Share
Embed
コンテキストエンジニアリングとは何か?〜Claude Codeを使った実践テクニックとコンテキスト設計〜
コンテキストエンジニアリングとは何か?〜Claude Codeを使った実践テクニックとコンテキスト設計〜
t-kikuchi
October 18, 2025
Transcript
47 slides
-
自己紹介 名前: 菊池 聡規(とーち) 部署: クラウド事業本部 普段の業務: AWSのコンサルティングやピープルマネジメント どちらかと言えばインフラ寄りの領域を担当 Xアカウント:
https://x.com/tttkkk215 ブログ: https://dev.classmethod.jp/author/tooti/ 好きな技術: コンテナ、Terraform、生成AI 2 -
1. 導入 (2分) 2. 理論編: Anthropicが語るコンテキストエンジニアリング (7分) 3. 実践編: 登壇者の実装例(ライブデモ)
(10分) 4. 対話編: あなたのコンテキストエンジニアリング (8分) 5. クロージング (2分) 本日のアジェンダ 4 -
目的 「コンテキストエンジニアリング」の具体的な実践方法を共有 双方向で知見を共有しあう場 アプローチ Anthropicの記事「Effective Context Engineering for AI Agents」を噛み砕いて説明
登壇者の実装例をライブデモ 参加者同士でディスカッション このセッションについて 5 -
コンテキスト構成 = 「LLMに渡す情報の組み合 わせ方・配置の仕方」 主要な構成要素: ① システムプロンプト ② CLAUDE.md ③
ツール定義(MCP/スラッシュコマンド) ④ 会話履歴 ⑤ 外部メモリからの情報 ⑥ ユーザーの入力 これら全体が「コンテキスト」 ※ 画像は https://www.anthropic.com/engineering/effec tive-context-engineering-for-ai-agents より 引用 コンテキスト構成とは? 8 -
Attention Budget(注意予算) = 同時に効果的に処理できる情報量には限界がある 人間の例で理解 会議の議題が1つ(シンプル) ├── メインテーマに100%集中できる └── 細かい内容まで覚えている
会議の議題が5つ(複雑) ├── それぞれに20%ずつ分散 ├── 重要な点は覚えているが、細部は曖昧 └── 最初の方の議題を忘れかける 情報が増えるほど、1つあたりに割ける注意力が減る 具体的な制約:注意力の予算 10 -
コンテキストの各要素を最適化する 実践例1: システムプロンプト 具体的すぎず(硬直的になる) 、抽象的すぎず(曖昧になる) 「適切な粒度」で記述する 実践例2: ユーザーの入力(プロンプト) 反復的改善: 最小限から始めて失敗から学ぶ
Few-shot: 多様で代表的な例を選ぶ 「最小限の高信号トークン」を意識 Anthropicの考え方 14 -
実践例3: 外部情報 全部渡さない(注意予算の無駄) 必要な情報だけ選別(Just in Time取得) 構造化して渡す 実践例4: ツール定義 全部有効にしない(トークン消費)
必要なものだけ絞る MCP、カスタムスラッシュコマンド、サブエージェントも対象 Anthropicの考え方(続き) 15 -
Anthropic: 「例は千の言葉に値する」 推奨: 多様で代表的な例を選ぶ 例: ナレッジを適切なフォルダに分類する - 明確: 「1on1(田中さん)」 →
07_Areas/ManagerWork/1on1/ - パターン付き: 「*ウェビナー」「*webinar」 → 01_knowledge/ - 判定必要: 「〇〇株式会社様月次MTG」 → 06_Projects/<顧客名>/ 避ける: エッジケースを50個列挙 プロンプト最適化:Few-shot Prompting 18 -
"ちょうど必要なとき"にコンテキストを取得 1. エージェントがタスクを開始 2. 必要だと判断したときに、検索ツールを使用 3. 必要な情報だけ取得 4. 次のステップへ ハイブリッド戦略:
事前取得 + 動的探索 Claude Code の実装例: 事前取得: CLAUDE.md ファイル 動的取得: glob と grep のような基本ツール 外部情報の最適化:Just in Time取得 19 -
実装の鍵:メタデータを活用 全データを事前処理せず、軽量の識別子のみ維持 ファイルパス、保存されたクエリ、Webリンクなど 必要時に動的にコンテキストへ読み込み メタデータが「何を読むべきか」の判断基準になる メタデータがシグナルになる 各メタデータが次のアクションの決定を知らせる: フォルダ階層 → どの機能に属するか
ファイルサイズ → 複雑性を示唆 命名規則 → 目的を示唆 タイムスタンプ → 関連性の代理指標 Just in Time取得の実装:メタデータの力 20 -
長期タスク(数時間〜複数日)では、コンテキストウィンドウの制約を乗り越える特別な技術 が必要 1. Compaction(圧縮) 会話履歴を要約して、コンテキストを圧縮 2. Structured note-taking(構造化ノート作成) 外部メモリに構造化して保存 3.
Multi-agent architectures(マルチエージェント) 複数の専門エージェントに分割 Anthropicの3つのアプローチ 22 -
会話が長くなりすぎる前に重要な情報だけを抽出して要約し、新しいコンテキストで会話を続 ける Claude Codeの実装例 1. メッセージ履歴を要約 2. 保持: アーキテクチャ決定、未解決バグ、実装詳細 3.
破棄: 冗長なツール出力、重複メッセージ 4. 圧縮コンテキスト + 最近の5ファイルで再開 アプローチ1: 圧縮(Compaction) 23 -
Obsidian Vault(外部メモリ) Daily Notes: 日次の作業記録 カスタムコマンド: Claude Codeが構造化記録 を自動生成 主要コマンド:
/tasks:task-chkpoint - 作業進捗を構造化して 記録(圧縮+構造化) /tasks:task-resume - 過去の進捗から作業再 開 /tasks:task-cleanup - デイリーノートの内容 をマークダウンヘッダに沿って適切なフォル ダに分類しタグ付け ObsidianとClaude Codeを組み合わせたコンテキスト管理のしくみ 27 -
作業終了時 # 何か開発作業を実施... # 作業終了時 /tasks:task-chkpoint 結果 デイリーノートに構造化記録が保存される: 圧縮: 冗長なセッション情報→固定フォーマット
外部メモリへの構造化: 概要/実施内容/課題/次のステップ/環境情報 29 -
## 実行手順 1. 日付取得: 現在の日付と時刻を取得 2. デイリーノート確認: Ivy Lee Methodセクションを読み込み
3. 進捗記録追加: 作業セッションの最下部に時系列順で挿入 ### [実際の作業セッション名] - 進捗記録 (YYYY-MM-DD HH:MM時点) - **概要**: [実施作業の概要] - **実施内容**: [具体的な作業手順・使用ツール・修正ファイル] - **課題**: [解決すべき具体的問題・エラー・原因仮説] - **次のステップ**: [具体的アクション・必要リソース] - **環境情報**: - 作業ディレクトリ: [相対パス] - 関連ファイル: [作成・修正・参照したファイル] /tasks:task-chkpoint の主要処理 30 -
## 処理内容 1. タスク情報の取得 - キーワード検索でIvy Lee Methodセクションから該当タスクを抽出 2. 進捗情報の読み込み
- デイリーノートに進捗記録がある → そのまま表示 - 「作業進捗ノート」参照のみ → 作業進捗ノートから読み込み 3. 作業環境状況の確認と次のアクション提示 - 作業ディレクトリ、環境情報、認証情報の状況を把握 - 継続可能な作業オプションを提示 /tasks:task-resume の主要処理 32 -
/docs:cleanup-content でプロンプトを最適化 # 冗長なプロンプトを最適化 /docs:cleanup-content /Users/kikuchi.toshinori/.claude/commands/demo-aws-update-logger.md ポイント 削除対象(低信号): 重複する内容、冗長な表現、不要な説明 保持対象(高信号):
コード例、例示(Few-shot Prompting) Anthropic原則: 「最小限の重要な情報で、最大の成果を出す」 34 -
## 整理の基準 1. 削除対象(低信号トークン) - 重複する内容・冗長な表現・回りくどい説明 - 使われていないコード・過度に詳細な説明 2. 保持対象(高信号トークン)
- `<example>`タグ内の具体例 - コード例、良い例・悪い例の対比 - エラーハンドリング、セキュリティ関連 3. 注意点 - 機能性は維持・可読性を保つ - 重要な情報は保持 /docs:cleanup-content の主要処理 35 -
/dev:slash-command-fix でプロンプトを改善 # カスタムスラッシュコマンド実行 /demo-aws-update-logger https://aws.amazon.com/... # 修正ポイントを記載して修正 /dev:slash-command-fix aws-knowledge-mcpを使って情報を取得して、
また取得した情報を構造化したフォーマットで出力して ポイント 反復的改善: 日常的にプロンプトを改善する 36 -
## 実行手順 1. 問題分析 - コマンドファイルを読み込み - 根本原因を特定(誤った動作、曖昧な指示) - allowed-tools制約違反の確認
2. 最小限修正の適用 - 厳守事項を`## 厳守事項`セクションで明示 - 具体的なパス指定で曖昧さを排除 - 条件分岐の明確化(IF〜THEN〜ELSE) 3. 修正内容の記録 - 何を修正したか・なぜ必要だったか - 今後の類似問題を防ぐ教訓 /dev:slash-command-fix の主要処理 37 -
理論と実装の対照表 要素 Anthropic理論 私の実装 外部メモリ エージェントが重要情報を保存 デイリーノート 構造化 一貫したフォーマット マークダウン形式、固定項目
圧縮 会話履歴の要約 セッション情報→構造化フォーマット 注意予算最適化 必要な情報だけ渡す キーワード検索で該当タスクのみ取得 反復的改善 最小限から始めて失敗から学ぶ /dev:slash-command-fix トークン最小化 高信号トークンのみ保持 /docs:cleanup-content デモの振り返り 38 -
コンテキストの各要素を最適化 1. システムプロンプト: 適切な粒度で記述 2. ユーザー入力: 反復的改善、Few-shot、最小限の高信号トークン 3. 外部情報: Just
in Time取得、構造化 4. ツール定義: 必要なものだけ絞る 長期タスクの3つのアプローチ 1. 圧縮: 会話履歴を要約 2. 構造化ノート: 外部メモリに構造化保存 3. マルチエージェント: 専門エージェントに分割 コンテキストエンジニアリングの実践要素 45