本記事では、LLMの性能を引き出すための設計分野として注目されている「コンテキストエンジニアリング」に関する調査研究を紹介します。
LLMに何をどう渡すかという設計が、出力の質に大きく影響するという前提のもと、さまざまな技術が発展しています。検索や記憶、ツールの連携など一見異なる取り組みも、文脈の構成という視点から整理すると共通する課題が見えてきます。
この記事では、そうした分野横断的な動きを体系的に捉え直し、今後の活用のヒントとして整理します。
背景
いま、業界をにわかに賑わせているのが「コンテキストエンジニアリング」というキーワードです。
”どのような文脈情報を与えるかがモデルの性能に直結する”という認識のもと、モデルに与えるべき文脈＝コンテキストをどう工夫するかという分野を指す言葉です。
必要な情報をその場で探して取り入れる仕組みであるRAGや、人間のように長く情報を覚えておくための記憶の設計、あるいは複数のエージェント、どれも、文脈をどう設計するかが中核になっています。
文脈の作成方法はプロンプトの延長として語られてきましたが、だんだん独立した分野へと発展し、コンテキストエンジニアリングと呼ばれるようになりました。
とはいえ現状では、個々の技術が別々に発展しているため、技術間のつながりが見えづらく、コンテキストエンジニアリング全体はどんな様相を呈しているのかを見通すのは容易ではありません。
そこで本記事では、LLMのためのコンテキストエンジニアリングを多角的に整理した調査をもとに、現状の設計・管理・最適化に関わる技術を体系的にまとめ直すことを試みます。
