新シラバス 第3章 AIエージェントの仕組み
コンテキストエンジニアリングとは（プロンプトとの違い）
生成AIパスポートの新シラバス（2027年2月試験より適用）では、AIエージェントが第3章として独立し、「AIエージェントの仕組み」の学習項目にコンテキストエンジニアリングが入っています。コンテキストエンジニアリングは、AIが推論するときに渡す情報全体を、何を入れるかまで含めて設計することです。
このページは、公式シラバスの項目に沿って、Anthropicのエンジニアリング記事の範囲で整理しています。特定の製品の設定方法ではなく、試験対策としての用語の整理です。なお、この語の定義は、公式シラバスが個別に定めているものではなく、ここではAnthropicの説明を紹介しています。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-08-31。
試験の出題範囲・実施要項は変動するため、受験前に公式情報を確認してください。
結論
- コンテキストとは、LLMが推論するときに入る情報（トークン）の集合。コンテキストエンジニアリングは、その最適な集合を選んで保つための戦略
- プロンプトエンジニアリングは指示の書き方と整理、コンテキストエンジニアリングはプロンプト以外の情報も含む全体の管理（プロンプトもその一部）
- 情報が増えるほど正確に思い出す力が下がる（コンテキストロット）ため、必要最小限の質の高い情報に絞る
- 長い作業では、圧縮、構造化したメモ取り、サブエージェントの構成という3つの手法で、コンテキストの限界を補う
コンテキストエンジニアリングの定義
Anthropicの記事は、コンテキストを、LLMから出力を引き出すときに含まれるトークンの集合としています。コンテキストエンジニアリングは、LLMの推論の間、プロンプト以外に入り込むものも含めて、最適なトークン（情報）の集合を選んで保つための戦略の総称です。
同じ記事は、LLMを使った開発の問いが「プロンプトにどんな言葉を使うか」から、「どんな構成の文脈がモデルの望ましい挙動を最も引き出しやすいか」に広がっていると説明しています。書き方の工夫から、渡す情報全体の設計へ、という視点の広がりが要点です。
一次資料: Anthropic Engineering「Effective context engineering for AI agents」（2025年9月29日）
プロンプトエンジニアリングとの違い
Anthropicは、コンテキストエンジニアリングをプロンプトエンジニアリングの自然な発展と位置づけています。複数回の推論を重ね、長い時間にわたって動くエージェントでは、システムへの指示、ツール、MCP、外部データ、メッセージ履歴など、コンテキストの状態全体を管理する戦略が必要になる、という説明です。
| 観点 | プロンプトエンジニアリング | コンテキストエンジニアリング |
|---|---|---|
| 対象 | LLMへの指示（特にシステムプロンプト）の書き方と整理 | 推論の時点でLLMに渡す情報（トークン）全体を選び、保つこと |
| 含むもの | 指示文（システムプロンプトが主な焦点）。コンテキストの一部としてコンテキストエンジニアリングにも含まれる | システムへの指示、ツール、MCP、外部データ、メッセージ履歴など、プロンプト以外の情報も含む |
| 性質 | プロンプトを書くという個別の作業 | AIに何を渡すか決めるたびに行う、繰り返しの作業 |
コンテキストエンジニアリングはプロンプトを含む、より広い管理です。MCPがこの管理の対象に含まれる点は、MCPとはで外部との接続の仕組みを整理しています。
コンテキストを絞る理由
Anthropicは、長い文章から特定の情報を探すベンチマークの研究で、コンテキストロットという概念が見つかったと説明しています。コンテキストウィンドウ内のトークンが増えるほど、モデルがその中の情報を正確に思い出す能力が下がる現象です。モデルによって下がり方の緩やかさは違いますが、この性質はすべてのモデルに現れるとされています。
そのため同じ記事は、コンテキストを収穫が逓減する有限の資源として扱うべきだとしています。人間の作業記憶に限りがあるのと同じように、LLMにも情報を読み取るときに使う「注意の予算」があり、新しいトークンが入るたびにそれが少しずつ減る、というたとえです。結果として、望む結果が得られる可能性を最大にする、質の高い最小限のトークンの集合を見つけることが、良いコンテキストエンジニアリングだとされます。
コンテキストウィンドウが大きくなっても、情報を多く入れれば入れるほど良いわけではありません。記事は、あらゆる大きさのコンテキストウィンドウで、当面は情報の混入と関連性の問題が残るだろうとも述べています。
長い作業を支える3つの手法
Anthropicは、長い時間にわたる作業でコンテキストウィンドウの大きさの制約を補う手法として、次の3つを挙げています。向く作業の違いも合わせて示されています。
| 手法 | 内容 | 向く作業 |
|---|---|---|
| 圧縮（コンパクション） | コンテキストウィンドウの上限に近づいた会話を要約し、その要約を引き継いで新しいコンテキストウィンドウを始める | 往復のやり取りが多く、会話の流れを保ちたい作業 |
| 構造化したメモ取り（エージェント的なメモリ） | エージェントが、コンテキストウィンドウの外の記憶に定期的にメモを書き出し、後で必要なときにコンテキストへ戻す | 区切りとなる節目のある、反復的な開発 |
| サブエージェントの構成 | 専門のサブエージェントが、まっさらなコンテキストウィンドウで個別の作業を行い、要約した結果だけを返す。主のエージェントは全体の計画を調整する | 並行して探索する価値のある、複雑な調査や分析 |
共通する考え方は、今のコンテキストに全部を抱え込まず、必要なものだけを持ち、残りは外に置くことです。記事は、事前にすべてを取り込む代わりに、ファイルのパスやリンクなどの軽い識別子だけを持ち、必要なときにツールで読み込む「ジャストインタイム」の方法も紹介しています。メモ取りは、シラバスの詳細キーワードにある「記憶（メモリ）」と近い話題です。
シラバスとの対応
コンテキストエンジニアリングは、新シラバスの第3章「AIエージェントの仕組み」に出ます。
| 場所 | 内容 |
|---|---|
| 第3章 AIエージェント／AIエージェントの仕組み | 学習項目に「記憶（メモリ）とコンテキスト管理」「コンテキストエンジニアリング」「推論と行動のフィードバックループ」が並ぶ |
| 第3章 AIエージェント／AIエージェントの仕組み（詳細キーワード） | タスク分解と計画、Function Calling、Tool Use、記憶（メモリ）、コンテキスト管理、コンテキストエンジニアリング、システムプロンプト、ガードレール、構造化出力、フィードバックループなど |
章立ての変更点は2027年2月試験の新シラバスに、現行（旧シラバス）の第3章の演習は第3章の問題を解くから取り組めます。試験での出題を予想するものではありません。
よくある質問
コンテキストエンジニアリングとは、一言でいうと何？
Anthropicは、LLMが推論するときに入る情報（トークン）の集合のうち、最適なものを選んで保つための戦略の総称と説明しています。AIに何を見せるかを設計することと押さえます。
プロンプトエンジニアリングは不要になった？
そう書かれてはいません。Anthropicは、コンテキストエンジニアリングをプロンプトエンジニアリングの自然な発展と位置づけています。プロンプトの書き方は、扱う範囲の一部として残ります。
コンテキストウィンドウが大きければ、何でも入れてよい？
Anthropicは、トークンが増えるほど、そこから情報を正確に思い出す能力が下がる「コンテキストロット」が、すべてのモデルで現れると説明しています。そのため、コンテキストは収穫が逓減する有限の資源として扱うべきだとしています。大きなウィンドウを待つだけでは足りない、という立場です。
コンテキストロットとは？
コンテキストウィンドウ内のトークンが増えるにつれて、モデルがその中の情報を正確に思い出す能力が下がる現象です。Anthropicは、長い文章の中から特定の情報を探すベンチマークの研究で見つかった概念として紹介しています。
長い作業でコンテキストが足りなくなったら、どうする？
Anthropicは、圧縮、構造化したメモ取り、サブエージェントの構成という3つの手法を挙げています。会話の流れを保つなら圧縮、節目のある開発ならメモ取り、並行して探索する調査ならサブエージェントが向く、という整理です。
