コンテキストの限界を突破する

制作・開発

Z. Xingjie

2026年02月27日

コンテキストの限界を突破する
—— 「読む」AIから、「文脈を創る」AIへの進化

「プロンプトエンジニアリング（人間が頑張る）」から「OpenClaw（AIが自律的に頑張る）」へと進化し、結果として人間がコンテキストの制約から解放されるというストーリー。

人間とAIのインタラクションにおける最大のボトルネック、それは「コンテキストの制限」でした。
これまで私たちは、限られたウィンドウサイズの中でいかに効率よく意図を伝えるか、必死に工夫を重ねてきました。

しかし今、その壁は崩れつつあります。
AI自身がコンテキストを自律的に管理する「OpenClaw」アーキテクチャへの進化が始まっているのです。
これは単なる技術革新ではなく、私たちがより本質的な創造に集中するための必然的な変化です。

Context Evolution Roadmap

Prompt Eng.

Static Rules

RAG & Tools

Retrieval

Long Context

Volume

OpenClaw

Autonomy

01. Rules · Commands (静的コンテキスト)

System Prompts (システムプロンプト)

概念解説：デスクの上の「業務マニュアル」

AIに「あなたは優秀なエンジニアです」といった役割や振る舞いのルールを定義する、最も基本的な指示セットです。
例えるなら、新入社員のデスクに置かれた「業務マニュアル」や「付箋」のようなものです。仕事（対話）を始めるとき、まずこれを見て自分の役割を確認します。

課題：忘却 (Forgetfulness)

コンテキストウィンドウには物理的な限界があります。会話が進むにつれて初期のルールが押し出され、AIは指示を「忘れて」しまいます。

解決策：永続化 (Persistence)

ルールファイルを自動的に注入し続ける仕組みにより、どれだけ会話が続いても重要な制約や設定を維持します。

具体的なシーン

terminal

                                            // ユーザー: 今晩の夕食のレシピを教えて

                                            AI (忘却時): もちろんです！カレーはいかがですか？

                                            [Error] 役割違反: AIはPythonの専門家として振る舞うべきです

                                            System (自動注入): あなたはPythonの専門家です。コードで答えてください。

                                            AI (修正後): def cook_dinner(): return “Curry”

02. Modes · Subagents (動的切替)

Subagents (サブエージェント)

概念解説：専門家チームへの「外注」

「コーディングモード」「ライティングモード」のように、特定のタスクに特化した専門家（Subagent）を切り替えて使用する手法です。
一人の何でも屋さんに頼むのではなく、「法律のことは弁護士へ」「病気のことは医者へ」と、その道のプロフェッショナルに仕事を振り分けるイメージです。

課題：指令混同 (Confusion)

「厳格なコード」と「創造的な文章」など、相反する指示を一つのコンテキストに混ぜると、AIはどちらに従うべきか混乱します。

解決策：分離 (Isolation)

特定のシーンに対してのみ、特定のプロンプト（Subagent）をロードします。コンテキストを分離することで、専門性と精度を両立させます。

具体的なシーン

terminal

                                            // ユーザー: このアプリの仕様書を書いて

                                            Main Agent: タスクを分解します。

                                            1. Research Agent: 競合アプリの機能を調査

                                            2. Writer Agent: 調査結果を元に文章を作成

                                            3. Reviewer Agent: 誤字脱字をチェック

                                            -> 各エージェントは独立したコンテキストで作業し、最高品質の成果物を統合します。

03. MCP Tools (ツール増強)

External Tools (外部ツール連携)

概念解説：Webのツール化（WebMCP）

本シリーズ第7回「AI側によるWebのツール化」で予測した未来が、GoogleのWebMCP (Web Model Context Protocol)のEarly Preview公開（Chrome 146 Canary）によって、ついに実装段階に入りました。
Webサイトが navigator.modelContext を通じて「私は在庫確認ができます」「予約ができます」とAIに自己申告する仕組みです。
これにより、Webは単なる「閲覧対象」から、AIが信頼して操作できる「機能の集合体（Tools）」へと進化します。

WebMCP 活用事例

ECサイト：在庫確認

従来は画面を目視（スクレイピング）して判断していましたが、checkInventory ツールにより、AIはAPI経由で正確な在庫数を即座に取得できます。

                                                        navigator.modelContext.registerTool({

                                                          name: “checkInventory”,

                                                          parameters: { sku: “string” }

                                                        });

予約サービス：空席照会

レストランやサロンの予約も、findAvailableSlots ツールを通じて、AIがカレンダーUIを操作することなく、空き枠を特定・予約できます。

                                                        navigator.modelContext.registerTool({

                                                          name: “findAvailableSlots”,

                                                          parameters: { date: “date” }

                                                        });

課題：コンテキスト膨張 (Inflation)

ツールの定義（スキーマ）自体がトークンを消費します。多数のツールを使おうとすると、定義だけでコンテキストが埋まり、肝心の指示が入らなくなります。

解決策：実行力 (Execution)

テキストの境界を打破します。「言う（提案）」から「行う（実行）」へ。必要な時に必要なツールだけを動的に接続し、実効性を最大化します。

具体的なシーン

terminal

                                            // ユーザー: 東京の天気を調べて、結果をメールで送って

                                            AI: 承知しました。

                                            1. [call_tool: weather_api] -> “Tokyo: Sunny, 25°C”

                                            2. [call_tool: gmail_api] -> send_mail(to: user, body: “Sunny…”)

                                            Done. メールを送信しました。

                                            -> 実際に外部サービスを操作してタスクを完遂。

04. Open Claw & Autonomy (自律的進化)

Autonomous Skill Scheduling

概念解説：「Open Claw」による自律操作

MCPが確立したツール連携の標準は、AIの能力を物理世界へと拡張しました。この堅牢な基盤の上で、現在新たに注目されているのが「ツールの爆発的な増加」への対応です。
「Open Claw」アーキテクチャは、静的なツール定義に加え、AIが必要なスキルを自ら判断し、動的にロード（Scheduling）するアプローチを提案しています。
「与えられた道具で戦う」段階から、「必要な道具を自ら調達する」自律的なエージェントへの、自然な進化の形と言えるでしょう。

課題：静的定義の限界 (Static Limits)

全てのツールを事前にコンテキストに含める方法は、確実性がある一方で、トークンの消費や管理コストの増大という側面も持ち合わせます。想定外のタスクへの柔軟な対応も、今後の課題の一つです。

解決策：スキル自律スケジューリング

静的な定義を補完する形で、AIがタスクに応じて必要な「Skill」を動的にロードする仕組みです。リソース効率と適応力を両立させるアプローチとして注目されています。

具体的なシーン

terminal

                                            // ユーザー: 最新の.xyz形式のデータを解析して

                                            AI (Open Claw): 

                                            [Warning] .xyz形式のパーサーが見つかりません。

                                            -> Self-Scheduling: “xyz-parser” スキルをリポジトリから検索… ヒット。

                                            -> Loading Skill… 完了。

                                            AI: 「新しいスキルをロードしました。解析を開始します…」

                                            -> 未知のタスクでも、自ら能力を拡張して対応。