マルチエージェントのコンテキスト分離パターン

なぜコンテキスト分離が必要なのか

単一のLLMエージェントにすべてのタスクを任せると、2つの問題が発生します。

1. コンテキスト爆発: ツール定義・会話履歴・ドキュメントが蓄積し、ウィンドウを圧迫する
2. Lost in the Middle: コンテキストが長くなると中央部の情報への注意が低下する

マルチエージェントシステムは、これらの問題を分散コンテキスト管理で解決します。市場分析エージェントが四半期レポートを処理している間、技術分析エージェントは特許情報だけを見る。各エージェントが自分の専門領域のコンテキストだけを持つことで、精度とコスト効率の両方が向上します。

実際に、マルチエージェントオーケストレーションは単一エージェントに比べてアクション具体性で80倍、解決正確性で140倍の改善を達成した事例が報告されています。

コンテキスト分離の3パターン

パターン1: Handoff（引き継ぎ）

エージェント間で制御を明示的に移譲するパターンです。OpenAI Agents SDKやAnthropic Agent SDKで採用されている基本アーキテクチャです。

# Handoffパターンの概念実装
from dataclasses import dataclass

@dataclass
class Agent:
    name: str
    instructions: str
    model: str
    tools: list[str]
    handoffs: list[str]  # 引き継ぎ可能なエージェント

# エージェント定義
triage_agent = Agent(
    name="triage",
    instructions="ユーザーの意図を判断し、適切な専門エージェントに引き継ぐ",
    model="claude-opus-4-6-20260410",
    tools=["classify_intent"],
    handoffs=["code_agent", "research_agent", "writing_agent"],
)

code_agent = Agent(
    name="code_agent",
    instructions="コードの生成・レビュー・デバッグを行う",
    model="claude-opus-4-6-20260410",
    tools=["read_file", "write_file", "run_tests"],
    handoffs=["triage"],  # triageに戻すことも可能
)

コンテキストの扱い: Handoff時に会話コンテキストを引き継ぐが、各エージェントのシステムプロンプトとツール定義は完全に独立しています。引き継ぎ先のエージェントは、自分のツール定義だけをコンテキストに持ちます。

パターン2: 階層型オーケストレーション

オーケストレーターが全体を管理し、ワーカーエージェントがサブタスクを独立して実行するパターンです。

┌─────────────────────────────────────┐
│         Orchestrator Agent           │
│  ・全体計画の策定                      │
│  ・タスクの分解と割り当て               │
│  ・結果の統合と最終出力                 │
└──────┬──────────┬──────────┬─────────┘
       │          │          │
  ┌────▼───┐ ┌───▼────┐ ┌──▼─────┐
  │Research │ │Analysis│ │Writing │
  │ Agent   │ │ Agent  │ │ Agent  │
  │独自の   │ │独自の   │ │独自の  │
  │コンテキスト│ │コンテキスト│ │コンテキスト│
  └────────┘ └────────┘ └────────┘

# 階層型オーケストレーションの例
async def orchestrate(task: str) -> str:
    # Step 1: タスク分解
    subtasks = await orchestrator.decompose(task)

    # Step 2: 各ワーカーが独立したコンテキストで実行
    results = await asyncio.gather(*[
        execute_worker(
            agent=get_agent(subtask.agent_type),
            context=build_isolated_context(subtask),  # 分離されたコンテキスト
        )
        for subtask in subtasks
    ])

    # Step 3: オーケストレーターが結果を統合
    return await orchestrator.synthesize(results)


def build_isolated_context(subtask: Subtask) -> list[dict]:
    """各ワーカーに必要最小限のコンテキストを構築する"""
    return [
        {"role": "system", "content": subtask.agent_instructions},
        {"role": "user", "content": subtask.description},
        # 関連ドキュメントだけを添付（全体の会話履歴は含めない）
        *[{"role": "user", "content": doc} for doc in subtask.relevant_docs],
    ]

コンテキストの扱い: 各ワーカーはステートレスで、オーケストレーターから渡された情報だけで動作します。ワーカー間でコンテキストは共有されません。

パターン3: 共有メモリ型

エージェント間で共有メモリ（Blackboard）を介して情報を交換するパターンです。

# 共有メモリ（Blackboard）パターン
class SharedMemory:
    """エージェント間の共有メモリ"""

    def __init__(self):
        self._store: dict[str, dict] = {}
        self._lock = asyncio.Lock()

    async def write(self, agent_id: str, key: str, value: str) -> None:
        async with self._lock:
            self._store[key] = {
                "value": value,
                "author": agent_id,
                "timestamp": datetime.now().isoformat(),
            }

    async def read(self, key: str) -> str | None:
        return self._store.get(key, {}).get("value")

    async def read_by_tag(self, tag: str) -> list[str]:
        """特定のタグに関連する情報だけを取得"""
        return [
            entry["value"]
            for entry in self._store.values()
            if tag in entry.get("tags", [])
        ]


# 使用例
memory = SharedMemory()

# ResearchAgentが調査結果を書き込み
await memory.write("research", "market_data", "2026年Q1の市場規模は...")

# AnalysisAgentが必要な情報だけを読み取り
market_data = await memory.read("market_data")

コンテキストの扱い: 各エージェントは自分のコンテキストを持ちつつ、共有メモリから必要な情報だけを選択的に読み取ります。全情報を共有するのではなく、キーやタグでフィルタリングする点が重要です。

パターンの選択基準

パターン	適するケース	コンテキスト効率	実装複雑度
Handoff	逐次的なタスク処理、カスタマーサポート	高	低
階層型	並列処理可能なタスク、分析業務	最高	中
共有メモリ型	相互依存の高いタスク、共同作業	中	高

主要フレームワーク（2026年時点）

フレームワーク	提供元	特徴
Agents SDK	OpenAI	Handoffパターンが中心。シンプルなAPI
Agent SDK	Anthropic	Claude最適化。tool_useとの統合が強力
LangGraph	LangChain	グラフベースのワークフロー。柔軟性が高い
ADK	状態マシンベース。Geminiとの統合
CrewAI	CrewAI	ロール定義が直感的。共有メモリ内蔵

実践ポイント

コンテキスト分離のチェックリスト

1. 各エージェントのコンテキストサイズを監視する: 1エージェントあたり全ウィンドウの50%以下を目安とする
2. Handoff時の情報量を最小化する: 全会話履歴ではなく、要約を渡す
3. ワーカーはステートレスに設計する: リクエスト単位で完結させ、セッション状態を持たない
4. 共有メモリにはスキーマを定義する: 型なしのKey-Valueではなく、構造化されたデータを交換する

コンテキスト漏洩の防止

マルチエージェントシステムでは、あるエージェントのコンテキストが意図せず別のエージェントに流れる「コンテキスト漏洩」に注意が必要です。

# BAD: 全コンテキストをそのまま渡す
worker_context = orchestrator.full_context  # 他エージェントの情報も含まれる

# GOOD: 必要な情報だけを抽出して渡す
worker_context = extract_relevant_context(
    full_context=orchestrator.full_context,
    task_type=subtask.type,
    required_keys=subtask.context_keys,
)

コスト最適化

マルチエージェントは複数のLLM呼び出しを伴うため、コストが増大しやすいです。以下の戦略で抑制します。

• ワーカーには小型モデルを使う: オーケストレーターだけ高性能モデル、ワーカーはHaikuクラス
• キャッシュを活用する: 同じコンテキストパターンのリクエストをキャッシュ
• 並列実行で時間コストを削減: 独立したワーカーはasyncio.gatherで並列実行

まとめ

マルチエージェントのコンテキスト分離は、単にコンテキストウィンドウの制約を回避するだけでなく、各エージェントの専門性を高め、システム全体の精度を向上させる設計手法です。Handoff・階層型・共有メモリの3パターンを理解し、タスクの特性に応じて適切に選択することが重要です。

参考リンク

• Multi-Agent Systems: Architecture, Patterns, and Production Design — Comet
• The Orchestration of Multi-Agent Systems — arXiv
• How to Build Multi-Agent Systems: Complete 2026 Guide — DEV Community
• Multi-agent — LangChain Docs
• Multi-Agent LLM Orchestration for Incident Response — arXiv