小さなエージェントから始めてみよう！実践コンテキストエンジニアリング

2026-11-10
AI Agentを使いこなすための設計・実装ノウハウ
https://rosca.connpass.com/event/410646/

Transcript

1. 小さなエージェントから始めてみよう！ 実践コンテキストエンジニアリング 岩本隆史 / @iwamot 2026-11-10 AI Agentを使いこなすための設計・実装ノウハウ https://rosca.connpass.com/event/410646/
2. 自己紹介 岩本隆史 / @iwamot LLM・運用・OSS開発が好きなITエンジニア 共著『［入門］LLMアプリ開発』 アマゾンウェブサービスジャパン → ENECHANGE → 某社 1
3. 小さなエージェントでの コンテキストエンジニアリング実践例
4. 題材：ブログ記事をほめる小さなエージェント 課題感：テックブログを書いても反応が少なく寂しい 解決策：新着記事をSlackでほめる「ブログほめ太郎」 https://tech.enechange.co.jp/entry/2025/08/12/101822 3
5. おもな処理は4つ 1. 新着記事の全文を取得 2. 記事をほめるレビューを生成 3. レビューをSlackに投稿 4. レビュー済みの記事URLを保存 4
6. 初期実装：ロジックをプロンプトに記述 PROMPT = """ 技術ブログの筆者を励ますレビューを書いてください。 1. 新着記事の全文を取得する 2. 記事をほめるレビューを生成する 3. レビューをSlackに投稿する 4. レビュー済みの記事URLを保存する """ agent = Agent(model=BedrockModel(), tools=[http_request, rss, slack, use_aws]) agent(PROMPT) ※ 説明用に簡略化（以降同じ） 5
7. あとはStrandsがよしなに処理 Strandsがループを制御 ② 選んだツールを実⾏ 呼び出し元 ① プロンプトを⼊⼒ ④ 完了したら回答 LLM 次の処理を判断 ツール 記事取得‧Slack投稿など ③ 実⾏結果を返却 ※ Strands：AWSが公開しているエージェント開発SDK 6
8. 初期実装としては満足 技術的興味：Strandsならプロンプト主体で実現できそう → 達成 安い：1回の実行で数十円 7
9. 数か月後、なんとなくトレースを実施 → 違和感 LLM呼び出し 入力トークン 1回目 791 2回目 1,332 3回目 2,602 4回目 15,968 5回目 16,595 6回目 17,038 計54,326トークン ※ StrandsのOpenTelemetry連携とJaegerで確認。手順は https://tech.enechange.co.jp/entry/2025/12/01/000000 を参照 8
10. トークン削減の候補が2つ！ LLM呼び出し 入力トークン 処理 必要な情報 不要な情報 4回目 15,968 レビュー生成 記事本文 HTMLタグ 5回目 16,595 Slack投稿 レビュー結果 記事本文 + HTMLタグ 6回目 17,038 URL保存 記事URL 記事本文 + HTMLタグ + レビュー結果 記事のHTMLタグがトークンを消費 不要になった情報が会話履歴に残留（影響大） 9
11. 改善1：マルチエージェント化（必要な情報のみ受け渡し） new_article_finder("新着記事のURLリストを取得してください") article_reviewer(f"この記事をレビューしてください：{url}") slack_publisher(f"以下のレビューを投稿してください：\n\n{reviewer_output}") last_article_recorder(f"記事URLを {urls[-1]} に更新してください") https://tech.enechange.co.jp/entry/2025/12/01/000000 10
12. 改善2：記事全文のMarkdown化（HTMLタグの削減） ARTICLE_REVIEWER_PROMPT = """ あなたは技術ブログ記事をレビューする専門エージェントです。 1. http_requestツールで当該記事の全文を参照する - convert_to_markdown=Trueを必ず指定すること （略） """ 11
13. 結果、入力トークンが半減 レビュー⽣成 計54,326トークン レビュー⽣成 計25,568トークン ※ 1回の実行でのサンプル比較。LLMのコストは約31円 → 約18円 12
14. 振り返れば、これもコンテキストエンジニアリング isolate compress 改善1：マルチエージェント化 改善2：記事全文のMarkdown化 コンテキストを分割する write コンテキストウィンドウの外に情報を保存する タスクに必要なトークンだけを保持する select 情報をコンテキストウィンドウに取り込む 参考：https://www.langchain.com/blog/context-engineering-for-agents 13
15. 今の自分が、さらに改善するなら
16. 案1：「レビュー生成」以外はコード化 コード LLM コード 記事本文取得 → レビュー生成 → Slack投稿 コード → 記事URL保存 当時は面倒だったが、今なら短時間でコーディング可能 決定論的に書くことで挙動が安定 トークン消費も最小限 15
17. 案2：レビュー結果の評価にトライ コンテキスト変更 → LLMの生成品質も変わる可能性 ほめ太郎では、厳密な品質評価は不要 評価が必要なエージェントに備え、まずは練習 16
18. 経験から伝えたいこと
19. 小さなエージェントから始めてみよう！ 小さくても、コンテキストエンジニアリングは十分に実践可能 まずは、手元のエージェントからトレースを 改善の積み重ねが、より大きなエージェントに挑む土台に 18