ライフサイクルを跨ぐ課題：コンテキスト枯渇とプロジェクトレベルの永続化

大規模言語モデル Agent の推論能力がいかに高くても、2つの境界に制約されます。1つは単一のコンテキストウィンドウ C最大 が有限であること、もう1つはセッション終了後に状態や経験を頼りにできないことです。一方、実際のエンジニアリングや研究プロジェクトのライフサイクル Tプロジェクト は数か月から数年に及ぶため、 Tプロジェクト ≫ C最大となります。核心的な矛盾は単一の推論能力の不足ではなく、経験が Agent のライフサイクルを跨げないことにあります。永続化がなければ、各実験の失敗、トレードオフ、候補案、検収結論はコンテキストのクリアとともに失われ、後続の Agent は同じ探索を繰り返すしかありません。

コンテキスト枯渇：単一セッションの限界境界

Agent のコンテキストウィンドウは有限のリソースです。現在のタスク目標、局所的な観測、直近の推論を保持できますが、セッションが終了すると、ウィンドウ内の状態、一時的な結論、経験は利用できなくなります。長期的なプロジェクトでは、プロジェクトの記憶を単一のコンテキストに置くことはできません。次のセッション開始時には、コンテキストはすでにクリアされているか、ごく少量の外部注入情報しか残っていないからです。

プロジェクトレベルの永続化：経験をソフトウェア世界として外化する

解決の方向性は プロジェクトレベルの永続化にあります。単一実験における失敗構成、トレードオフの過程、候補案、検収結論を、コード、テスト、実験記録、意思決定ログ、評価指標、検収結果など、持続的に存在するプロジェクトレベルの成果物として外化します。これにより、後続の Agent はゼロから始める必要がなく、プロジェクトリポジトリから前段の経験を読み取り、どの方向性が検証済みか、どの対立が未解決か、どの指標が達成済みかを判断できます。

進化対象の境界拡張

手法進化の観点では、進化対象はもはや単一の数値パラメータや候補解にとどまらず、持続的に存在し、バージョン管理可能で、継承可能なソフトウェア世界へと拡張されます。各セッションで生成される新しい成果物はこの世界の状態を変化させ、次のセッションはその更新された世界の上で進化を続けます。こうして最適化プロセスは一度きりのタスクからプロジェクトレベルの継続的進化へと変わります。

マルチ Agent の協調と再帰的分解

ライフサイクルが有限な複数の Agent は協調して動作できます。上位の実行者が目標を理解してタスクを分解し、下位の実行者が局所的な実装とテストを完了し、必要に応じて再帰的に分解を続けます。ライフサイクルを跨ぐ連続性はプロジェクトレベルの永続化によって保証されます。各 Agent は終了前に重要な状態をプロジェクト成果物に書き込み、新しい Agent は起動後にまずプロジェクトの記憶を読み取り、次の局所的な行動を決定します。

エンジニアリング実務における目標の対立と疎なフィードバック

長期的なプロジェクトでは目標の対立がしばしば存在し、例えば性能、コスト、ロバスト性の間で同時に最適化するのは困難です。また、1回の実験に数時間から数日を要するため、フィードバックが疎になることもあります。プロジェクトレベルの永続化がなければ、これらの対立や疎なフィードバックを安定して記録できず、後続の Agent は同じ失敗を繰り返します。永続化された意思決定ログと評価指標こそ、疎なフィードバックを継承可能な経験に変換する鍵となる媒体です。