両面で急速に整備が進んでいる。
日本企業への示唆
AIエージェントを業務プロセスに導入する際、長期タスクの処理はAPIトークンコストと応答速度のボトルネックになりやすい。コンテキスト圧縮技術は、コスト構造 of 改善と処理速度の向上を同時に狙える手段として検討の余地がある。一方で、StateCompのような手法は独自のルーター訓練とアノテーション工程を必要とするため、導入にあたっては自社ユースケースに対応したデータ整備と技術的な実装コストを見込む必要がある。Agnoのようにしきい値設定による自動要約機能として提供されるものもあり、組み込みやすさと制御の精度を天秤にかけながら、用途に合ったアプローチを選択することが現実的だ。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
