テクニカル・サマリー：長文コンテキスト・エージェントにおける段階的開示（Progressive Disclosure）

1. 問題提起

長大な文書に対する質問応答（QA）は、従来、2つの最適ではない戦略の間のトレードオフを強いてきた。それは、ドキュメント全体をコンテキストウィンドウにロードすること（多くの場合、効果的なアテンションの限界を超える）、あるいは外部リトリーバーを使用してチャンクを取得することである。エージェント型AIは第3の選択肢を提案している。それは、エージェントにドキュメントのパスを提供し、何をいつ読むかをエージェント自身に決定させるというものである。

実務家たちは、エージェント・スキル（Agent Skills）——オンデマンドのフォルダを使用して専門知識をパッケージ化する標準規格（短い説明から特定の記述へと、クエリが必要とするものだけを段階的に露出させる手法）——を急速に採用してきたが、このパターンは制御された証拠に基づくものではなく、エンジニアリングの直感によって推進されてきた。具体的には、書籍規模のタスクにおいて、段階的開示が生のドキュメント・ナビゲーションよりも優れているのか、また、開示階層の深さ（フラット型か再帰型か）がパフォーマンスにどのように影響するのかについては依然として不明である。さらに、既存の文献では、ルーティング階層の深さと、チャンクごとのインデックスの物理的な場所（常にロードされるものか、アクティベーション時にロードされるものか）という2つの設計上の選択肢を混同していることが多い。

2. メソドロジー

著者らは、$\infty$Benchベンチマークをサンドボックス化されたファイルシステム・タスクへと変換する、BenchFlowフレームワーク上に構築されたインタラクティブなエージェント環境であるLOONGDOCを導入する。これにより、エージェントの軌跡、ツール呼び出し、およびトークン使用量の記録が可能になる。

実験設計

本研究では、書籍規模のドキュメントをナビゲートするための3つの異なるアプローチを比較する。これらは、変数として「配線（wiring）」のみを分離するために、同一の固定されたチャンク集合と説明を使用している。

1. 生のドキュメント・ナビゲーション (raw)： エージェントはサンドボックス内に生の書籍ファイルをスキルパックなしで受け取る。エージェントは、自力でファイルをナビゲート、grep、または完全に読み取る必要がある。
2. フラットな開示 (flat)： ドキュメントは単一のエージェント・スキルとしてパッケージ化される。ルートの SKILL.md ファイル（常にコンテキスト内に存在する）には、チャンクファイルをインデックスする目次が含まれる。エージェントはルートの説明を読み、スキルをアクティブ化し、その後、references/ ディレクトリから特定のチャンクファイルをオンデマンドでロードする。チャンクごとの説明は、アクティベーション時のみロードされる。
3. 階層的な開示 (hierarchical)： すべてのチャンクが独自のスキルとなる再帰的な構造。メタ・ルーター（常にコンテキスト内に存在する）が子スキルへとルーティングし、各子スキルは、常にコンテキスト内に存在する説明を持つ独自の SKILL.md を持つ。これは「常にロードされる」コンテキストのコスト（tax）を増大させる。

評価セットアップ

• ベンチマーク： $\infty$Benchのサブセット：英語多肢選択式（En.MC）、英語オープンQA（En.QA）、および中国語オープンQA（Zh.QA）。
• スケール： 実験は単一の書籍で実行され、さらに $K \in \{5, 10, 20\}$ 冊のライブラリへとスケールアップされる。
• モデルとハーネス： 3つのエージェント・ハーネス（Codex, Pi, Claude-Code）が、3つのモデルファミリー（gpt-5.4-mini, qwen3.6-27b, claude-haiku-4.5）を駆動する。
• ベースライン： 古典的なハイブリッドRAG（検索および再ランク付け）パイプラインが、外部のリファレンスとして機能する。

3. 主な貢献

1. 制御された比較： 標準化された長文ドキュメント・ベンチマークにおいて、生のナビゲーションと、フラットおよび階層的な段階的開示の効果を分離した最初の体系的な研究。
2. LOONGDOC環境： 静的な書籍QAをインタラクティブなエージェント・タスクに変換する再現可能なテストベッド。単に最終的な精度を報告するのではなく、エージェントが「どのように」失敗または成功するかを説明するために、完全な軌跡をログに記録する。
3. 設計の分離： ルーティングの深さとインデックスの場所の影響を切り分け、「book-to-skill」のレシピの成功が、エージェントのネイティブなナビゲーション能力とコーパスの規模に大きく依存することを実証した。

4. 結果

単一書籍におけるパフォーマンス

• ハーネスへの依存性： 段階的開示は、普遍的な精度のレバーではない。
  • 弱いナビゲーター（Pi, Claude-Code）： フラットな開示は、生のナビゲーションと同等またはそれを上回る。スキルパックは、生のテキスト内での箇所特定に苦労するエージェントを助ける。
  • 強いナビゲーター（Codex）： エンティティを「grep」して一致した箇所のみを読む自然な能力を持つCodex（gpt-5.4-mini）のようなエージェントにとって、スキルパックは精度の向上に全く寄与しない。エージェントは、locate-then-read（特定してから読む）の能力を即座に再構築するため、事前に用意されたスキルは冗長となる。
• 深度によるペナルティ： 階層的なアプローチ（より深い再帰）は、単一の書籍においてフラットなアプローチを決して上回ることはなく、しばしば精度を著しく低下させる（例：PiにおいてEn.MCを0.91から0.63に低下させる）。常にロードされる子説明のコンテキスト負荷が、チャンクを確定する前にルーターのコンテキストを飽和させてしまうためである。

ライブラリ規模のパフォーマンス（$K=20$ へのスケーリング）

• 生のナビゲーションの崩壊： コーパスが増大するにつれ、生のドキュメント・ナビゲーションは崩壊する。Codexのような強力なエージェントであっても、過剰なコンテキストを消費せずに多数の書籍の中から正しい書籍を確実に特定することができないため、オープンQAの精度は劇的に低下する（例：En.QAは約0.66から約0.26へ低下）。
• 救済策としてのフラットな開示： フラットなスキルパックは、精度の低下が非常に緩やかであり、スケール時には生のナビゲーションを追い抜く。これにより、エージェントはライブラリ全体を横断する前に、対象となる書籍にコミットすることができる。
• 階層的開示の失敗： 階層的なパックは、フラットなパックで見られた救済効果を再現できない。「常にロードされる」全20冊の全チャンクの説明がコンテキスト予算を膨張させ、この手法が軽減しようとしている圧力を再構築してしまう。
• 効率性： フラットなパックは、より正確であるだけでなく、より効率的である。$K=20$ において、それは生のナビゲーションのほぼ2倍の精度を、約半分のトークンコストで達成する。

ベースラインとの比較

段階的開示（特にフラットなもの）は、一般的に古典的なハイブリッドRAGベースラインを上回る。特にオープンQAタスクにおいて顕著であり、構造化された長大なドキュメントにおいては、イン・スキル・インデックス（in-skill indexing）が標準的な検索・再ランク付けパイプラインよりも効果的なルーティング・メカニズムであることを示唆している。

5. 意義と主張

本論文は、**「段階的開示は、知能ではなくコンテキストを買うものである」**と結論付けている。

• 冗長性 vs 決定性： 単一の書籍に対して、エージェントが生のテキストを効果的にナビゲートできるほど強力であれば、段階的開示は冗長である。しかし、コーパスがネイティブなナビゲーションに適さないほど大きくなった場合（ライブラリ・スケール）、段階的開他は決定的なものとなる。
• 最適な構造： 1レベルの開示（フラット）で十分である。2番目のより深いルーティング階層（階層的）を追加しても、精度向上には繋がらず、むしろメタデータによってコンテキストを飽和させ、精度を損なう。
• 実践的なガイダンス： 書籍規模の素材をパッケージ化する場合、著者らは、深い子スキルの階層構造ではなく、単一のスキルに段階的開示（フラットなインデックス）をレイヤーとして重ねることを推奨している。

この研究は、このパターンによる恩恵がタスクや言語に依存すること、特に英語のオープンQAで最も顕著な利点が得られる一方で、中国語のQA（ベースモデルの能力が天井となる）や多肢選択式タスク（事前学習による記憶が結果を混乱させる）では、利点がほとんどないか、あるいは負の影響を与えることを強調している。