概要

『LLM の原理、RAG・エージェント開発から読み解く コンテキストエンジニアリング』(2026 年 2 月、技術評論社)は、大規模言語モデル(LLM)の挙動を制御する技術「コンテキストエンジニアリング」を体系化した解説書。著者・蒲生弘郷氏。プロンプトエンジニアリングが「指示の書き方」中心だったのに対し、本書は 「LLM に与える全入力情報の設計と管理」 を扱う。RAG / エージェント / ツール呼び出し / メモリ管理など、LLM 活用の最重要トピックを「コンテキスト」の視点で再整理する。

想定読者

• ChatGPT / Claude を業務で使い始めたが「思った通りに動かない」と感じるエンジニア
• RAG / AI エージェントの設計をする中級〜上級者
• プロンプトエンジニアリングを超えた、より体系的な LLM 制御を学びたい人
• 自社プロダクトに LLM を組み込む立場のテックリード / アーキテクト

こんな人には向いていない

• LLM を使った経験がほぼない完全初学者(本書は中級者以上向け)
• 特定フレームワーク(LangChain / LangGraph)の使い方を学びたい読者
• LLM の数学的基盤(Transformer / Attention)を深く学びたい読者(本書は応用寄り)

読了後にできるようになること

• 「コンテキストウィンドウ」を有限資源として設計できる — 何を入れて何を捨てるか
• RAG の検索戦略の判断軸が手に入る — 検索 + 再ランク + 圧縮の組み合わせ
• AI エージェントのメモリ管理を設計できる — 短期 / 長期 / 共有メモリ
• ツール呼び出し(Function Calling / MCP)の設計が分かる — ツール選択と出力フォーマット

本書のキー概念

• 第 1 章 LLM の基礎 — 入出力の本質、トークン化、Attention の役割
• 第 2 章 コンテキストエンジニアリングとは — プロンプトエンジニアリングを超える視点
• 第 3 章 プロンプトの構成要素 — System / User / Assistant ロール、Few-shot
• 第 4 章 RAG(Retrieval-Augmented Generation) — 検索 + 統合
• 第 5 章 メモリ管理 — 会話履歴 / 長期記憶 / 共有メモリ
• 第 6 章 ツール呼び出し — Function Calling / MCP / OpenAPI スキーマ
• 第 7 章 エージェント — ReAct / 計画 + 行動の協調
• 第 8 章 評価とデバッグ — トレース / 監査 / LLM 評価

なぜ「コンテキストエンジニアリングの定本」になりうるのか

LLM 応用の本は「プロンプトエンジニアリング」「RAG」「エージェント」を別々のテーマとして扱うことが多かった。本書は 「すべて『コンテキストへの何を入れるか』の問題」と統一する視点 で再整理する稀有な構成。2026 年 2 月刊行で内容も最新で、向こう 1-2 年は LLM 応用エンジニアの参照書として現役。

関連書籍

• 『LangChain と LangGraph による RAG・AI エージェント実践入門』 — 実装フレームワークの定本
• 『大規模言語モデル入門』 — Transformer / Attention の理論基盤
• 『生成 AI のプロンプトエンジニアリング』 — プロンプト側の深掘り

関連 Topic

• /topics/llm — LLM(大規模言語モデル)
• /topics/rag — RAG
• /topics/ai — AI
• /topics/prompt-engineering — プロンプトエンジニアリング