AIエージェント開発を支える「共通基盤（Infrastructure）」：MCP と Context 管理の設計

TL;DR

• エージェントの自律性は、モデル性能ではなく「接続されたインフラ」で決まる
• MCP (Model Context Protocol) により、外部ツールやデータとの接続を標準化
• 文脈（Context）を揮発させないための、階層化されたドキュメント管理が不可欠

エージェントには「手足」と「記憶」が必要だ

これまでの LLM アプリケーションは、ユーザーの入力に対して「回答を返す」だけの一方通行なものでした。しかし、真のエージェント駆動開発においては、AI 自らが環境を操作し、フィードバックを得て、次の一手を判断する必要があります。

これを実現するのが、エージェント・インフラストラクチャです。

Model Context Protocol (MCP) は、異なる AI モデルや IDE、ツール間でのデータ交換を標準化する規約です。これにより、エージェントはファイル操作、DB クエリ、ブラウザ操作などを、特定のモデルに依存しない形で実行できるようになります。

MCP アーキテクチャのシーケンス

sequence_diagram
    participant A as Agent (Client)
    participant B as MCP Server
    participant C as External Resource (File/DB)
    A->>B: Request Tool Execution (read_file)
    B->>C: Access Resource
    C-->>B: Data Result
    B-->>A: Standardized JSON Response

この標準化により、開発者はエージェントごとに独自の接続ロジックを書く必要がなくなり、既存の MCP サーバをプラグ＆プレイで利用可能になります。

2. 動的なコンテキスト管理

エージェントが「今何をしているか」を見失わないために、私たちは以下の 3 層構造で情報を管理しています。

• Requirements: なぜこれを作るのか（不変の目的、DoD: Definition of Done）
• Design: どう作るのか（アーキテクチャ、依存関係、データモデル）
• Tasks: 次に何をするか（作業ログ、未完了タスク、現在地）

単なるドキュメント管理だけでなく、実行時の Context Window の最適化も重要です。過去の全履歴をプロンプトに流し込むのではなく、現在のタスクに関連する断片（RAG）や最新の Spec ファイルのみを動的にロードすることで、トークンコストを抑えつつ精度の高い出力を得ることができます。

3. 自律的な道具の選択（Tool Choice）

インフラ層は、エージェントが利用可能な「道具（Tools/Skills）」のカタログを提供します。 エージェントは問題に直面した際、自律的に「どの道具を、どの順序で使うべきか」をプランニングします。 例えば、Web 検索をして最新のトレンドを調べ（search_web）、その結果をコードに反映し（replace_file_content）、最終的にビルドテストを行う（run_command）。 このオーケストレーションを支えるのが、一貫性のある API インターフェースと、各ツールの「説明（description）」を詳細に定義したメタデータ群です。

インフラ設定の例（config.json）

エージェントがどのリソースにアクセスできるかは、以下のようなインフラ構成ファイルで管理されます。

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/home/user/project"
      ]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "..." }
    }
  }
}

🚀 インフラから「価値」へ

エージェント・インフラストラクチャは、言わば「OS」のような存在です。OS が安定していなければ、その上で動くアプリケーション（エージェント）も信頼できません。 基盤が整うことで、初めて AI は「指示待ち」の状態から、「自らゴールを見つけ、環境を整え、遂行する」という自律的なフェーズへと移行できます。 今後は、このインフラをさらにマルチエージェント（複数の AI が協調する仕組み）へと拡張し、より複雑なビジネス課題を解決するための「自律型開発チーム」の構築を目指します。

インフラが整って初めて、高品質な記事量産やコード生成が可能になります。次回は、このインフラの上で動く「エージェント・エンジニアリング」のマインドセットについて深掘りします。

References

• プロンプトからエージェントエンジニアリングへ
• AI エージェントに「仕様書」を厳守させる SDD
• ブログ完全自動化のインフラ：GitHub Actions
• マルチモーダル・ブログ戦略の全容