エージェントはファイル システムを使用してコンテキスト エンジニアリングを実装するにはどうすればよいですか? @LangChainAIのブログ投稿の核心は、現在のエージェントの失敗の主因はもはやモデル能力の不足ではなく、むしろ時代遅れのコンテキスト管理手法にあるという点です。チームは、エージェントの外部ワークスペースとして「ファイルシステム」を使用することを提案しています。これにより、複雑なタスクにおける従来のRAGの根深い問題を完全に解決し、エージェントを「コンテキストエンジニアリング」の時代へと導きます。 ファイル システムによってエージェントの信頼性が大幅に向上するのはなぜですか? 従来の RAG はベクトル データベースのセマンティック検索に依存していますが、これには 4 つの致命的な問題があります。 • 重要な情報を見逃したり、無関係なノイズを大量に思い出したりする傾向があります。 • コード、長いドキュメント、構造化データの取得パフォーマンスが非常に低いです。 • 特定の行、関数、または章を正確に見つけることができません。 • コンテキストウィンドウがいっぱいになると重要な情報を忘れてしまい、会話が再開されるたびに完全に忘れてしまいます。 ファイル システム + シンボル検索 (ls、glob、grep) により、上記の問題は完全に回避されます。 • ファイルに書き込む → 永続的なストレージなので、決して忘れません。 • パス、ファイル名、キーワード、行番号などを使用して、ノイズのない正確な検索を実現します。 • 大きな結果は最初にファイルに書き込まれ、トークンの爆発を回避するために、必要な最小のフラグメントがオンデマンドでロードされます。 • エージェントの自己進化をサポート: 新しく学習したコマンド、ユーザー設定、成功事例がファイルに書き込まれ、永続的に有効になります。 LangChainが2つの便利なツールをリリース 1. ファイルエージェントツールキット（シングルエージェントファイル操作ツールセット） これには、read_file、write_file、append_file、list_directory、glob、grep などのコマンドが含まれます。 一般的な使用方法: Web 検索で 10,000 個のトークンが返される → 最初にファイル全体を書き込む → grep を使用して関連する 100 ～ 200 行を正確に抽出する → 次にそれをモデルにフィードする。 2. マルチエージェントファイルシステムの共同モードでは、複数のサブエージェントがメッセージを介して情報を交換することはなくなり（歪みやトークンの無駄が発生しやすくなります）、代わりに同じ作業ディレクトリを共有します。 • サブエージェントは、調査結果、結論、およびデータを事前に定義されたファイルに書き込みます。• マスターエージェントは、グローバルな一貫性を維持するために、常に最新のファイルを読み取ります。これにより、複数のエージェント間の「伝言ゲーム」によって引き起こされる情報の歪みの問題が完全に解決され、長期的かつ複雑な研究タスクに特に適しています。 コンテキストエンジニアリングの推奨ベストプラクティス: • 大規模な出力 (検索結果、コード、長期計画) は、まずファイルに書き込む必要があります。 • すべての計画、指示、およびユーザー設定も、永続メモリ用のファイルに書き込む必要があります。 • 精度を確保するため、検索中は純粋なベクトル検索よりもシンボリック検索 (grep/glob) を優先します。 • エントリポイントとして少数のベクトル検索を使用し、ファイルシステムツールを使用して二次的な詳細検索を実行します。 • エージェントに独自の「ホームディレクトリ」を提供し、プログラマーのように動作できるようにします。
