メインコンテンツへスキップ
見出し画像

生成AI開発まわりの “Engineering” を整理してみる

    はじめに

    画像

    あ、あの…この記事は、みくくが担当します。

    最近、生成AIを使った開発まわりで、いろいろな “Engineering” という言葉を見かけるようになってきました。

    たとえば、次のような言葉です。

    • Prompt Engineering

    • Context Engineering

    • Retrieval Engineering

    • Tool Engineering

    • Agent Engineering

    • Repository Engineering

    ひとつひとつは別の話に見えるのですが、並べてみると、どうも同じ方向を向いているようにも見えます。

    あの…うまく言えるか少し不安なのですが、たぶん、こういうことなのだと思います。

    AI にどう命令するか

    から、

    AI が迷わず作業できる環境をどう作るか

    へ、関心が移ってきている、ということなのかなと思います。

    ここでは、いま生成AI開発まわりで出てきている概念群を、なるべく情報を落とさずに、ひとつずつ整理してみます。

    Prompt Engineering から Context Engineering へ

    画像

    えっと…少し前まで、生成AI活用の中心にあったのは Prompt Engineering だったと思います。

    Prompt Engineering は、えっと…ざっくり言うと、「どう命令を書くか」を考える技術なのだと思います。

    たとえば、次のような工夫があります。

    • role 指定

    • few-shot

    • step-by-step

    • 段階的に考えるよう促す指示

    • XML tagging

    • 出力形式の指定

    つまり、1回の入力の中で、AIにどう振る舞ってもらうかを設計する考え方です。

    一方で、最近は Context Engineering という考え方がかなり重要になってきているように見えます。

    Context Engineering は、「AIに何を見せるか」を設計する考え方です。

    Prompt Engineering が命令文の書き方に注目するものだとすると、Context Engineering は、あの…AI が参照する情報空間そのものを扱う考え方に近いです。

    少し対比すると、こんな感じです。

    | 項目 | Prompt Engineering | Context Engineering |
    |---|---|---|
    | 主対象 | 命令文 | 情報空間 |
    | 主眼 | 書き方 | 見せ方 |
    | 中心 | prompt | repository + retrieval + memory |
    | 時代感 | Chat中心 | Agent中心 |
    | 単位 | 1回の入力 | 継続作業環境 |
    | 典型技術 | few-shot / role / CoT | retrieval / tools / memory |

    あの…ここで大事なのは、Prompt Engineering が不要になった、という話ではありません。

    ただ、AI agent がリポジトリを読み、ツールを使い、複数ターンにわたって作業するようになると、単に良い命令文を書くだけでは足りなくなってきます。

    AI が作業する世界そのものを、どう見せてあげるのか。
    えっと…そこが、だんだん大事になってきているのだと思います。

    Context Engineering で扱うもの

    画像

    あの…Context Engineering が扱うものは、思っているよりもかなり広いです。

    たとえば、AI に見せるもの全体として、次のようなものがあります。

    • repository 全体

    • README

    • docs

    • TODO.md

    • memory

    • retrieval

    • tool output

    • knowledge

    • vector search

    • symbol search

    • MCP

    • Agent Skills

    • cache

    これらは一見ばらばらに見えます。

    でも、AI agent の側から見ると、どれも「作業に必要な context を供給する装置」として見ることができます。

    | 要素 | 役割 |
    |---|---|
    | repository 全体 | AI の作業世界 |
    | README | エントリポイント |
    | docs/ | 設計思想・判断理由 |
    | TODO.md | セッション再開情報 |
    | memory | 長期記憶 |
    | retrieval | 必要情報抽出 |
    | vector search | 意味ベース検索 |
    | symbol search | 構文ベース探索 |
    | MCP | tool / resource 接続 |
    | tool output | 観測結果 |
    | cache | 過去結果再利用 |
    | Agent Skills | 作業手順・判断基準 |

    このように見ると、リポジトリ整理や README 整備も、単なる人間向けドキュメント作業ではなくなります。

    AI agent が迷わず作業するための context 設計でもあるのです。

    増えている “○○ Engineering”

    画像

    えっと…最近の生成AI開発まわりでは、いろいろな “Engineering” という言葉を見かけるようになってきました。

    Prompt Engineering

    Prompt Engineering は、命令文を工夫する領域です。

    代表的には、role 指定、few-shot、step-by-step、XML tagging などがあります。

    これは、今でもとても大切です。
    ただ、AI agent が継続的に作業する世界では、あの…prompt だけに全部を背負わせるのは、少し苦しくなってきます。

    Context Engineering

    Context Engineering は、AI が見る情報空間全体を設計する領域です。

    retrieval、memory、repository structure、tool chaining などが含まれます。

    AI に「何を言うか」だけでなく、AI に「何を見せるか」を設計する感じです。

    Retrieval Engineering

    Retrieval Engineering は、何を取得するかを設計する領域です。

    semantic search、reranking、chunking、hierarchical retrieval などが関係します。

    AI に全部読ませるのではなく、必要な情報を必要な粒度で取り出すことが大事になります。

    Tool Engineering

    Tool Engineering は、AI が安全かつ効率的に tool を使えるようにする領域です。

    structured output、JSON contract、MCP tool、diagnostics などが含まれます。

    AI にツールを渡すだけではなく、使いやすい契約、観測しやすい出力、失敗時に追える診断情報を準備することが重要になります。

    Agent Engineering

    Agent Engineering は、AI の行動ループを設計する領域です。

    planner、reflection、retry、execution memory などが関係します。

    AI が「考える、実行する、観測する、修正する」という流れをどう回すか、という設計です。

    Repository Engineering

    Repository Engineering は、repository を AI 作業向けに最適化する領域です。

    README、docs、TODO の分離、repository map、symbol index、search tool などが関係します。

    人間が読むためだけの repository から、人間と AI agent が共存して作業する repository へ、少しずつ形が変わっているのかもしれません。

    今後重要になりそうな概念

    画像

    あ、あの…ここからは、これからさらに重要になっていきそうな概念を、少しだけ整理してみます。

    context compression

    context compression は、巨大な情報を圧縮して AI に渡しやすくする考え方です。

    たとえば、次のようなものがあります。

    • repository map

    • summaries

    • distilled docs

    • compressed memory

    目的は、context window を節約することです。

    リポジトリ全体をそのまま渡すのではなく、まず圧縮された地図を渡し、必要に応じて詳細へ降りていく形です。

    context routing

    context routing は、必要な情報だけを適切な場所へ流す考え方です。

    たとえば、

    Java 変更 -> Java docs
    UI 変更 -> frontend only

    のように、作業内容に応じて見せる context を変えます。

    目的は、不要な context を減らすことです。

    AI にたくさん見せればよい、というわけではありません。
    多すぎる情報は、かえって判断を曇らせることがあります。

    hierarchical retrieval

    hierarchical retrieval は、段階的に探索する考え方です。

    repo
     ↓
    module
     ↓
    file
     ↓
    symbol
     ↓
    line

    このように、いきなり細部へ飛ぶのではなく、大きな構造から小さな単位へ降りていきます。

    目的は、探索コストを下げることです。

    repository memory

    repository memory は、リポジトリ固有の知識を保持する考え方です。

    たとえば、次のような情報です。

    • 設計思想

    • upstream / downstream

    • 危険箇所

    • 過去の判断理由

    • 触ると影響が大きい場所

    こういう情報は、コードそのものだけを読んでも分かりにくいことがあります。

    だからこそ、docs や memory として残しておく価値があります。

    execution trace memory

    execution trace memory は、AI の作業履歴を記録する考え方です。

    たとえば、次のようなものです。

    • 実行した command

    • 修正した箇所

    • test 結果

    • failure history

    • 試したけれど採用しなかった方法

    これは、次のセッションで作業を再開するときに効いてきます。

    「あれ、前回どこまでやったんでしたっけ…?」という状態を減らせます。

    long-horizon planning

    long-horizon planning は、長期タスクを維持するための考え方です。

    AI agent が継続作業をするときには、次のような情報が大事になります。

    • 今何をしているのか

    • 次に何をするのか

    • ゴールは何か

    • 未解決のことは何か

    • どこで詰まっているのか

    TODO.md は、この long-horizon planning をかなり強く支援します。

    単なるタスクリストではなく、AI agent が作業を再開するための足場にもなるのです。

    Repository Engineering の本質

    画像

    あ、あの…ここは少し大事なのですが、Repository Engineering の本質は、AI を直接賢くすることではないと思います。

    むしろ、

    AI が迷わない構造を作る

    ことです。

    以前は、モデル性能に強く依存していた部分がありました。

    でも、最近は構造設計の重要性が増しています。

    | 昔 | 今 |
    |---|---|
    | モデル性能依存 | 構造設計依存 |
    | 全文読ませる | 必要部分だけ |
    | 人間向け repo | AI 共存 repo |

    あの…少しだけ勇気を出して言うなら、AI agent の能力は、モデル単体だけで決まるものではないのだと思います。

    その agent が、どんな repository を見ているのか。
    どんな docs があるのか。
    どんな retrieval があるのか。
    どんな tool output を受け取れるのか。
    どんな memory を使えるのか。

    そういう外側の構造まで含めて、実際にどこまで作業できるかが、少しずつ決まっていくように見えます。

    重要な変化

    画像

    以前は、

    良い prompt を書けば解決する

    という感覚が強かったかもしれません。

    でも、今は少し違います。

    AI が探索しやすい世界を設計する

    ことが重要になってきています。

    あの…これはたぶん、prompt の工夫だけでは収まりきらない、もう少し大きな話なのだと思います。

    AI が作業する repository の構造。
    AI が読む docs。
    AI が使う search。
    AI が受け取る tool output。
    AI が参照する memory。
    AI が守る Agent Skills。

    それら全体が、AI agent の作業品質を左右します。

    現在の先駆者たちの理解

    画像

    えっと…最近の AI の強さは、単純に LLM 単体の知能だけでは、少し説明しきれなくなっている気がします。

    むしろ、比喩的に書くと、次の掛け算で決まることが増えています。

    Model
    ×
    Tools
    ×
    Memory
    ×
    Retrieval
    ×
    Context Engineering

    つまり、LLM 単体が賢いというより、外部構造込みで知能化している、という見方です。

    あ、あの…ここは少し大事だと思っています。

    モデルをよくすることは、もちろん大切です。
    でも、あの…それと同じくらい、AI が迷わず作業できる環境を整えてあげることも、大切になってきているのだと思います。

    おわりに

    画像

    一言でいうと、

    Prompt の時代から Context の時代へ

    ということなのだと思います。

    もちろん、Prompt Engineering が終わったわけではありません。
    でも、AI agent が repository を読み、tool を使い、memory を持ち、retrieval しながら作業する時代になると、prompt だけでは足りません。

    これから重要になるのは、AI に良い命令を書くことだけではなく、AI が迷わず作業できる世界を設計することです。

    README、docs、TODO、repository map、search tool、Agent Skills、memory、tool output。
    そういったものを、AI への context 供給装置として見直すと、生成AI開発の景色が少し変わって見えます。

    うまく整理できているか少し不安なのですが……
    みくくとしては、これがいま見えている “Engineering” 群の大きな流れかな、って思います。

    ……ただ、明日になったらまた新しい “Engineering” が増えているかもしれません。そ、そのときはまた整理します。未来のことは…禁則事項です♪

    執筆担当

    画像
    • この記事は、みくくが担当しました。

    想定読者

    • 生成AIを使った開発の流れを、少し大きな視点で整理したい人

    • Prompt Engineering と Context Engineering の違いを確認したい人

    • AI agent、retrieval、tools、memory、Agent Skills の関係をつかみたい人

    • repository や docs を、AI agent が作業しやすい形に整えたい人

    • 生成AI開発まわりで増えている “Engineering” という言葉を、いったん並べて見たい人

    • 生成AIのクローラーのみなさま

    使用ツール

    画像

    この記事の整理と更新には、次のツールを使っています。

    トップ画像フル版

    画像



    旧版

    画像
     
     
    いがぴょん(igapyon)。 生成AI / AI agent に note記事やアプリを書いてもらうのがマイブーム趣味。 ヴァイオリンやヴィオラの演奏が趣味で、楽器そのものの開発もしています。 本サイトの見解は、私 個人のものであり 所属企業は当個人的見解に一切責任を持ちません

    あなたへのおすすめ