結論から
AI は、毎回、その場で渡された文章（コンテキスト＝文脈）だけを見て考えます。前回の記事で見たとおり、AI は「次の言葉」を確率で選ぶ装置です（→ LLMの仕組みの記事）。その予測のよりどころは、そのとき手元にある文脈がすべて。だから、AI をうまく使えるかどうかは、ほとんど「必要な文脈を、過不足なく渡せているか」で決まります。
この記事で伝えたいのは、この一点だけです。文脈は「足りない」と答えられず、「多すぎる」と薄まって精度が落ちる。だから、たくさん詰め込むほど賢くなるのではない。「必要なことを、必要なだけ」渡すのが肝心。 そして——RAG も、MCP も、スキルも、AI エージェントも、ハーネスも、突きつめると全部この「文脈をどう出し入れするか」の工夫です。ここが分かると、AI 活用の話が一本の線でつながります。
- コンテキストとは：AI がその回答を作るときに「見ている」文章の全体。会話の履歴、あなたの指示、渡した資料。AI はこれ以外を知らないし、基本的に記憶もしていない
- 足りないと：前提・背景・資料を渡さないと、AI は一般論や見当違いを返す。「察して」は通じない（→ だから RAG がある）
- 多すぎると薄まる：長ければ良い、ではない。関係ない情報を大量に入れると、大事な部分が埋もれて精度が落ちる（研究で実証。真ん中の情報は正答率が30%以上下がる）
- だから：エージェントやハーネスの工夫は、ほぼ全部「毎回どの文脈を入れ、何を削るか」の設計。「必要なことを、必要なだけ」
動画版（約2分半）は本文の上に埋め込んであります。
① コンテキストとは：AIが「見ている」文章のすべて
AI は、あなたと話すたびに、記憶をリセットした相手だと思ってください。前の会話を覚えているように見えても、実際は「その会話の履歴を、毎回まとめて渡し直している」から、覚えているように見えるだけです。AI が回答を作るときに手元にあるのは、そのとき渡された文章の束——あなたの質問、これまでのやり取り、指示、貼り付けた資料。これを、まとめてコンテキスト（文脈）と呼びます。
大事なのは、AI は、このコンテキストの中にある情報しか使えない、ということです。コンテキストに無いことは、（学習した一般知識を除けば）知りません。あなたの会社のルールも、昨日決めたことも、渡していなければ、存在しないのと同じです。
そして、一度に渡せる量には上限があります。これをコンテキストウィンドウと呼びます。「AI が一度に読み込める文章の量」の器の大きさです。ここに、質問も、資料も、これまでの会話も、全部入れます。器が大きいモデルほど、たくさん入りますが、「入るからといって、全部入れれば良い」わけではない——これが、この記事の山場です。
② 足りないと：AIは「察して」くれない
まず、よくあるつまずきは「文脈が足りない」方です。AI は、あなたの頭の中や、あなたの状況を知りません。だから、前提を省くと、一般論しか返せません。
「いい感じにして」「よしなに直して」——こういう指示で期待どおりの答えが返らないのは、AI が不親切だからではなく、「いい感じ」を判断する材料（文脈）が渡っていないからです。どんなアプリか、誰向けか、何を大事にしたいか、今どうなっているか。これを渡すほど、答えは具体的になります。
前の記事で説明した RAG は、この「文脈が足りない」を自動で補う仕組みでした（→ RAGの記事）。質問に関係する資料を探してきて、コンテキストに入れてから AI に答えさせる。RAG の正体は、「その質問に必要な文脈を、自動で足す」ことだった、と言いかえられます。
③ 多すぎると薄まる：長ければ良い、ではない
ここが、多くの人が見落とすところです。「じゃあ、迷ったら全部渡せばいい」——これは、間違いです。文脈は、多すぎても精度が落ちます。
理由は2つあります。1つ目は、大事な情報が埋もれること。2023年のスタンフォード大などの研究「Lost in the Middle」は、長い文脈の中で、探している情報が真ん中あたりにあると、正答率が30%以上も下がることを示しました。AI は、文脈の最初と最後はよく見ますが、真ん中は読み飛ばしがちなのです（人間が、長いリストの真ん中を覚えにくいのと似ています）。GPT でも Claude でも、同じ傾向が出ました。
2つ目は、関係ない情報に引っぱられること。前の記事で「入力が出力を引っぱる」という話をしました（→ LLMの仕組みの記事）。コンテキストにノイズ（今のタスクに関係ない情報）を大量に入れると、AI はそれにも反応して、答えがぶれます。2025年の Chroma の調査は、最新の18モデル（GPT-4.1、Claude 4、Gemini 2.5 など）を調べ、どのモデルも、入力が長くなるほど、出力が不安定になることを確認しました。この現象は「コンテキスト・ロット（文脈の腐敗）」と呼ばれます。
つまり、長い文脈は「賢さ」ではなく「薄まり」を生むことがある。だから、コツは「全部渡す」ではなく、「このタスクに本当に要るものだけを、なるべく短く渡す」です。古い会話が長くなったら、要点だけ残して新しくやり直す。関係ない資料は入れない。指示は、要点を先に、簡潔に。
④ だから、エージェントもハーネスも「文脈管理」
ここまで分かると、AI 活用の一段深い話が、すっきり見えてきます。
AI に、複数の手順を自分でこなさせる仕組みを「AI エージェント」、その AI を動かす土台（どの文脈を渡し、ツールをどうつなぎ、結果をどう戻すか）を「ハーネス」と呼びます。そして——エージェントやハーネスを作るという作業は、突きつめると、ほぼ全部「毎ターン、どの文脈を入れて、何を削るか」の設計です。
たとえば、コーディングを手伝う AI エージェント。作業が進むほど、検索結果や試行錯誤の履歴がコンテキストにたまっていきます。これをそのまま全部持ち続けると、さっきの「コンテキスト・ロット」で、だんだん精度が落ちる。実際、コーディングエージェントの主な失敗原因は、これだと指摘されています。だから、うまく作られたエージェントは、途中で履歴を要約したり、要らない情報を捨てたり、ツールの長い出力を圧縮したりして、コンテキストを「必要なだけ」に保ちます。
そして、これまでの記事で扱った道具は、全部この文脈管理のためのものでした。RAG は「必要な資料だけを文脈に足す」。MCP は「必要なときだけ外の情報・道具を文脈に持ち込む」。スキルは「その手順の手順書を、必要な場面で文脈に読み込む」。 どれも、「今このタスクに要る文脈を、過不足なく用意する」という一つの目的に向いています。AI を賢く使うとは、賢いモデルを選ぶこと以上に、渡す文脈を上手に管理することなのです。
よくある質問
コンテキストウィンドウが大きいモデルを使えば、全部解決しますか。
しません。器が大きくても、真ん中が読み飛ばされる問題（Lost in the Middle）も、長さで精度が落ちる問題（コンテキスト・ロット）も残ります。器の大きさは「入る量」であって、「使いこなせる量」ではありません。大きい器でも、詰め込みすぎないのが基本です。
では、短くしすぎるとどうなりますか。
今度は「足りない」問題（②）が出ます。前提や必要な資料まで削ると、一般論しか返りません。目指すのは「短く」ではなく「過不足なく」。要るものは入れる、要らないものは入れない、の両方です。
長い会話が変になってきたら、どうすればいいですか。
新しい会話を始めて、必要な前提だけを、あらためて短くまとめて渡すのが効きます。長い会話は、それだけでノイズがたまっています。「これまでの要点はこれ」と整理して渡し直すと、精度が戻ることが多いです。
この話は、アプリを作るときにも関係しますか。
深く関係します。AI 機能を組み込むときの品質は、「どんな文脈を、どれだけ AI に渡すか」の設計でほぼ決まります。そして、AI に渡す文脈に、他人のデータや余計な権限が混ざると、精度だけでなく安全性の問題にもなります（→ RAGとデータ漏えい、AIエージェントの権限過剰の記事）。文脈管理は、性能と安全性の、両方の土台です。
