Knowledge Hub

2026-07-04T05:32:57.576Z

Claude Codeの1Mコンテキストは「広い机」であって「賢い記憶」ではない

Claude Codeの1Mコンテキストは長い作業に強い一方、情報を入れすぎると判断がにぶる。大事なのは、AIに渡す情報を増やすことではなく、作業ごとに整理して渡すことだ。

Claude CodeAIエージェントコンテキスト管理生成AI開発生産性

結論: Claude Codeは「長く覚えられる」ようになったが、「何でも入れっぱなしでよい」わけではありません。

今回の入力は、Claude Code StudioのX投稿です。 自動取得された本文は空で、投稿の全文は確認できませんでした。 ただし検索結果では、同じ投稿IDの記事が表示されました。 内容は「Claude Codeのセッション管理」と「1Mコンテキスト」です。 元URL: https://x.com/claudecode_love/status/2044672857998016940

ここでいうコンテキストとは、AIが次の返答を作るために見ている情報です。 会話、読んだファイル、実行したコマンドの結果などが入ります。

Anthropic公式記事は、Claude Codeのコンテキストが100万トークンに広がったと説明しています。 100万トークンは、日本語なら本1冊から数冊分に近い量です。 しかし公式記事は同時に、情報が増えるほど性能が落ちることも説明しています。 これを「context rot（文脈の腐り）」と呼んでいます。 出典: https://claude.com/blog/using-claude-code-session-management-and-1m-context

たとえるなら、大きな机を手に入れた状態です。 資料はたくさん置けます。 でも、古いメモや関係ない書類も置きっぱなしなら、仕事はむしろ遅くなります。

そもそもどういうこと？

結論: AIの作業品質は、モデルの頭の良さだけでなく「机の上の整理」で大きく変わります。

Claude Codeは、プログラムを書く人向けのAI作業道具です。 ファイルを読み、コードを書き、コマンドも実行します。 ふつうのチャットより、仕事の現場に近いAIです。

Anthropic公式ドキュメントは、コンテキストを「作業記憶」と説明しています。 これは、AIが今の返答で参照できる情報の置き場です。 学習済みの知識とは別物です。 出典: https://platform.claude.com/docs/en/build-with-claude/context-windows

ここで重要なのは、広い作業記憶ほど常に良いとは限らない点です。 公式ドキュメントも、トークン数が増えると正確さや思い出す力が落ちると述べています。 出典: https://platform.claude.com/docs/en/build-with-claude/context-windows

仕事で考えるとわかりやすいです。 会議資料を全部机に積むと、安心感はあります。 でも、いま必要な1枚を探すのは大変です。 AIにも似たことが起きます。

flowchart LR
  A[会話やファイルを読む] --> B[コンテキストに入る]
  B --> C{今の作業に必要？}
  C -->|必要| D[判断の助けになる]
  C -->|不要| E[注意を散らす]
  E --> F[古い話に引っぱられる]
  F --> G[回答の質が落ちる]

くわしく見てみよう

結論: Claude Codeを使うたびに、実は5つの分かれ道があります。

Anthropic公式記事は、毎回の作業後に選べる行動を5つに整理しています。 出典: https://claude.com/blog/using-claude-code-session-management-and-1m-context

選択肢やること向いている場面
Continue同じ会話で続ける同じ作業が続き、前の情報が必要なとき
Rewind前の時点に戻すAIが間違った道に進んだとき
Clear新しい会話にする本当に別の仕事を始めるとき
Compactここまでを要約して続ける会話が長くなり、古い情報を減らしたいとき
Subagent別の小さなAIに任せる調査や検証など、途中経過が大量に出るとき

この中で、多くの人が選びがちなのはContinueです。 つまり、ずっと同じ会話で続けます。 しかし、長い作業ではそれが問題になります。

たとえば、バグ修正をしているとします。 AIが5つのファイルを読みました。 その後、間違った直し方をしました。 ここで「違う、別案でやって」と言うと、失敗した作業も残ります。 すると、AIはその失敗に引っぱられることがあります。

公式記事は、この場合はRewindがよい場合があると説明しています。 前のよい地点に戻し、学んだことだけを追加して再開する方法です。 出典: https://claude.com/blog/using-claude-code-session-management-and-1m-context

これは、仕事でいう「議事録を修正する」のではありません。 「間違った会議をなかったことにして、正しい前提で再開する」に近いです。

もう一つ大事なのがCompactです。 Compactは、長くなった会話を短い要約に置き換えます。 便利ですが、要約なので情報は必ず落ちます。 公式記事も、Compactは「lossy（情報が失われる）」だと説明しています。 出典: https://claude.com/blog/using-claude-code-session-management-and-1m-context

だから、ただ自動で短くされるのを待つより、先に指示つきで要約する方が安全です。 例としては、次のような指示です。

/compact 認証まわりの設計判断だけ残し、テストの試行錯誤は捨てて

これなら、AIは何を残すべきか理解しやすくなります。

くらべてみよう

結論: 1Mコンテキストは強力ですが、200k時代より「整理の腕」が大事になります。

AnthropicのAPIリリースノートによると、2026年3月13日にClaude Opus 4.6とSonnet 4.6で1Mコンテキストが一般提供されました。 また、2026年4月30日には、Sonnet 4.5とSonnet 4向けの1Mベータが終了しました。 出典: https://platform.claude.com/docs/en/release-notes/overview

2026年7月時点の公式ドキュメントでは、Opus 4.8、Opus 4.7、Opus 4.6、Sonnet 5、Sonnet 4.6などが1Mコンテキストを持つと説明されています。 一方、Sonnet 4.5などは200kです。 出典: https://platform.claude.com/docs/en/build-with-claude/context-windows

観点200kコンテキスト1Mコンテキスト
入る情報量少なめ約5倍
長い作業途中で詰まりやすい続けやすい
情報の散らかり早く限界が来る気づきにくいまま悪化しやすい
必要な習慣こまめに整理目的別に整理
たとえ小さな机広いが散らかりやすい机
xychart-beta
  title "コンテキスト容量の単純比較"
  x-axis ["200k", "1M"]
  y-axis "トークン数" 0 --> 1000000
  bar [200000, 1000000]

ただし、容量の差だけを見てはいけません。 広い机は便利ですが、整理しないと書類の山になります。 つまり1M化は「管理しなくてよくなる進化」ではありません。 「より大きな仕事を、整理しながら進められる進化」です。

関連研究も、この見方を支えています。 2026年4月のarXiv論文は、Claude Codeの中核は単純なループだが、周辺には権限管理、圧縮、拡張、サブエージェントなどの仕組みがあると分析しています。 出典: https://arxiv.org/abs/2604.14228

つまり、AIエージェントの実力はモデル単体では決まりません。 「いつ読むか」「何を残すか」「どの作業を分けるか」という設計で変わります。

別の2026年5月の研究は、Claude Code採用後の開発者について調べています。 5,838人のGitHub開発者を対象に、採用後に月間コミット数や使う言語数が増えたと報告しています。 ただし、厳密な因果関係までは断定できないとも述べています。 出典: https://arxiv.org/abs/2605.25438

ここから言えるのは、AIコーディングは成果を増やす可能性があるということです。 ただし、その成果は「正しい使い方」とセットです。

わたしの見方

結論: これからのAI活用力は、質問力より「引き継ぎ力」になります。

多くのAI活用論は、よいプロンプトを書く話に寄りがちです。 もちろん、それも大事です。 しかしClaude Codeの話で見えてくる本質は少し違います。

大事なのは、AIに仕事を引き継がせる技術です。

人間の職場でも同じです。 優秀な同僚でも、散らかった引き継ぎを渡されると苦労します。 「昨日の会議全部を読んで」より、次の方が強いです。

AIでも同じです。 大きなコンテキストに全部入れるより、よい引き継ぎ文を作る方が効きます。

この観点で見ると、Subagentも重要です。 Subagentは、別のAIに小仕事を任せる仕組みです。 公式記事は、途中の大量出力が不要で、結論だけ必要な作業に向くと説明しています。 出典: https://claude.com/blog/using-claude-code-session-management-and-1m-context

これは会社でいう、調査担当に「資料を全部読んで、結論だけ持ってきて」と頼む形です。 上司の机に資料の山を全部積まない。 結論だけ受け取る。 この分業が、AIでも効きます。

一方で、注意点もあります。 Anthropicは2026年4月23日、Claude Codeの品質低下報告について説明しました。 一部では、古い思考履歴を消す処理のバグがありました。 その結果、Claudeが理由を忘れ、繰り返しや変なツール選択をしたと説明しています。 修正は2026年4月10日のv2.1.101で行われました。 出典: https://www.anthropic.com/engineering/april-23-postmortem

これは重要な教訓です。 AIの失敗は、モデルの能力だけでなく、周辺の仕組みでも起きます。 だから利用者側も、作業の節目を作る必要があります。

mindmap
  root((AIに渡す情報を整理する))
    続ける
      同じ目的
      前の情報が必要
    戻す
      間違った道を消す
      正しい前提で再開
    要約する
      残す情報を指定
      古い試行錯誤を捨てる
    新しく始める
      別タスク
      必要情報だけ引き継ぐ
    任せる
      調査
      検証
      結論だけ戻す

だから何をすればいい？

結論: Claude Codeでは、作業のたびに「この情報は次も必要か」を決める習慣を持つべきです。

すぐ使える行動は次の6つです。

場面おすすめの行動ひとこと例
同じ機能を作り続けるContinue「このまま実装を続けて」
AIが間違った方針を試したRewind「この地点に戻り、A案は使わずB案で」
長い調査で会話が重いCompact「認証設計だけ残して要約して」
別の仕事に移るClear「ここまでの引き継ぎを作って」
大量のログ確認をしたいSubagent「別エージェントでログを調べ、結論だけ返して」
品質が急に落ちた新規セッション「現在の目的、制約、重要ファイルだけ渡す」

特におすすめは、作業の節目で「引き継ぎメモ」を作ることです。 長くても10行から20行で十分です。

目的:
いま作っているもの:
重要ファイル:
決めたこと:
試して失敗したこと:
次にやること:
触ってはいけないこと:

このメモがあると、Clearしても再開しやすくなります。 Compactの失敗も減らせます。 チームで使う場合は、これをPull RequestやIssueにも残すと効果があります。

最後に、1Mコンテキストをどう見るべきか。 わたしは「大容量メモリ」より「広い作業台」と見る方がよいと思います。 広い作業台は、複雑な仕事に向いています。 でも、片づけの習慣がない人ほど散らかします。

AI時代の差は、AIに詳しいかだけでは決まりません。 作業を小さく分け、不要な情報を捨て、次へ渡す力で決まります。

関連動画

参考にしたページ

関連する動画

Claude Code Session Management & 1M Context Window - Complete GuideTechWealth HubThis Is The Anthropic Team's Greatest AdviceAI LABSFULL Claude Code Tutorial For Beginners in 2026! (Become a PRO)AI Foundations