プロンプトエンジニアリング vs. 文脈エンジニアリング：RAGとエージェントによる高度なAIシステム構築

プロンプトエンジニアリング（Prompt Engineering）と文脈エンジニアリング（Context Engineering）はどちらも大規模言語モデル（LLM）の性能を最大化する技術ですが、そのアプローチと適用範囲は根本的に異なります。旅行予約エージェント「Graeme」の実例を通して、両者の違いと組み合わせ効果を解説します。

核心概念の定義

プロンプトエンジニアリング

LLMへの入力テキストを設計する技術。具体的には:

明確な指示文の作成
出力フォーマットの指定
例示（Few-shot learning）の活用

文脈エンジニアリング

LLMが推論時に参照する全情報を体系化する上位概念。包含要素:

動的文脈の統合（メモリ/RAG）
外部ツール連携
状態管理（State Management）

実例で見る機能差：旅行エージェント「Graeme」の失敗例

❌ プロンプト設計不足

ユーザーリクエスト: 「来月のDevOpsカンファレンス向けにパリのホテルを予約」

出力結果: ケンタッキー州パリのホテルを予約
→ 地理的曖昧さ解消の文脈不足

❌ 文脈統合の欠如

追加リクエスト: 「会議はフランス・パリで開催」

出力結果: 1泊€900の高級ホテルを予約
→ 社内旅行規定データ未連携の弊害

💡 本質的課題解決:

文脈エンジニアリングでは「カレンダー連携による開催地自動検出」「社内規定JSONファイルのRAG統合」により、動的に適切な文脈を付与します。

プロンプトエンジニアリングの実践手法

1. 役割割り当て（Role Assignment）

例: 「あなたはセキュリティ脆弱性を検査する上級Python開発者である」
→ 専門性・語彙・関心領域を誘導

2. 少数事例提示（Few-shot Examples）

入力/出力ペアを2-3例提示
→ 期待する出力フォーマットと品質を具体化

3. 連鎖思考プロンプト（Chain of Thought）

キーフレーズ: 「段階的に推論してください」
→ 複雑な推論タスクでの飛躍的結論を防止

4. 制約設定（Constraint Setting）

例: 「提供された文脈内の情報のみ使用」「回答は100語以内」
→ 無関係な展開を抑制

文脈エンジニアリングの構成要素

コンポーネント	機能	実装例
メモリ管理	短期/長期記憶の統合	会話要約（短期）・ベクターデータベース（長期）
状態管理（State Management）	マルチステップ処理の進捗追跡	フライト予約成功可否・到着時刻連携
RAG (Retrieval-Augmented Generation)	動的情報の検索統合	ハイブリッド検索による社内規定の関連条項抽出
ツール連携	外部機能の実行	API呼び出し・SQL照会・インフラデプロイ