大量の資料をAIにまとめて渡し、深く調べてもらいたい——そんなとき、資料をそのまま一度のプロンプトに詰め込むのが最善とは限りません。モデルが一度に参照できるコンテキストには限りがあり、会話が長くなれば、その中で扱える情報を管理する必要も出てきます。1

目指したいのは「全部を一度に読ませる」ことより、資料をまとめて受け付け、必要な箇所を何度でも参照できる状態を保ちながら、調査を段階的に進めることです。

長文を扱う発想を変える「再帰的な読み込み」

この考え方に近い研究のひとつが、Recursive Language Models（RLM）です。2026年5月11日改訂版の論文では、長い入力をモデルのコンテキスト内に丸ごと入れるのではなく、外部環境に置き、モデルが必要に応じて調べ、分割し、抜き出した部分についてモデルを再帰的に呼び出す方法を提案しています。3

つまり、「資料を全部、最初から最後まで一度に読ませる」代わりに、全体を参照可能な状態に置いたうえで、問いに合わせて読む範囲を切り替える発想です。AWSも、Amazon Bedrock AgentCore Code InterpreterとStrands Agents SDKを使ったRLMの実装例を紹介しています。6

ただし、これは無制限に入力でき、常に正しく答えが出るという意味ではありません。再帰的な呼び出しを重ねれば、費用や処理の複雑さが増すことがあります。安全策や呼び出し回数などを含めた設計が必要です。3

「三度読む」は、同じ資料を機械的に三周することではない

大量の文献やファイルを扱うなら、読み方を段階に分けるのが現実的です。たとえば、次のような流れが考えられます。

1. 全体を見渡す。 資料の一覧や代表的な箇所を確認し、依頼内容、制約、論点、資料どうしの関係を整理します。
2. 問いごとに詳しく読む。 決定に関係する資料を分担して読み、主張、根拠、限界、反証、未確認の範囲を記録します。
3. 判断に影響する点を掘り下げる。 重要な前提を原文に戻って確かめ、異なる資料の食い違いや見落としがないか検討します。

この「三度」は、すべての資料を同じ手順で三回読み直すという意味ではありません。何を判断するための調査なのかに合わせ、読む範囲と深さを変えるための枠組みです。

要約だけに頼らず、根拠へ戻れるようにする

資料を短い要約に圧縮しすぎると、後から原文の細部を確認できなくなるおそれがあります。原文は参照可能な状態で保ち、ページや段落、コードの位置など、根拠へ戻るための手がかりを記録しておくのが基本です。

Anthropicのコンテキスト設計に関する資料も、関連情報をあらかじめすべて読み込むのではなく、必要な情報をその場で取得する方法や、サブエージェントごとに作業を分ける方法などを取り上げています。12 長時間にわたるエージェント作業では、次のセッションでも進められるよう、明確な成果物を残すことが重視されています。7

実務では、資料の取得に失敗した、アクセス権がない、情報が食い違っている、といった状態も明示する必要があります。入手できていない資料を「読んだ」ことにしないことが、調査結果の信頼性につながります。

途中経過と停止条件も、調査の一部

長い調査は、最終回答だけを成果物にすると、途中で止まったときに何が分かり、何が未確認なのかが見えにくくなります。初期段階で暫定的な見立てを共有し、その後、根拠や反証、未解決の点を更新していくほうが、作業の状態を把握しやすくなります。

また、時間、費用、モデルの呼び出し回数などに上限を設け、上限に達したら「現時点の結論・未確認事項・残っている根拠」を報告する設計も有効です。新たな読み込みをしても判断が変わらないなら止める。アクセス拒否や確定的なエラーが起きたら、同じ処理を際限なく繰り返さず、阻害要因として伝える。こうしたルールが、調査を継続可能にします。

エラーをすべて「コンテキスト不足」と決めつけない

個別の作業記録の点検例では、Rooの分析セッションを5件確認した一方、対象とされたClineのPlanセッションの元記録は確認できなかったとされています。確認できた障害には、サーバー側のアクセス許可がない状態や、上流のストリームが途中で終了した状態、503エラーなどが含まれていました。こうした事例だけから、コンテキスト上限が原因だったと断定することはできません。

とくに、ログの文字数をそのままテキストのトークン数とみなすのは適切ではありません。画像データを含む記録では、文字列の長さだけでは実際の入力規模を判断できない場合があります。コンテキストの圧縮や要約だけで、アクセス権の問題や通信エラーまで解決できるわけではありません。

「一度に全部読む」より「必要なときに戻れる」仕組みへ

大規模な調査を支えるのは、巨大な一回のプロンプトだけではありません。資料の出どころを記録し、必要な部分を段階的に読み、判断の根拠を残し、途中経過を次の作業へ引き継ぐ——その一連の流れが重要です。

エージェントの記憶についても、作業ログから新たなノートや表現を作り、情報を整理する方法が議論されています。ただし、こうした仕組みも単一のモデル呼び出しにおけるコンテキスト制限をなくすものではありません。4

資料はまとめて渡してよい。それでも、読む作業は分けてよい。AIに長い調査を任せるうえでは、すべてを一度に抱え込ませるより、原文へ戻れること、進み具合が分かること、限界に達したら途中の成果を渡せることを整えるのが現実的です。

大量の資料をAIにまとめて渡し、深く調べてもらいたい——そんなとき、資料をそのまま一度のプロンプトに詰め込むのが最善とは限りません。モデルが一度に参照できるコンテキストには限りがあり、会話が長くなれば、その中で扱える情報を管理する必要も出てきます。1

目指したいのは「全部を一度に読ませる」ことより、資料をまとめて受け付け、必要な箇所を何度でも参照できる状態を保ちながら、調査を段階的に進めることです。

長文を扱う発想を変える「再帰的な読み込み」

この考え方に近い研究のひとつが、Recursive Language Models（RLM）です。2026年5月11日改訂版の論文では、長い入力をモデルのコンテキスト内に丸ごと入れるのではなく、外部環境に置き、モデルが必要に応じて調べ、分割し、抜き出した部分についてモデルを再帰的に呼び出す方法を提案しています。3

つまり、「資料を全部、最初から最後まで一度に読ませる」代わりに、全体を参照可能な状態に置いたうえで、問いに合わせて読む範囲を切り替える発想です。AWSも、Amazon Bedrock AgentCore Code InterpreterとStrands Agents SDKを使ったRLMの実装例を紹介しています。6

ただし、これは無制限に入力でき、常に正しく答えが出るという意味ではありません。再帰的な呼び出しを重ねれば、費用や処理の複雑さが増すことがあります。安全策や呼び出し回数などを含めた設計が必要です。3

「三度読む」は、同じ資料を機械的に三周することではない

大量の文献やファイルを扱うなら、読み方を段階に分けるのが現実的です。たとえば、次のような流れが考えられます。

1. 全体を見渡す。 資料の一覧や代表的な箇所を確認し、依頼内容、制約、論点、資料どうしの関係を整理します。
2. 問いごとに詳しく読む。 決定に関係する資料を分担して読み、主張、根拠、限界、反証、未確認の範囲を記録します。
3. 判断に影響する点を掘り下げる。 重要な前提を原文に戻って確かめ、異なる資料の食い違いや見落としがないか検討します。

この「三度」は、すべての資料を同じ手順で三回読み直すという意味ではありません。何を判断するための調査なのかに合わせ、読む範囲と深さを変えるための枠組みです。

要約だけに頼らず、根拠へ戻れるようにする

資料を短い要約に圧縮しすぎると、後から原文の細部を確認できなくなるおそれがあります。原文は参照可能な状態で保ち、ページや段落、コードの位置など、根拠へ戻るための手がかりを記録しておくのが基本です。

Anthropicのコンテキスト設計に関する資料も、関連情報をあらかじめすべて読み込むのではなく、必要な情報をその場で取得する方法や、サブエージェントごとに作業を分ける方法などを取り上げています。12 長時間にわたるエージェント作業では、次のセッションでも進められるよう、明確な成果物を残すことが重視されています。7

実務では、資料の取得に失敗した、アクセス権がない、情報が食い違っている、といった状態も明示する必要があります。入手できていない資料を「読んだ」ことにしないことが、調査結果の信頼性につながります。

途中経過と停止条件も、調査の一部

長い調査は、最終回答だけを成果物にすると、途中で止まったときに何が分かり、何が未確認なのかが見えにくくなります。初期段階で暫定的な見立てを共有し、その後、根拠や反証、未解決の点を更新していくほうが、作業の状態を把握しやすくなります。

また、時間、費用、モデルの呼び出し回数などに上限を設け、上限に達したら「現時点の結論・未確認事項・残っている根拠」を報告する設計も有効です。新たな読み込みをしても判断が変わらないなら止める。アクセス拒否や確定的なエラーが起きたら、同じ処理を際限なく繰り返さず、阻害要因として伝える。こうしたルールが、調査を継続可能にします。

エラーをすべて「コンテキスト不足」と決めつけない

個別の作業記録の点検例では、Rooの分析セッションを5件確認した一方、対象とされたClineのPlanセッションの元記録は確認できなかったとされています。確認できた障害には、サーバー側のアクセス許可がない状態や、上流のストリームが途中で終了した状態、503エラーなどが含まれていました。こうした事例だけから、コンテキスト上限が原因だったと断定することはできません。

とくに、ログの文字数をそのままテキストのトークン数とみなすのは適切ではありません。画像データを含む記録では、文字列の長さだけでは実際の入力規模を判断できない場合があります。コンテキストの圧縮や要約だけで、アクセス権の問題や通信エラーまで解決できるわけではありません。

「一度に全部読む」より「必要なときに戻れる」仕組みへ

大規模な調査を支えるのは、巨大な一回のプロンプトだけではありません。資料の出どころを記録し、必要な部分を段階的に読み、判断の根拠を残し、途中経過を次の作業へ引き継ぐ——その一連の流れが重要です。

エージェントの記憶についても、作業ログから新たなノートや表現を作り、情報を整理する方法が議論されています。ただし、こうした仕組みも単一のモデル呼び出しにおけるコンテキスト制限をなくすものではありません。4

資料はまとめて渡してよい。それでも、読む作業は分けてよい。AIに長い調査を任せるうえでは、すべてを一度に抱え込ませるより、原文へ戻れること、進み具合が分かること、限界に達したら途中の成果を渡せることを整えるのが現実的です。