コンテキストエンジニアリングは、AIに渡す情報の範囲、順序、粒度を設計し、AIが判断しやすい状態に整える考え方です。
プロンプトエンジニアリングが「どう指示するか」に寄るのに対し、コンテキストエンジニアリングは「何を材料として渡すか」に寄ります。
まず押さえたいポイント
- AIに必要な情報を選び、余計な情報を減らす
- ファイル、履歴、仕様、ログ、検索結果などの渡し方を設計する
- 情報量を増やせばよいわけではない
- AIエージェントや社内検索AIで特に重要になる
なぜ重要か
LLMは、渡された情報をもとに回答や行動を組み立てます。
必要な前提が抜けていれば、もっともらしいが間違った出力になりやすいです。逆に、関係ない情報を大量に渡すと、重要な条件を見落としたり、古い情報を根拠にしたりします。
コード修正なら、対象ファイル、関連テスト、設計方針、過去の変更理由を適切に渡す必要があります。
社内検索なら、検索結果の本文だけでなく、更新日、権限、文書の種類、根拠URLも判断材料になります。
プロンプトエンジニアリングとの違い
プロンプトエンジニアリングは、目的、制約、出力形式、例をどう書くかを扱います。
コンテキストエンジニアリングは、AIがその指示を実行するために必要な材料をどう集め、どう並べ、どう削るかを扱います。
たとえば「この仕様に合わせてコードを直して」と指示しても、古い仕様書しか渡していなければ正しく直せません。
逆に、リポジトリ全体を雑に渡すと、AIが関係ない実装へ引っ張られることがあります。
実務で見るポイント
まずは、AIの失敗ログを見て「情報不足で失敗したのか」「情報過多で迷ったのか」「指示が曖昧だったのか」を分けると改善しやすいです。
情報不足なら検索範囲や取得ルールを増やし、情報過多なら要約、優先順位、ファイル選別を入れます。
AIエージェントでは、コンテキストだけでなく、評価、ツール、権限、ログも一緒に設計する必要があります。
その周辺をまとめて扱う考え方が、ハーネスエンジニアリングです。