AI News JAPAN

世界のAIニュースを最速で把握できるメディア

Advertisement

Deep Insight事例で学ぶ本番AIエージェントの4層コンテキスト設計、トークンを最大97%削減

公開:2026年11月5日, 最終更新:2026年11月5日

AWSのMachine Learning公式ブログは、オープンソースのマルチエージェントデータ分析ソリューション「Deep Insight」を参照実装として、本番AIエージェントにおけるコンテキストエンジニアリングの4層アプローチの実装方法を解説した。

30秒サマリー

  • 単一のwrite_and_executeツールにより、スクリプトのコンテキスト追加トークンを約95%削減できる
  • スキルのオンデマンドロードによりシステムプロンプトを約97%縮小できるとされる
  • 4層(アーキテクチャ・プロンプト・ツール・検証)が互いの限界を補完する設計

Deep Insightが実装する4層コンテキストエンジニアリングの要点

AWSのMachine Learning公式ブログは、Strands Agents SDKとAmazon Bedrock AgentCore上に構築されたオープンソースのマルチエージェントデータ分析ソリューション「Deep Insight」を題材に、本番AIエージェント向けコンテキストエンジニアリングの4層アプローチを解説した。ブログはシリーズ第2回にあたり、各層の実装コードを示している。

ブログが定義する4層は次のとおり。第1層(アーキテクチャ)ではマルチエージェント構成により各エージェントが独立したコンテキストウィンドウを持ち、Coordinator・Planner・Supervisor・Coderなどの専門エージェントがそれぞれ25K tokens以内に収まる設計とする。エージェント間には圧縮済みの「clues」のみを受け渡す。第2層(プロンプト)ではエージェントごとに出力トークン上限を明示し(Coderなら1,000〜1,500トークン)、コードはスクリプト単位で完結させて過去のコンテキストへの依存を排除する。

第3層(ツール)では、コードの書き込みと実行を1つの「write_and_execute_tool」に統合し、長いコードをコンテキストに入れずファイルシステムに保持する。ブログによればこの手法により、各スクリプトがコンテキストに追加するトークンを約95%削減できるとしている。さらにオンデマンドでスキルを読み込む設計によりシステムプロンプトを約97%縮小できるとも述べている。第4層(検証エージェントとセーフガード)は独立した検証と安全装置を置く最終防衛ラインと位置付けられている。

ブログでは、200Kトークンウィンドウを持つAnthropic Claude Sonnet 4.5(Amazon Bedrock上で提供)でも、「販売データを分析してDOCXレポートを作成する」といった単一タスクが15分・150K超のトークンを消費しうると指摘。コンテキスト肥大化が精度低下やコスト増大につながる「Context rot」の問題を、4層の組み合わせで対処するとしている。

出典: AWS Machine Learning Blog(公式ブログ)

なぜ重要か(編集部の分析)

編集部の見方:コンテキストウィンドウの拡大は本番エージェントの問題を自動解決しない。アーキテクチャ・プロンプト・ツール設計・検証の4層を意図的に設計しなければ、トークン消費の増大がそのままコスト増・精度低下に直結する。本記事はその4層を具体的なコードで示した点で、エージェント開発の実装指針として参照価値が高い。

日本企業への示唆(編集部の分析)

編集部の分析:日本企業がAWSや他のクラウドでAIエージェントを本番稼働させる際、トークン消費の最適化は従量課金コストに直接影響する。Deep Insightの実装パターン(エージェント間でフル会話履歴でなく圧縮cluesを受け渡す、コードをコンテキストに入れないwrite_and_executeツール)は、すでにStrands Agents SDKに組み込まれており、自社実装のハードルは低い。まず自社エージェントのトークン消費を計測し、第3層のツール統合から着手するのが費用対効果の高い切り口となる。

背景・経緯

ブログによれば、本記事は3部構成シリーズの第2回にあたる。第1回では本番マルチエージェントシステムが直面する5つの課題とStrands Agents SDK・Amazon Bedrock・AWS Fargateによる対処を解説した。第3回(近日公開予定)ではAmazon VPC上での本番デプロイと運用を扱う予定とされている。コンテキストエンジニアリングの手法はAnthropicが公開した複数のエンジニアリング記事(2025年9月付として原文に引用)を元に整理されたとされる。

Deep Insightについてよくある質問

Q. Deep Insightのwrite_and_executeツールはどのようにトークンを削減するのか?

A. コードの書き込みと実行を1つのツールにまとめることで、生成されたコードをコンテキストのメッセージとして蓄積しない。ツールはコードをファイルに保存・実行した後、「105行を書き込み、実行成功」といった要約のみを返す。ブログではこの手法で各スクリプトのコンテキスト追加トークンを約95%削減できると述べている。

Q. Deep Insightではエージェント間でどのような情報を受け渡すのか?

A. shared_stateというPython辞書に、前エージェントの最終メッセージ(messages)・各エージェントの圧縮サマリー(clues)・計画チェックリスト(full_plan)・エージェント名と発言の簡易ログ(history)の4項目のみを格納する。全会話履歴でなく圧縮されたcluesのみを渡すことでコンテキスト肥大化を防ぐ設計とされている。

Q. Deep Insightが対象とするContext rotとはどのような問題か?

A. コンテキストウィンドウ内のトークン数が増えるほど、モデルがコンテキスト中の情報を正確に想起する能力が低下する現象を指す。ブログではAnthropicの2025年9月付けの文書を引用し、この現象をContext rotと定義したうえで、4層のコンテキストエンジニアリングがその対策になると説明している。

関連記事