AIとコンテキスト知識とノート

Stateful Corpus Research Loop:ソースの収集をやめる

次に何を探すべきか、そして何よりいつ止めるべきかを知るための方法です。30件や50件といったソース数を最初に決めるのではなく、厳選された小さなコーパスから始め、そこから構造化された知識を取り出します。そのうえで、コーパスが知っていること、まだ知らないことに次の検索を選ばせます。重複が減り、死角が見えるようになり、検証できる停止基準が手に入ります。

Info

原文はフランス語です。AI により翻訳されました — 文体ではなく意味を保っています。

書籍『Le contexte』の表紙
書籍『Le contexte』の延長として

この記事は、私の著書Le contexteに書いた内容をさらに掘り下げるものです。本を読むには、ダウンロードするか、Amazonで購入してください。

AIに調査を頼むとき、最初の反応はたいてい同じです。

このテーマについて、良いソースを20件、30件、50件探して。

問題はソースの数ではありません。問題は、本当に何が欠けているのかを知る前に、いくつ探すかを決めてしまうことです。

すると、互いに重なり合い、同じ概念を繰り返し、同じ研究を引用する文書が簡単に積み上がり、網羅しているかのような錯覚が生まれます。その一方で、最初の検索結果にうまく表れなかった視点は、見えないまま残ります。

私は別のアプローチをとっています。ごく小さいけれど厳選されたコーパスから始め、そこから構造化された知識を取り出し、このコーパスですでに何が理解できるのか、そして何よりもまだ何が理解できないのかを診断します。そのうえで、その状態に次の検索を決めさせるのです。

私はこの方法をStateful Corpus Research Loop、略してSCRLと呼んでいます。

その考え方は一文にまとまります。

ソースをもっと探すのではない。あるミッションについてすでに知っていることを変えうる、次のソースを探す。

1. 問題は大量調査ではない

たくさんのソースを探すこと自体は、もちろん悪いことではありません。数十件、ときには数百件の文書が必要な調査もあります。

問題が起きるのは、戦略が最初から固定されているときです。

スコープ → ソース30件 → 読む → 統合する

こうなると、量が品質の代わりになってしまいます。

ところが30件のソースが、実際にはいくつかのアイデアを繰り返しているだけということもあります。同じ種類の発信者から来ていたり、同じ研究を引用していたり、同じ仮説に立っていたり、同じ矛盾を見落としていたりするのです。

ですから、問うべきは「ソースは何件あるか」ではありません。

問うべきは、「自分のコーパスはすでに何を知っていて、まだ何を知らないのか。そして、どの検索がこの状態をいちばん変えそうか」です。

SCRLは、いつもの発想を逆転させます。

先に収集してから理解するのではなく、次に何を探すべきかを決められるだけの理解をまず得るのです。

2. すべてはミッションとスコープから始まる

境界のない反復ループは、終わりがなくなりかねません。

新しいソースはどれも新しい問いを生みます。問いは新しい概念につながります。そして概念の一つひとつが、新たに20件の文献を読む理由になることもあります。

そのためSCRLは、明確なミッションから始めます。

  • 中心となる問い
  • テーマに含まれるもの
  • テーマから外れるもの
  • 理解すべき軸
  • 求める知識の種類

収束は、絶対的な意味では決して成り立ちません。

「これでAIエージェントについて知るべきことはすべてわかった」と結論づけることはできません。

結論づけられるのは、「このミッションについて、このスコープの中では、新しい反復が現在のモデルを大きく変える見込みはもう低い」ということだけです。

スコープは事務的な制約ではありません。停止基準を可能にするものです。

3. 小さくても厳選されたシードから始める

SCRLは網羅的な収集からは始まりません。始まりはシード、つまり注意深く選んだ少数のソースです。

この最初のまとまりは、次の点を十分に満たしている必要があります。

  • 信頼できること
  • 多様であること
  • テーマの核心に近いこと
  • 最初の概念構造が見えてくるだけの豊かさがあること

シードは、領域を網羅するためのものではありません。

その役割はもっと控えめで、もっと役に立ちます。何が欠けているかを見つけられるだけの、最初の知識の状態をつくることです。

ループを起動するためのものなのです。

4. ソースを要約ではなく知識に変える

生の文書は、推論の単位としては不向きです。

一つの記事に、互いに独立した五つのメカニズムが含まれていることがあります。まったく異なる二つの文書が、まったく同じアイデアを支えていることもあります。逆に、一つのソースの中に、しっかりした主張と、推測的な仮説と、あいまいな定義が同居していることもあります。

そこで、ソースと成果物のあいだに中間層が必要になります。

私のシステムでは、この層はおもに、このブログで詳しく紹介してきた三種類のノートで成り立っています。

  • アトミックノートは、知的な重心を一つだけ持つ、自立した知識の単位を固定します。
  • テーマノートは、複数の知識を結びつけて、さらに一段深い理解を生み出します。What Is a Thematic Note?
  • 用語集エントリは、あいまいさがコーパスの解釈を左右しかねないときに、用語の意味を固定します。

つまりSCRLは、文書の山から直接検索を導くのではありません。

すでに取り出され、構造化された知識から導くのです。

5. コーパスがstatefulになる

最初の取り込みが終わると、コーパスは状態を持つようになります。

コーパスは少しずつ、次のようなものを表せるようになります。

  • 確立していると思われること
  • まだ裏づけが弱いこと
  • 一つのソースにしか依存していないこと
  • 不確かなままのこと
  • 矛盾
  • 用語のあいまいさ
  • まだよく理解できていないメカニズム
  • すでに特定された限界
  • ソースが偏って集中している領域
  • ソースがほとんどない領域
  • コーパスの複数の部分のあいだの関係

この状態が、次の判断への入力になります。

↻ Stateful Corpus Research Loop

ミッション/スコープ → 厳選されたシード → ソース → ノート → コーパスの状態 → 診断 → 狙いを絞った検索 → 新しいソース → コーパスの更新 → 収束テスト → 新しい反復

コーパスはもはや、調査の結果であるだけではありません。

次の検索を動かすエンジンになるのです。

6. 新しい反復が実際に探せるもの

新しい反復は、もはや「関連する記事をもっと探して」という意味ではありません。

反復には、コーパスの診断から生まれた目的が与えられます。

反復が目指せるのは、たとえば次のようなことです。

  • 広げる:まだ欠けている重要な側面を見つける
  • 補強する:重要な知識に独立したエビデンスを加える
  • 欠落を埋める:まだ記述されていないメカニズム、ステップ、指標、条件を記述する
  • 矛盾を探す:コーパスがすでに確かだと見なしていることを否定したり制限したりする可能性のある研究を、あえて探す
  • 限界を明確にする:ある主張がどこで、いつ成り立たなくなるかを見極める
  • 競合する意味を区別する:著者、製品、分野によって使われ方の異なる用語を見つける
  • 記述からメカニズムへ進む:何が起きるかだけでなく、なぜ、どのように起きるかを理解する
  • エビデンスを多様にする:理論、ベンチマーク、実証研究、技術文書、現場からのフィードバック、実際の観察を組み合わせる
  • 転用可能性を試す:ある領域で観察されたアイデアが、別の領域でも成り立つかを確かめる
  • 依存関係を特定する:メカニズムが機能するために必要な条件を見つける
  • 副作用を探す:コスト、レイテンシ、バイアス、退行、組織上の制約、ガバナンス上のリスク
  • 陳腐化を確かめる:技術の進化がコーパスの一部を無効にしていないかを検出する
  • 離れた領域を結びつける:同じメカニズムがテーマの複数の部分を貫いていることに気づく
  • バランスを取り直す:ある種類のソースに偏っているせいで強く見えているだけの結論を正す
  • モデルを崩しうるものを探す:もし成果が出れば中心的な結論の見直しを迫るような検索を、明示的に立てる
  • 飽和を測る:新しい検索がまだ実質的な知識を生んでいるかを試す

このリストが重要なのは、検索の役割を変えるからです。

検索エンジンの使命は、もはや「良いソース」を見つけることではありません。コーパスがいま必要としている種類のエビデンスを見つけることです。

7. 大量調査とSCRL

よくある調査は、たいていこんな形をしています。

スコープ → 大規模な収集 → 読む → 抽出する → 統合する

SCRLは、むしろこんな形です。

スコープ → 小さなシード → 知識 → 診断 → 診断が決める次の検索

つまり違いは、ソース5件対50件ではありません。

SCRLが最終的に100件のソースに達することも十分ありえます。

違いは次の二つのあいだにあります。

自分に何が必要かを正確に知る前に収集する

ことと、

すでに得た知識に、次に何を探すべきかを決めさせる

ことです。

8. 実際の試み:Adobe Summit Paris 2026

私はこのアプローチを、Adobe Summit Paris 2026に向けた個人的な準備作業で試しました。

ミッションは、意図的に五つの軸に絞りました。

  1. エージェント時代のコンテンツ制作と組織:エージェント、オーケストレーション、人による監督、ワークフロー、量産化
  2. ブランドの文脈とAIによるコンテンツガバナンス:ブランドの表現、制約、承認、永続的な文脈、管理
  3. 問い合わせ可能な文書と知識のシステム:RAG、retrieval、grounding、引用、文書間の矛盾、コーパスからの生成
  4. エージェント型Web、発見可能性、LLMでの可視性:GEO、引用、帰属、構造化データ、配信、可視性の測定
  5. 会話型インターフェースと意図による創作:自然言語、創作のコントロール、状態の保持、直接操作、意図から操作への変換

その後、調査はループを重ねながら進んでいきました。

この試みを終えた時点での数字は次のとおりです。

  • 調査の反復15回
  • コーパスに登録したソース82件
  • 信頼できる抽出ができず使えなかったソース1件
  • 有効なノート51枚
  • アトミックノート34枚
  • 用語集エントリ10件
  • テーマノート7枚
  • 軸ごとに一つずつ、統合ブリーフ5本

しかし、興味深い数字は82ではありません。

興味深いのは、反復の役割がどう変わったかです。

序盤:広げる

最初のループは、おもに状況を理解するために使われます。概念、メカニズム、そしてテーマの最初の境界が見えてきます。

中盤:補強し、構造化する

続く反復では、より良いエビデンスを探し、いくつかのアイデアを切り分け、欠落を埋め、ノート同士の関係を浮かび上がらせます。

終盤:モデルを攻撃する

最後の反復は、性質が変わります。

13回目、14回目、15回目の反復は、おもに反証テストとして使われました。

問いはもはや「ほかに何を加えられるか」ではありませんでした。

問いは、「理解したと思っていることの見直しを迫るようなものとして、何が見つかりうるか」になっていたのです。

15回目の反復では、五つの軸の概念モデルを変えるほど重要な新しいソースは、一つも採用されませんでした。

もちろん、テーマが尽きたという意味ではありません。

それが示していたのは、定めたスコープの中では、コーパスが収束し始めていたということです。

9. 収束:いつ止めるかを知る

これがおそらく、このアプローチのいちばん興味深い利点です。

よくある調査では、「もう十分に探しただろうか」という問いには、答えが出ないことが多いのです。

30件? 50件? 100件?

こうした数字は、認識論的な基準にはなりません。

SCRLは、別のシグナルを使えます。

調査が収束し始めるのは、新しい反復が次のような状態になったときです。

  • 中心的な新しい知識をもう生まない
  • 重要なノートをもう大きく変えない
  • 大きな矛盾をもう明らかにしない
  • スコープ内の重要な欠落をもう見つけない
  • おもに確認や重複を加えるだけになる
  • 残っている不確かさを明確に特定した状態にしておく

つまり収束とは、「すべてを知っている」という意味ではありません。

収束が意味するのは、新しい反復が現在の表現を大きく変える確率が、その反復のコストに比べて低くなったということです。

そして、この基準は検証できます。

モデルを崩すための検索を意図的に行えばよいのです。それが何度も続けて失敗すれば、飽和のシグナルはずっと信頼できるものになります。

10. 調査エージェントにとって何が変わるか

「deep research」と呼ばれるシステムの多くは、いまも暗黙のうちに次のような構造に近い形をとっています。

search → scrape → summarize → write

複数の検索を行う場合でも、それらは非常に早い段階で決めた計画の枝分かれにすぎないことが少なくありません。

本当に適応的な調査ループには、それ以上のものが必要です。

エージェントは、とりわけ次のものを含む状態を保持しなければなりません。

  • スコープ
  • 固まった知識
  • その出どころ
  • その裏づけの度合い
  • 矛盾
  • 不確かさ
  • 特定された欠落
  • すでに行った検索
  • 何ももたらさなかった戦略
  • 飽和したと見なされる領域

そうすれば、エージェントは次のように判断できます。

いま、どの検索が、役に立つ知識を得る確率を最も高めるか。

構造は次のようになります。

スコープ → メモリ → コーパスの状態 → 診断 → 検索戦略 → 新しいエビデンス → 知識の更新 → 収束テスト

調査は、もはや生成の前の一段階ではありません。

自分が知っていることについての自らの表現を更新し、その表現を使って次の一手を選ぶシステムになるのです。

単にdeepではなく、statefulに

deep researchという言葉は、深さを強調しています。

しかし、深さは品質を保証しません。

エージェントは、同じバイアスを繰り返しながら100件の文書を読むことができます。中心的な結論に反するソースを一度も探さないまま、膨大な範囲を探索することもできます。何が不確かなまま残っているかをはっきり把握しないまま、巨大な文脈を積み上げることもできます。

ですから、大事な変化はおそらく、より深く探すことではありません。

状態を持って探すことです。

それがStateful Corpus Research Loopの考え方です。

コーパスはもはや文書の山ではありません。

あるミッションについて得られた知識を、進化しながら表すものになります。そしてこの表現が、次の検索を決めるために使われるのです。

次のソースには存在理由が必要だ

良い調査は、おそらくもう次の問いから始めるべきではありません。

このテーマについて最も良い記事はどれか。

むしろ少しずつ、もっと厳しい問いにたどり着くべきです。

すでに知っていることに照らして、いまどんな情報が、私たちの理解を最も変えそうか。

微妙な違いです。

しかし、それが調査の役割をすっかり変えます。

SCRLは、良いソースをたくさん見つけようとするものではありません。あるミッションについて私たちが知っていることを、まだ変えうるソースはどれかを、その時々に見極めようとするものです。