コンテキストマネジメントとは？｜MCP入門 3.2｜履歴と外部情報を活かす生成AI設計

3.2 コンテキストマネジメント：履歴と外部情報の融合

生成AIにおける出力の質は、そのときモデルが「何を知っているか」に大きく依存します。 つまり、どんな知識、履歴、文脈、制約、ユーザー情報を「参照しながら」出力しているかが、生成内容の一貫性・正確性・ユーザー満足度に直結します。 この「モデルが知っている（とみなされる）情報」をどう設計・制御するかが、MCP（Model Context Protocol）におけるコンテキストマネジメントの中心テーマです。

このセクションでは、セッション履歴、外部ベクターストア、ユーザー属性など、多様な文脈情報をどのように統合し、モデルに与えるかを見ていきます。

コンテキストとは何か？

MCPにおけるコンテキストは、単に「チャット履歴」だけを指すわけではありません。 むしろ、以下のような情報群を構造化し、文脈としてモデルに与える仕組み全体を指します：

• 過去の対話履歴（チャットログ）
• 明示的なユーザープロファイル（名前、役職、関心分野など）
• セッション固有の状態（進行中のタスク、前提条件など）
• 外部ナレッジ（FAQデータ、ベクターデータベース、構造化JSON）
• フィードバック履歴（前回の応答に対する評価）

このように、文脈には動的（会話履歴など）と静的（ユーザープロフィールなど）の2種類が存在し、 それらを適切に組み合わせてモデルに渡すことが、高度なMCP設計には不可欠です。

コンテキスト統合の代表的パターン

パターン1：セッション履歴の最適化と要約

LLMはトークン制限があるため、すべての履歴をそのまま保持することはできません。 そこで、過去のチャットログを要約・抽象化してコンテキストとして渡す手法が用いられます。

{
  "summary": "ユーザーは商品返品処理に困っており、倉庫とのやりとりが煩雑だと感じている。次は返品フローの自動化を希望。"
}

このように、文脈の要点だけを抽出し、構造化してモデルに渡すことで、一貫性と効率性を両立させます。

パターン2：外部ナレッジ統合（RAG構成）

Retrieval-Augmented Generation（RAG）では、外部のベクターデータベースやFAQを検索し、関連情報を文脈として挿入します。

{
  "context": "返品ポリシー：お客様は商品到着後30日以内であれば返品可能です。ただし、使用済み商品は対象外です。"
}

この情報があることで、モデルは一貫した応答が可能になります。 RAG構成は、モデル自身が学習していない情報を動的に補うという点で、MCPの文脈統合戦略において非常に有効です。

パターン3：ユーザープロファイルとの統合

MCPでは、ユーザー情報を静的な文脈として設計し、応答に個別性を持たせることができます。

{
  "user_profile": {
    "name": "田中一郎",
    "職種": "中小企業経営者",
    "関心": ["補助金活用", "業務効率化"]
  }
}

これにより、同じ質問でも、異なるユーザーには異なる観点から答えることが可能になります。 これは、UXの質を高めるうえで極めて重要です。

コンテキスト統合の注意点

• 過剰な情報挿入に注意：文脈を盛り込みすぎると、ノイズやモデルの混乱を招く可能性があります。
• 構造化とスロット化：文脈は可能な限り構造化し、プレースホルダー（{{user_name}}など）で再利用性を担保しましょう。
• 動的挿入のトリガー設計：履歴や外部知識の「どのタイミングで何を挿入するか」は明示的なルール化が必要です。

ここまでで、MCPにおける“何を知っているか”の設計が見えてきました。 次は、その文脈をどう柔軟に差し込むかという実装テクニック、「テンプレートとスロット設計」へと進みましょう。 → 3.3 テンプレートとスロットの設計へ進む