AIエージェントのルールファイルが精査されずに肥大化すると、過剰なルールがコンテキストを希釈し、競合や無関係な指示への注意力の浪費を招く。全268個のルールを運用するシステムを監査した結果、175セッションのうち76%のルールは3回以下しか機能しておらず、頻繁に使用されたのはわずか5%であった。プロジェクトのニーズやモデルの性能が進化するにつれ、ほとんどの指示が「死重」と化している実態が明らかだ。

エージェントが重要なガイダンスを無視する事態を避けるため、システムには3層構造の導入が推奨される。必須かつ譲れないルールを扱う「コア層」、状況に応じたガイダンスを行う「タスク層」、検索可能だが非アクティブな「アーカイブ層」に分類する手法だ。

効果的なガバナンスには、一定の機能更新後にパフォーマンスの低いルールを退役させる定期的なクリーンアップが不可欠だ。スクリプトやTool-callのログを用いた客観的な検証と、エージェントの自己申告を区別する必要がある。客観的なデータでは、ルールを定義したからといって、必ずしも実際の順守に結びつくわけではないことが示されている。

ユーザーは、最近の履歴でエラーを防いでいないルールを特定する「ラストヒット」テストや、トリガー条件の欠如、曖昧な言語、重複エントリーをフラグ立てする自動衛生管理スクリプトを活用できる。目標は、大規模言語モデル (LLM) のコンテキストウィンドウ内における信号対雑音比を高く維持することだ。コアセットを15個以内にするなどアクティブなルールに厳格な上限を設けることで、不可欠なガイダンスの優先順位を保証できる。エージェントガバナンスは単なる記憶の蓄積ではなく、古くなった指示を破棄する代謝機能の実装である。

AIエージェントのルールファイルが精査されずに肥大化すると、過剰なルールがコンテキストを希釈し、競合や無関係な指示への注意力の浪費を招く。全268個のルールを運用するシステムを監査した結果、175セッションのうち76%のルールは3回以下しか機能しておらず、頻繁に使用されたのはわずか5%であった。プロジェクトのニーズやモデルの性能が進化するにつれ、ほとんどの指示が「死重」と化している実態が明らかだ。

エージェントが重要なガイダンスを無視する事態を避けるため、システムには3層構造の導入が推奨される。必須かつ譲れないルールを扱う「コア層」、状況に応じたガイダンスを行う「タスク層」、検索可能だが非アクティブな「アーカイブ層」に分類する手法だ。

効果的なガバナンスには、一定の機能更新後にパフォーマンスの低いルールを退役させる定期的なクリーンアップが不可欠だ。スクリプトやTool-callのログを用いた客観的な検証と、エージェントの自己申告を区別する必要がある。客観的なデータでは、ルールを定義したからといって、必ずしも実際の順守に結びつくわけではないことが示されている。

ユーザーは、最近の履歴でエラーを防いでいないルールを特定する「ラストヒット」テストや、トリガー条件の欠如、曖昧な言語、重複エントリーをフラグ立てする自動衛生管理スクリプトを活用できる。目標は、大規模言語モデル (LLM) のコンテキストウィンドウ内における信号対雑音比を高く維持することだ。コアセットを15個以内にするなどアクティブなルールに厳格な上限を設けることで、不可欠なガイダンスの優先順位を保証できる。エージェントガバナンスは単なる記憶の蓄積ではなく、古くなった指示を破棄する代謝機能の実装である。