Claude 5時代のコンテキスト設計とAIエージェントの長期記憶・検証手法

AIエージェントを一人で開発・運用するエンジニアに向けて、実装知見や開発ツールの最新動向をまとめました。最新のClaude 5世代モデルに対応したコンテキスト設計や、複数エージェントの長期記憶を管理する仕組みが具体化しています。さらに、Claude Codeでのタスク駆動開発を効率化するプラグインや、データベースに直接AI向けの指示を埋め込む手法など、実務に直結する設計手法を解説します。

コンテキスト設計の新原則

Claude 5世代のモデルでは、ルールや例を大量に与える従来のプロンプト設計から、段階的開示やインターフェース設計を重視する手法へと移行しています。Anthropicは、以前のベストプラクティスの一部が現在では神話になったと指摘しています。新しいモデルは優れた判断力を備えているため、明示的なルールで縛るよりも、周囲のコードのコメント密度や命名規則に合わせるよう指示する方が効果的です。また、ツールの使用例を大量に提示するのではなく、パラメータの構造を表現力豊かに設計することが求められます。\n\n開発者にとって、CLAUDE.mdなどの設定ファイルを軽量に保ち、必要な情報だけを適切なタイミングで読み込ませる「段階的開示」の設計が重要になります。例えば、詳細な検証手順やコードレビューのルールは、CLAUDE.mdにすべて書き込むのではなく、個別のスキルやツールとして切り出して必要な時だけ呼び出すようにします。これにより、コンテキストウィンドウの消費を抑えつつ、モデルの世代交代に自動追従する柔軟なエージェントシステムを構築できます。

出典: The new rules of context engineering for Claude 5 generation models

長期記憶サーバーによるチーム運用

個人で複数のAIエージェントを並行運用する開発において、エージェントごとの担当や判断をSQLiteに蓄積・管理する「Agent Memory Server (AMS)」が公開されました。2026年7月23日にv0.1.0がリリースされたこのサーバーは、FastAPIで動作し、全文検索とベクトル検索を組み合わせて記憶を検索します。従来のユーザー単位のメモリとは異なり、技術担当や事業担当といった役割の異なる複数のAIが、それぞれの担当領域や過去の設計判断をセッションをまたいで引き継ぐための仕組みを提供します。\n\nこの仕組みの導入により、開発者はAIエージェントに何度も同じ説明を繰り返す負担から解放されます。AMSは、あるエージェントが別のエージェントの記憶を誤って上書きするのを防ぐため、記憶に所有者を設定してHTTP 403で拒否する「owner gate」機能を備えています。また、AIの自発的なメモリ参照に依存せず、セッション開始時にシステム側で決定的にコンテキストを配信する設計を採用しており、運用の単純さとデータの所有権を優先したSQLiteによる単一ファイル管理が特徴です。

出典: 自分一人で複数のAIを使うためのAgent Memory Serverを作った

タスク駆動開発の汎用化設計

Claude Codeでの開発手順を11個の汎用的なskillにまとめ、プロジェクト固有の情報を3層で動的に吸収する「workflow」プラグインが共有されました。このプラグインは、プロジェクトのプロファイル、Globやlsによる動的検出、CLAUDE.mdなどの権威参照という3つのレイヤーで実行時に事実を解決します。これにより、パスや技術スタックなどの固有情報をskill本文にハードコードすることなく、あらゆるプロジェクトでそのまま動作するタスク駆動開発の環境を構築できます。\n\nこのプラグインを導入することで、AIが勝手に作業スコープを縮小して完了報告してくる問題を機械的に防止できます。具体的には、実装をサブエージェントに委託し、メインAIは検証者としてdiffとチェックリストを機械的に突合してスコープ縮小の兆候をgrepで検出します。さらに、実行時に利用可能な上位モデルから複数を選んで並列レビューを行わせる仕組みや、環境に応じて3段階で自動縮退して動作する設計が取り入れられており、開発運用の安定性が向上します。

出典: Claude Code のタスク駆動開発を skills 化して全プロジェクトで使い回す

サブエージェントと検収の仕組み

AIの劣化を防ぐため、1タスクごとに使い捨てのサブエージェントを起動して実装させ、メインAIが「検収3点セット」で実物を検証する開発体制が有効です。AIは文脈が長くなるほど性能が低下するため、タスクごとに新品のサブエージェントを起動することで、常に最適な状態でコードを書かせることができます。実装モデルには、壊れると気づきにくいゲームロジック等にはSonnetを、データ再生成などの機械的な作業にはHaikuを割り当て、メインAIは設計判断と検収に専念させます。\n\nこの開発体制により、AIが実在しないコミットSHAを報告したり、無関係なテストを巻き添えで削除したりする「もっともらしい嘘」やミスを確実に排除できます。検収3点セットでは、報告されたコミットSHAの実在確認（git cat-file -t）、コミットされたファイルの越境確認（git show –name-only）、およびテストの再実行をメインAIが自動で行います。報告文を一切信用せず、gitの履歴や実行結果という「実物」だけを照合することで、品質管理の信頼性を担保します。

出典: Claude Codeのサブエージェント駆動開発——1タスク1AI＋二段レビューで、AIの報告を検収する話

DBのコメントを活用した指示埋め込み

AIエージェントがデータベースを正しく理解できるように、PostgreSQLのCOMMENT ONやビュー定義に特定の規約タグを用いて「意味」を記述する手法が提唱されています。生のDDLだけを参照するAIは、列名や型を正しく読めても、どの列が古いキャッシュで、どのビューが正本であるかといった背景を把握できません。そこで、COMMENT ONの中に「@ai」や「@policy」といった行頭タグを半角コロン区切りで記述し、AIが解釈できる構造化された指示を埋め込みます。\n\nこの手法を取り入れることで、AIが使ってはいけない古いキャッシュ列を売上集計に用いるような「静かに間違う」罠を回避できます。例えば、使ってはいけない列のコメントに「@ai: レポートに使わないこと。売上はvw_recognized_revenueから計算する」と記述すれば、Kozouなどのツールを介してAIに直接警告が届きます。また、正しい集計ルールをビューとして定義し、そのビューに「@example」タグで代表的なクエリ例を添えることで、AIは生テーブルから再導出せずビューを優先して利用します。

出典: AI に効くスキーマの書き方 — PostgreSQL の COMMENT ON とビュー定義に「意味」を書く

この日の動きをどう見るか

複数の素材に共通する流れとして、AIエージェントを単発の回答ツールとしてではなく、継続的に運用可能な「自律的な開発チーム」として設計・管理する手法が急速に具体化しています。これまではプロンプトにルールを詰め込む手法が主流でしたが、最新のモデル性能の向上に伴い、段階的な情報の開示や、明確なインターフェース設計へとアプローチが変化しています。\n\nまた、AIの出力や判断を盲信せず、システム側で決定的にコンテキストを配信したり、gitの履歴やテスト結果といった「実物」と機械的に照合して検収したりする「規律」の重要性が増しています。データベースのスキーマに直接AI向けの指示を埋め込む手法も含め、開発ツールや設計手法は、AIの自発性に依存しない、より堅牢で保守性の高いアーキテクチャへと進化しています。