Google提唱の「SKILL.state」がAIエージェントの長期タスク精度を飛躍的に向上：履歴依存からの脱却
本記事は、AIエージェントが長時間のタスクを遂行する際の精度低下という課題を解決する、GoogleとPurdue大学の研究者らによって2026年8月に提案された新しい手法「SKILL.state」について解説しています。従来のAIエージェント（例：Claude）は、会話が長くなるにつれて過去の全履歴をコンテキストとして入力に含めるため、「コンテキスト膨張」による精度劣化や、重要な約束事を忘れてしまう「膨張問題」に直面していました。SKILL.stateは、この問題に対し、会話履歴全体をAIに入力するのではなく、「型（スキーマ）が定義された構造化データ（State）」のみを明示的に渡す仕組みを提案しています。具体的には、業務で管理すべき状態（例：バグ調査のフェーズ、仮説、エラーログなど）を事前にJSON形式で「型」として定義します。エージェントがタスクを遂行する各ターンにおいて、LLMには「固定のスキル指示」「現在の構造化された実行状態（State）」「最新の観測結果」の3点のみが渡され、長い会話履歴は意図的に排除されます。さらに、LLMは現在の状況に基づき「状態の差分（JSONパッチ）」を出力し、このパッチのみが次のステップのStateとして適用されます。この手法の優位性は、単なる履歴の要約や圧縮に留まらず、システム的な「状態管理」を強制することにあります。検証の結果、SKILL.stateは、200ステップに及ぶ長タスクにおいて、従来手法がスコアを大きく落とすのに対し、0.94という高いスコアを維持しました。また、トークン消費量も従来の履歴追記型手法（617万トークン）と比較して大幅に削減し、12万トークンで済むなど、効率性と精度の両面で圧倒的な優位性を示しています。この構造化された状態管理により、ノイズの混入や外部からの状況変化にも強く、信頼性の高いエージェントシステム構築に貢献すると期待されています。
背景
大規模言語モデル（LLM）を用いたAIエージェントは、複雑な多段階タスクの実行が求められるようになり、その信頼性が課題となっています。特に、会話やタスクの実行が長引くと、入力コンテキストが膨大になりすぎて、AIが初期の重要な情報を忘れたり、ノイズに惑わされたりする「コンテキスト膨張」が深刻な問題となっています。
重要用語解説
- SKILL.state: AIエージェントの実行状態を、会話履歴ではなく「型定義された構造化データ（State）」として管理する手法。これにより、長期タスクにおける精度維持とトークン効率の向上を実現します。
- コンテキスト膨張: AIエージェントが長時間のタスクを処理する際、過去の全ての会話履歴や観測結果が入力（コンテキスト）に蓄積されすぎる現象。これが原因で、AIの処理能力が低下し、精度が劣化します。
- JSONパッチ: JSON形式のデータ構造における「差分」を記述するための標準的な仕組み。SKILL.stateでは、新しい状態を構築する際、過去の全状態を再送するのではなく、変更点（差分）のみを効率的に更新するために利用されます。
今後の影響
SKILL.stateは、AIエージェントを単なるチャットボットから、厳密な手順と状態管理が求められる「業務システム」へと進化させる可能性を秘めています。特に、金融、製造、ITサポートなど、決定論的で高い信頼性が求められるエンタープライズ分野において、AIの導入障壁を下げ、実用的な自動化システムの構築を加速させると予想されます。