Claude の 1M コンテキストを活かす情報設計の実践
Claude Opus 4.7 が 1M トークン入力に対応したことで、社内マニュアル丸ごと、コードベース全体、過去 1 年の議事録をそのまま渡すような業務利用が現実的になりました。ただし、長文を渡しただけで AI の精度が線形に上がるわけではありません。情報設計が伴ってはじめて 1M context は武器になります。
1M context が変えること
1M トークン（≒ 70 万字程度の日本語）が一度に入ると、次のような業務が変わります。
- 社内ナレッジ統合: マニュアル・FAQ・過去事例を全部渡して質問応答
- コードベース理解: 中規模リポジトリをまるごと渡して仕様抽出
- 長期議事録分析: 1 年分の会議ログから意思決定の経緯を辿る
- 契約書バッチレビュー: 複数契約を横並びで分析
ただし、情報を入れすぎるとノイズが増えて精度が下がる ことも事実です。
長文を入れても精度を落とさない構造
長文コンテキストでの精度確保には次の 4 つが効きます。
1. 章立てを明示する
# 第 1 章: 会社概要
（本文）
# 第 2 章: 製品ラインナップ
## 2.1 主力製品 A
（本文）
Markdown 見出しや明示的なセクション区切りがあると、AI は情報の階層構造を理解しやすくなります。
2. 各章の前に TL;DR
各章の冒頭に 3 行程度のサマリ を置きます。
# 第 1 章: 会社概要
**TL;DR**: 創業 2010 年、主力は B2B SaaS、従業員 200 名、顧客 800 社。
（本文）
AI は前置きサマリを優先的に参照しやすいので、要点を取りこぼしません。
3. 索引（目次）を冒頭に
文書全体の冒頭に「どこに何が書いてあるか」のマップを置きます。
# 索引
- 会社概要 → 第 1 章
- 製品 A の仕様 → 第 2.1 章
- 製品 B の仕様 → 第 2.2 章
- 価格表 → 第 3 章
AI が「どこを参照すべきか」を判断する手がかりになります。
4. 重要情報は前段に
「Lost in the Middle」と呼ばれる現象があり、AI は 冒頭と末尾の情報を強く参照 し、中央部の情報を取りこぼしやすい傾向があります。重要な前提・制約・結論は冒頭か末尾に置きます。
順序の効果
同じ情報量でも、順序を変えると精度が変わります。次の優先順位がおすすめです。
- タスク指示（冒頭）
- 重要な制約・前提
- コンテキスト本体（章立て＋TL;DR）
- タスク指示の再掲（末尾）
- 出力形式の指定
末尾で指示を再掲することで、AI が長文の中盤で道を見失うのを防げます。
Prompt Caching との関係
Claude の Prompt Caching を使うと、同じシステムプロンプトとコンテキスト を複数回のリクエストで再利用してコストとレイテンシを大幅削減できます。
- キャッシュ対象: システムプロンプト、長文コンテキスト、Few-shot 例
- 変動部分: 個別タスクの入力データのみを user メッセージに
社内ナレッジを 1M context に入れて毎回問い合わせる業務では、Caching の有無で コストが 10 倍違う こともあります。
PrompTune で運用する
長文コンテキストの品質は、PrompTune の コンテキスト診断モード で 5 軸（一貫性/情報充足/ノイズ抑制/優先順位/冗長性抑制）で評価できます。1M context を本格利用する前に、与える情報の構造を整えることをおすすめします。