Context Engineering MCP

# 従来のアプローチ - 手動レビュー
context = "You are an AI assistant. You help users. You are helpful..."
# 開発者: "私には問題ないように見えます！" 🤷

# コンテキストエンジニアリングのアプローチ - AI分析
analysis = await analyze_context(context)
print(f"Quality Score: {analysis.quality_score}/100")
print(f"Issues Found: {analysis.issues}")
print(f"Recommendations: {analysis.recommendations}")

# 出力:
# Quality Score: 65/100
# Issues Found: ['Redundant statements', 'Vague instructions']
# Recommendations: ['Combine role definition', 'Add specific examples']

私たちのAIアナライザーは以下を評価します。

• 意味の一貫性: アイデアがどれだけうまく流れるか
• 情報密度: トークンの効率性指標
• 明瞭度スコア: 読みやすさと理解しやすさ
• 関連性マッピング: コンテンツが意図にどれだけ合致するか

# 最適化前
original_context = """
You are an AI assistant. You are helpful. You help users with their 
questions. When users ask questions, you should answer them helpfully...
"""
# トークン数: 50, 品質: 60/100

# 最適化後
optimized_context = """
You are a helpful AI assistant that provides comprehensive, 
accurate answers to user questions.
"""
# トークン数: 15 (70%削減！), 品質: 85/100

最適化戦略:

• 🎯 トークン削減: 意味を失わずに冗長性を取り除く
• 💎 明瞭度向上: 指示の精度を向上させる
• 🔗 関連性強化: 重要な情報を優先する
• 📐 構造改善: 論理的な流れを最適化する

# 再利用可能なテンプレートを作成
template = create_template(
    name="Customer Support Agent",
    template="""
    You are a {company} support agent with {experience} of experience.
    
    Your responsibilities:
    - {primary_task}
    - {secondary_task}
    
    Communication style: {tone}
    
    Current context: {context}
    """,
    category="support",
    tags=["customer-service", "chatbot"]
)

# さまざまなシナリオで使用する
rendered = render_template(template, {
    "company": "TechCorp",
    "experience": "5 years",
    "primary_task": "Resolve technical issues",
    "secondary_task": "Ensure customer satisfaction",
    "tone": "Professional yet friendly",
    "context": "Black Friday sale period"
})

特徴:

• 🤖 AI生成テンプレート: ニーズを説明すると、テンプレートが生成されます
• 📊 使用分析: どのテンプレートが最も効果的かを追跡する
• 🔄 バージョン管理: 以前のバージョンに戻すことができます
• 🧪 A/Bテスト: テンプレートのパフォーマンスを比較する

複雑な実世界のシナリオを扱います。

# マルチモーダルコンテキストを作成
context = create_multimodal_context(
    text="Analyze this product image and create a description",
    images=["product_photo.jpg", "dimension_diagram.png"],
    documents=["product_specs.pdf"],
    metadata={
        "target_audience": "technical buyers",
        "tone": "professional",
        "length": "200-300 words"
    }
)

# 各モダリティの自動最適化
optimized = await optimize_multimodal(context)

サポートされる形式:

• 📝 テキスト: Markdown、平文、コード
• 🖼️ 画像: JPEG、PNG、WebP
• 🎵 オーディオ: MP3、WAV (文字起こし)
• 📹 ビデオ: MP4 (フレーム抽出)
• 📄 ドキュメント: PDF、DOCX、XLSX

// Claude Desktopの設定に追加するだけ
{
  "mcpServers": {
    "context-engineering": {
      "command": "node",
      "args": ["./mcp-server/context_mcp_server.js"]
    }
  }
}

その後、Claudeで自然言語を使用できます。

• "Optimize my chatbot's context for clarity"
• "Create a template for code review"
• "Analyze why my AI responses are slow"
• "Compare these two prompt strategies"

15の強力なツールがあなたの手の届くところに！

AWS ECS

# ECRにビルドしてプッシュ
aws ecr get-login-password | docker login --username AWS --password-stdin $ECR_URI
docker build -t context-engineering .
docker tag context-engineering:latest $ECR_URI/context-engineering:latest
docker push $ECR_URI/context-engineering:latest

# CloudFormationでデプロイ
aws cloudformation create-stack --stack-name context-engineering \
  --template-body file://aws/ecs-stack.yaml

Google Cloud Run

# ビルドしてデプロイ
gcloud builds submit --tag gcr.io/$PROJECT_ID/context-engineering
gcloud run deploy context-engineering \
  --image gcr.io/$PROJECT_ID/context-engineering \
  --platform managed \
  --allow-unauthenticated

Kubernetes

# マニフェストを適用
kubectl apply -f k8s/namespace.yaml
kubectl apply -f k8s/deployment.yaml
kubectl apply -f k8s/service.yaml
kubectl apply -f k8s/ingress.yaml

# 特殊なAIエージェントを作成
agent_session = create_session("Customer Service Agent")
window = create_context_window(agent_session, max_tokens=4096)

# 役割固有のコンテキストを追加
add_context_element(window, {
    "content": "You are Emma, a senior customer service specialist...",
    "type": "system",
    "priority": 10
})

# 会社の知識を追加
add_context_element(window, {
    "content": "Company policies: ...",
    "type": "system",
    "priority": 8
})

# 分析と最適化
analysis = analyze_context(window)
if analysis.quality_score < 80:
    optimized = optimize_context(window, goals=["clarity", "relevance"])

結果: 応答時間が40%短縮、顧客満足度が85%

# 以前: 汎用的なチャットボット
old_prompt = "You are a chatbot. Answer questions."

# 以降: テンプレートで最適化
template = generate_template(
    purpose="Technical support chatbot for SaaS platform",
    examples=["User login issues", "API integration help"],
    constraints=["Max 2 paragraphs", "Include links to docs"]
)

# 最適化されたバージョンをデプロイ
optimized_bot = render_template(template, {
    "product": "CloudAPI Pro",
    "docs_url": "https://docs.cloudapi.com"
})

結果: エスカレーションが60%削減、解決時間が2倍速くなる

# コンテンツ生成テンプレートを作成
blog_template = create_template(
    name="Technical Blog Post",
    template="""Write a {word_count}-word blog post about {topic}.
    
    Target audience: {audience}
    Tone: {tone}
    Include: {requirements}
    
    SEO keywords: {keywords}
    """,
    category="content"
)

# 一貫したコンテンツを生成
for topic in topics:
    content = generate_with_template(blog_template, {
        "topic": topic,
        "word_count": 1500,
        "audience": "developers",
        "tone": "informative yet engaging",
        "requirements": ["code examples", "best practices"],
        "keywords": ["API", "integration", "tutorial"]
    })

結果: コンテンツ出力が5倍になり、品質スコアが90%以上で安定

# マルチモーダル研究コンテキスト
research_context = create_multimodal_context(
    text="Analyze market trends for electric vehicles",
    documents=["market_report_2024.pdf", "competitor_analysis.xlsx"],
    images=["sales_charts.png", "technology_roadmap.jpg"],
    metadata={
        "focus_areas": ["battery technology", "charging infrastructure"],
        "output_format": "executive summary with recommendations"
    }
)

# 包括的な分析のために最適化
optimized = optimize_multimodal(research_context, 
    goals=["completeness", "actionable_insights"])

結果: 時間が70%節約され、洞察の精度が95%

セッション管理

POST   /api/sessions              # 新しいセッションを作成
GET    /api/sessions              # すべてのセッションをリストする
GET    /api/sessions/{id}         # セッションの詳細を取得
DELETE /api/sessions/{id}         # セッションを削除

コンテキストウィンドウ

POST   /api/sessions/{id}/windows # コンテキストウィンドウを作成
GET    /api/contexts/{id}         # コンテキストの詳細を取得
POST   /api/contexts/{id}/elements # コンテキスト要素を追加
DELETE /api/contexts/{id}/elements/{elem_id} # 要素を削除

分析と最適化

POST   /api/contexts/{id}/analyze # コンテキストの品質を分析
POST   /api/contexts/{id}/optimize # 目標を設定して最適化
POST   /api/contexts/{id}/auto-optimize # AI駆動の最適化
GET    /api/optimization/{task_id} # 最適化のステータスを確認

テンプレート管理

POST   /api/templates             # テンプレートを作成
POST   /api/templates/generate    # AIでテンプレートを生成
GET    /api/templates             # テンプレートをリストする
GET    /api/templates/{id}        # テンプレートを取得
POST   /api/templates/{id}/render # 変数を使用してレンダリング
PUT    /api/templates/{id}        # テンプレートを更新
DELETE /api/templates/{id}        # テンプレートを削除

// コンテキストエンジニアリングツール
- create_context_session(name, description)
- create_context_window(session_id, max_tokens)
- add_context_element(window_id, content, type, priority)
- analyze_context(window_id)
- optimize_context(window_id, goals)
- auto_optimize_context(window_id)
- get_context_stats()

// テンプレート管理ツール  
- create_prompt_template(name, template, category)
- generate_prompt_template(purpose, examples)
- list_prompt_templates(category, tags)
- render_template(template_id, variables)

// AIガイドツール (ボーナス)
- list_ai_guides()
- search_ai_guides(query)
- search_guides_with_gemini(query)
- analyze_guide(title)