コーディングエージェントに、誤字を1つ直してほしいと頼んだとしよう。エージェントは依頼を読む前に、使えそうなすべてのツールの説明書を、全部読んでいるかもしれない。
その読み込み代は、毎回のやり取りで払うことになる。ほとんどのツールが使われないままでもだ。
ある対照実験では、この読み込みを減らしたところ、MCPコーディングエージェントの入力トークンが92.7%減った。
32個のツール定義を最初に全部読み込むのをやめ、必要なツールをその都度検索する方式にしたのだ。変えたのはハーネスだけで、モデルは同じままだった。
この記事のポイント
- MCPサーバーが公開するツールごとに、名前、説明、JSON Schemaがコンテキストに加わる。初期設定のままだと、エージェントは毎ターンそのすべてを読み直す。
- AI Labo E14の実験では、オンデマンド検索の入力トークンが、32個のスキーマを最初に全部読み込む方式より92.7%少なかった。
- 節約が意味を持つのは、タスクの成功率が保たれた場合だけだ。そのため、この実験では隠しテスト20件でも結果を確かめた。
この結果は、AI Laboの実験シリーズ(E14)で行った対照A/B実験によるものだ。
実験は、外部と完全に切り離したオフラインのサンドボックスVMで行った。どちらの群も、同じモデルと同じ初期コーディングタスクを使っている。
採点には、エージェントから見えない隠しテスト20件を使った。以下では、92.7%がどこから来るのか、何が数字に含まれていないのか、自分の環境では当てはまらないのはどんなときかを順に見ていく。
「スキーマ税」とは何か、なぜ払うのか
MCPエージェントから見えるツールには、一度も呼ばれなくてもコストがかかる。そのコストは、リクエストのたびにトークンで払う。
ツールには、次の3つの部品がついている。
- 名前:エージェントがツールを呼び出すときのラベル。
- 説明:ツールが何をするのかを書いた平易な文章。
- JSON Schema:ツールが受け取るパラメーターを形式的に並べたもの。
初期設定では、ハーネスがリクエストのたびにこれらをすべてモデルのコンテキストに入れる。これから使うツールも、まったく触れないツールも同じ扱いだ。
これをスキーマ税と呼ぶことにする。携帯電話の月額基本料金に似ている。1回かけても100回かけても、同じ額を払う。
この税は、ツールの数が増えると重くなる。タスクが難しいかどうかは関係ない。 1行だけの修正でも、複数ファイルにわたるリファクタリングでも、毎ターンの負担は同じだ。
ハーネスの判断ひとつを測る
では、なぜモデルではなくハーネスに注目するのか。ハーネスとは、モデルの周りを囲むコードのことだ。プロンプトの組み立て方や、コンテキストに何を入れるかを決めている。
以前の記事では、このコードがモデルと同じくらいトークン効率を左右すると論じた(なぜハーネスがエネルギー(とトークン)の効率を左右するのか)。スキーマ税は、その考えを、測れる1つの選択に絞ったものだ。
- 全部読み込む:32個のツール定義を、最初にすべてコンテキストへ入れる。
- 必要になったら検索する:エージェントがツールを探し、必要なときだけ完全な定義を読み込む。
オンデマンド検索で、入力トークンは92.7%減った。これほど大きな数字は、もう一度疑ってみる価値がある。
本当に問うべきは、代わりに何を支払っているのかだ。コンテキストが軽くなると、タスクの成功率は下がるのか、上がるのか、変わらないのか。
ツール定義のトークンは、どこに消えているのか
ツール定義は、設定ファイルの中では小さく見える。ところが文章に直してプロンプトに入れると、ずっと長くなる。
次の表は、その長さが何から生まれやすいかをまとめたものだ。
| 部品 | トークンが増える理由 |
|---|---|
| ツール名 | 短いが、大きなカタログでは何度も出てくる |
| 説明 | 人間の開発者向けに、注意書きや例が付きがち |
| パラメーターのスキーマ | 入れ子の項目ごとにtype、description、requiredが繰り返される |
| 省略可能なパラメーター | 使われなくても、すべて書かれる |
| 列挙値と書式 | 許される値が1つ残らず書かれる |
どれも、それだけなら無駄ではない。例外的な場合まで説明した文章は、人間が組み込むときに助けになる。厳密なスキーマは、形の崩れた呼び出しを防いでくれる。
問題は、モデルがそのすべてを毎ターン送り直されることだ。
エージェントのループで、なぜコストが積み上がるのか
コーディングエージェントのリクエストは、1回では終わらない。ループで作業する。
バグを直す場面を考えてみよう。ファイルを読み、テストを走らせ、失敗を読み、コードを直し、またテストを走らせる。
1つひとつが新しいターンだ。そして、ターンのたびにツールのカタログ全体が送られる。
計算例を見てみよう。数字は切りのよい仮の値で、実験の測定値ではない。
- 1ターンあたり:32ツール × 約400トークン ≈ 12,800トークン
- 1セッションあたり:30ターン × 12,800 ≈ 38万4,000の入力トークン(ツール定義だけで)
大事なのは、合計の正確さではなく、計算のしくみだ。1回のリクエストでは小さく見える負担も、ターン数の分だけ掛け算されていく。
差はなぜ広がり続けるのか
この方式では、コストはカタログの大きさに応じて上がる。サーバーをもう1つつなぐと、そのツール定義がすべて、毎ターンに加わる。
一方で、タスクが実際に必要とするツールの数は、それに合わせて増えるわけではない。バグ修正なら、ファイルの読み書きとテスト実行のように、数個で足りるかもしれない。
公開しているツールと実際に使うツールの差。オンデマンド読み込みが削ろうとしているのは、この差だ。
料金だけの問題なのか
そうとは限らない。ただし、ここは検証された結果ではなく仮説だ。名前が似ていて説明も重なるツールが長く並ぶと、モデルが間違える機会が増えるのかもしれない。
起こりうる間違いには、たとえば次のようなものがある。
- 選び間違い:
grep_codeが正解なのにsearch_filesを選ぶ。 - パラメーターの取り違え:そっくりな2つのツールのあいだで、項目名を混同する。
- 広すぎる呼び出し:絞り込めるツールがあるのに、汎用のツールを使う。
実際にそうなるかどうかは、測ってみないと分からない。それがこの実験の2つ目の問いだ。
コンテキストを小さくすると、エージェントの働きぶりが変わるのか。それとも変わるのはコストだけなのか。
実験はどう組まれたか
設計は単純なA/B比較だ。2つの群で違うのは、ツールの読み込み方だけにした。
次の表は、2つの群を比べたものだ。
| 基準群 | 処置群 | |
|---|---|---|
| モデル | 同じ | 同じ |
| コーディングタスク | 同じ | 同じ |
| 環境 | オフラインの隔離サンドボックスVM | オフラインの隔離サンドボックスVM |
| ツールの読み込み | 最初から32個のスキーマすべて | 先に検索し、選んだツールだけ読み込む |
| 採点 | 隠しテスト20件 | 隠しテスト20件 |

図2:E14実験の2条件と共通条件(出典:AI Labo テストシリーズ E14)
それぞれの統制は何のためか
統制は、2つの群の差を説明しうる理由を1つずつ消していく。
- オフラインの隔離:ネットワークの遅延も、利用回数の制限も、外部データの変化もない。どちらの群も同じ条件で動く。
- 隠しテスト:エージェントは検査の中身を見られない。テストに通るように出力を合わせることはできず、本当に問題を解くしかない。
- 同じモデル:モデルの能力は固定される。残る大きな違いは、ツールの読み込み方だ。
ひとつ注意がある。言語モデルは、実行のたびに同じ出力を返すわけではない。そのため、各群を1回ずつ走らせた結果が示すのは向きだけだ。
効果と偶然を切り分けるには、繰り返しの実行が要る。
何を測ったのか
実験では、4つの数字を追った。
- 入力トークンの合計
- 出力トークン
- ターン数
- 隠しテスト20件の合格率
これらの数字は、そろって初めて意味を持つ。合格率が下がっていれば、入力トークンが92.7%減っても大した意味はない。
失敗が早くなっただけでトークンが減ったエージェントは、効率がよいとは言えない。間違った答えに、安く行き着くようになっただけだ。
92.7%の削減は、どう読めばよいのか
オンデマンド検索で、入力トークンは、32個のスキーマを最初に全部読み込む方式より92.7%減った。検索方式の入力は、基準の約7.3%、おおよそ14分の1だ。
大きな数字だ。使いこなすには、何を測った数字で、何が含まれていないのかを知っておくとよい。
この数字は何を示しているのか
節約のほとんどは、ひとつの変化から来ている。ターンのたびにカタログ全体を送り直すのをやめたのだ。このことは、基準群についても教えてくれる。
入力がここまで減るには、基準群のセッション全体の入力の大半を、ツール定義が占めていたはずだ。コードやログ、テスト出力といったタスクそのものの材料は、少ないほうだったことになる。
この読みが成り立つのは、2つの方式のターン数が近い場合だけだ。
片方のターン数が多ければ、差の一部はスキーマの大きさではなく、セッションの長さから来る。ターン数をトークン数と一緒に読む必要があるのは、このためだ。
この数字は何を示していないのか
この数字は、1つのモデル、1つのタスク、32個のツールからなる1つのカタログで得たものだ。ほかの環境にそのままは当てはまらない。
結果を左右する要因は2つあり、働き方が違う。
- ターン数:カタログ全体を送らないターンは、1回ごとに同じ量を節約する。だからセッションが長いほど、節約できるトークンの合計は増える。
- コンテキストに占める割合:パーセントは、スキーマがほかの内容と比べてどれだけ大きいかで決まる。長いセッションでは会話履歴が増え続けるので、各ターンでスキーマの占める割合は小さくなりうる。
つまり、長いセッションほど、節約できるトークンの合計は大きくなる。ただし、節約の割合が高くなるとは限らない。短いセッションは、節約を積み重ねるターンが少ない。
正しさは保たれたのか
トークンの数字が意味を持つのは、隠しテストの合格率と並べたときだけだ。入力を節約しても、エージェントが仕事を終えられなくなるなら意味がない。
次の表は、起こりうる3つの結果と、それぞれの意味を整理したものだ。
| 合格率の結果 | 意味すること |
|---|---|
| 変わらない | 結果は同じで、入力はずっと少ない |
| 上がった | コンテキストが軽くなり、ツールの迷いが減った |
| 下がった | 検索が必要なツールを隠したか、増えた手順で道に迷った |
92.7%という数字に価値があるのは、最初の2つの結果の場合だけだ。 トークンの請求が減っても合格率が下がるなら、それは節約ではなく取引だ。
合格率が上がる場合は、先に述べた、精度に関する見方と合う。ただし、1回の実行ではそこまでは示せない。
検索の手間はどれだけかかるのか
ツールをオンデマンドで読み込むと、それ自体の手間が生まれる。その一部はトークンに、一部は時間に表れる。
- ツール呼び出しが増える:本物のツールを呼ぶ前に、検索ツールを呼ぶ必要がある。
- ターンが増える:検索の1ステップごとに、モデルの呼び出しと往復が1回増える。
- 出力トークンが増える:エージェントが検索クエリを書かなければならない。
- 検索が外れる:最初のクエリが外れたら、検索をやり直す必要がある。
入力の節約が92.7%もあるなら、たいていはこの手間を上回る。検索で増える通信は、一度きりだ。それに対して、カタログ全体は毎ターン送り直されていた。
ただし、収支が逆になることもある。次の3つの状況では、その可能性が高まる。
- カタログが小さい:ツールが数個しかなければ、省ける分がほとんどない。
- ほとんどのツールに触れるタスク:結局32個のうち28個のスキーマを読み込むなら、検索は手順を増やしただけになる。
- 説明があいまいなツール:検索で正しいツールを確実に見つけられないと、エージェントは何度も探し直して時間を無駄にする。探すのをあきらめて、自己流で済ませることもある。
キャッシュで計算は変わるのか
変わる。キャッシュは、この見出しの数字が誤解される最大の原因だ。
多くのプロバイダーは、プロンプトキャッシュを用意している。プロンプトの冒頭で、繰り返し現れて変わらない部分は、安い単価で請求される。
変わらないままリクエストの先頭に置かれる完全なツールカタログは、このしくみにうまく当てはまる。
そのため、カタログの実際のコストは、生のトークン数から想像するよりずっと低いことがある。
オンデマンド読み込みは、キャッシュの邪魔になることがある。
新しく読み込んだスキーマをコンテキストの上のほうに挿入すると、冒頭の部分が変わってしまう。すると、そこから後ろのすべてがキャッシュに当たらなくなる。
その結果、生の入力トークンと請求額は、違う幅で動きうる。生の入力を大きく減らしても、コストの下がり方は小さい。
そんな構成もある。構成によっては、応答時間がかえって悪くなることさえある。
自分のチームの節約額はどう見積もるか
- 7%は、1つの実験を表す数字だ。一般的な割合ではない。もっと役に立つ数字は、自分のチームの値を次の2つの概算式に入れて出せる。
1セッションあたりのスキーマコスト ≈(公開しているツール数 × 定義1つあたりの平均トークン数)× 1セッションのターン数
1セッションあたりのオンデマンドコスト ≈(常駐ツール数 + 実際に読み込んだツール数)× 定義1つあたりの平均トークン数 × 読み込み後のターン数 + 検索の手間
プロバイダーのキャッシュ料金は、ターンをまたいで変わらないプロンプトの部分に適用される。2つの見積もりの差を、合格率と並べて読む。それが、そのシステムにとって意味のある数字になる。
今、タスクごとのトークン管理が大事なのはなぜか
しばらくのあいだ、苦戦するエージェントへの定番の対処は、コンテキストを増やし、検索を増やし、ツールを増やすことだった。この習慣は「トークン・マックシング」と呼ばれることもあるが、勢いを失いつつある。
OpenRouterでは、トークンの総使用量が横ばいになり始めた。この動きはトークン・マックシングは終わった、OpenRouterのトークン使用量が頭打ちにで取り上げている。
これは1つのプラットフォームのデータで、業界全体を測ったものではない。それでも、多くのチームがすでに感じていることと向きが同じだ。量が伸びなくなると、関心は効率に移る。
エージェントについてチームが投げる問いは、変わってきた。
- 以前:タスクは終わるか。
- 今:タスクは終わるか。そのために何トークン使ったか。
新しいモデルがいらない節約
注目されるのは、タスク1件あたりのコストだ。だから、モデルを包むコードであるハーネスの変更が目を引く。 入力トークンを92.7%減らすのに、次のものはどれも要らなかった。
- 別のモデル
- ファインチューニングや再学習
- タスクそのものの変更
チームにとって、これはかなり手軽な節約のひとつだ。ひとつ注意がある。
- 7%は、この実験の構成で、32個のツールを使ったときの入力トークンの数字だ。カタログや作業内容が違えば、別の数字になる。
コンテキストウィンドウの余白にも限りがある
得るものはお金だけではない。コンテキストウィンドウの大きさは決まっていて、机のようなものだ。使われないツールスキーマがそこに載っていると、エージェントの役に立つものを置く場所がその分減る。
- 読む必要があるソースファイル
- 完全なスタックトレースやログ
- 直前のテスト出力
- エージェント自身のこれまでの推論
場所が空いても、答えがよくなる保証はない。ただ、長いセッションはコンテキストの上限近くまで使うことが多い。そうしたセッションでは、エージェントが大事なことを見失う理由をひとつ減らせる。
オンデマンド読み込みをうまく動かす設計パターン
実験のオンデマンド構成では、小さな検索の仕組みを使った。実際のシステムでは、さらに進めて、いくつかのパターンを組み合わせるのが普通だ。

図4:オンデマンドでツール定義を読み込む流れ
基本のパターンは何か
次の表は、よく使われる4つのパターンを、しくみと得られるもので比べたものだ。
| パターン | しくみ | 主な利点 |
|---|---|---|
| 探索ツール | 小さなツール1つが、一致する名前と1行の要約を返す | 小さな索引が、カタログ全体の代わりになる |
| スキーマの遅延展開 | ツールが選ばれてから、完全なパラメーターを読み込む | 詳細のトークンは、使うときだけかかる |
| 名前空間 | 関連するツールをまとめる(git.*、db.*、browser.*) | エージェントが、まずカテゴリーで絞り込める |
| 常駐させる中核ツール | 定番のいくつか(ファイルの読み書き、テスト実行)は読み込んだままにする | よく使うツールの検索ステップが要らない |
常駐させる中核ツールは、見かけ以上に考える価値がある。ほとんどのタスクがファイルを読み、テストを走らせるとしよう。毎回そのツールを検索させても、ターンが増えるだけだ。
ただし、これは両側に効く取引だ。中核に入れたツールは、リクエストのたびにトークンを使う。だから中核は、ほぼすべてのタスクで使うツールだけにするのがいちばんうまくいく。
ツールの説明を書き直す必要があるのはなぜか
検索がうまく働くのは、検索で見つかる書き方でツールを説明している場合だけだ。検索のために書く作業は、人間向けのドキュメントを書く作業とは別物だ。
次の表は、2つの書き方を対比したものだ。
| 人間向けの書き方 | 検索向けの書き方 |
|---|---|
| 背景や注意点を説明する | 明確な動詞で始める |
| 重なるツールを許す | 名前が区別でき、似たものを置かない |
| 長く、細かい | 短く、具体的で、キーワードが多い |
| 「リポジトリの内容とやり取りするためのユーティリティ」 | 「指定したパスのファイルの内容を読み取る」 |
似たツールがあると、ここでよくつまずく。find_files、search_files、locate_filesがあって、説明が重なっている場面を想像してほしい。検索は3つとも返し、エージェントは当てずっぽうで選ぶことになる。
こうしたツールを統合するか、違いをはっきりさせると、2つの点で助かる。検索が正しいツールを見つける回数が増え、エージェントが結果の中から選ぶ精度も上がる。
プロンプトキャッシュを生かし続けるには
プロンプトキャッシュは、リクエストの変わらない冒頭部分を再利用する。だから、コンテキストの並び順が大事になる。前のほうに何かを挿入すると、その後ろすべてのキャッシュが効かなくなる。
キャッシュを当て続けられる並べ方は、次のとおりだ。
- 変わらない冒頭部分:システムプロンプトと、常駐させる中核ツール。どのリクエストでもまったく同じにする。
- 会話履歴:セッションが進むにつれて足される。
- 動的に読み込んだスキーマ:コンテキストの後ろのほうに置く。冒頭部分には入れない。
この順序なら、キャッシュされる部分は壊れない。ツールをオンデマンドで読み込んでも、増えるトークンは末尾だけだ。
カタログを変えても壊れていないと、どう確かめるか
エージェントから見えるツールの窓口は、APIと同じように扱える。同じように回帰テストが要る。
カタログや検索層の小さな変更で、ツールの選択が気づかないうちに壊れることがある。エラーメッセージは一切出ない。
きっかけになりやすいのは、次のような変更だ。
- ツール名の変更:古い検索語が一致しなくなるかもしれない。
- 説明の書き換え:検索結果の順位が下がるかもしれない。
- 検索ランキングの調整:必要なツールが表示されなくなるかもしれない。
どの場合も、エージェントはツールを見つけられないだけだ。そして穴をなんとか回り込もうとするが、たいていはうまくいかない。
これを見つける方法のひとつは、CIで、模擬サービスを相手にエージェントを動かすことだ。
CATT、CIでMuse/Instinctに似たサービスを相手にエージェントとサービスをテストするツールは、MCP時代のツールに向けたこの手法の一例だ。ここで使うなら、変更のたびに次の2つの数字をそろって追うことになる。
- タスクごとの合格率:必要なツールを隠してしまう検索の調整を見つける。
- タスクごとのトークン数:コンテキストを膨らませるスキーマの変更を見つける。
どちらの数字も、もう一方が捕まえる失敗を見逃す。トークンを節約しても、ツールを隠してしまう変更は、コストだけ見れば問題なく見える。
タスクが通り続けても、スキーマを2倍にする変更は、合格率だけ見れば問題なく見える。両方を追うことは、この実験が使った、結果とトークン数の組み合わせと同じだ。
それでも「税」を払ったほうがいい場面
オンデマンド読み込みが、いつも良い選択とは限らない。構成によっては、毎ターン全ツールを送るのが今でも無難な初期設定になる。
全部を読み込んでおいて問題になりにくいのは、次のような場合だ。
- ツールが少ない場合:ツールが数個なら、スキーマ税は小さい。検索の手順を足しても、手間が増えるだけになりやすい。
- 1回で終わる依頼:1ターンで済む作業では、節約を積み上げるターンがそもそもない。追加の検索呼び出しのほうが、節約分より高くつくこともある。
- 待ち時間に敏感な経路:検索を1回挟むたびに、実際の待ち時間が増える。対話的な場面では、この遅れがトークンの料金より重くなることがある。
- 全ツール一覧がキャッシュされている場合:提供元が一覧全体をキャッシュし、アクセスが続いてキャッシュが温まったままなら、トークン数の見かけほどは払っていない。
判断を分ける3つの数字
選ぶ決め手は、自分のシステムで測れる3つの数字だ。どれもモデルに決まった性質ではない。エージェントが実際にどう使われているかを表す数字である。
次の表は、3つの要因ごとに、どちらの方式が有利になるかを比べたものだ。
| 要因 | オンデマンド検索が有利 | 全部読み込みが有利 |
|---|---|---|
| ツールの数 | 多い | 少ない |
| セッションの長さ | 1つの作業で多ターン | 1〜2ターン |
| ツールの使用率 | 作業ごとに使うのは少数 | ほとんど使う |
入力を92.7%減らせたのは、ある1つの構成の結果だ。ツールは32個で、複数ターンの作業の中で使われた。 3つの要因がそろって同じ向きを指すとき、何ができるかを示す数字である。
1つの質問に答えて終わる5ツールのアシスタントで、同じ結果が出る保証はない。
自分のシステムで確かめる
安全なのは、先に測ってから切り替える進め方だ。順番は次のようになる。
- 今の使われ方を測る:実際の作業から代表的なサンプルを選ぶ。公開しているツールの数、実際に呼ばれた数、1セッションのターン数を記録する。
- 条件をそろえて比べる:モデルと作業は同じにする。結果は、エージェントから見えないテストで採点する。
- 2つの数字を並べて見る:CIで、合格率と1作業あたりのトークン数を並べて追う。どちらかが悪化したら、後退とみなす。
- 検索に引っかかる説明を書く:検索で見つかるのは、説明が見つけやすくしているものだけだ。名前を区別しやすくし、動詞を明確にし、似たツールを作らないと探しやすくなる。
- 小さなキャッシュ済みの核を残す:いつも必要なツールを安定した形で先頭に置く。動的に読み込むスキーマは、その後ろに足す。こうすると、プロンプトのキャッシュされた部分は変わらない。
3つ目の手順が大切なのは、トークンの節約だけを見ていると問題が隠れるからだ。必要なツールをエージェントが見つけられなければ、請求額は減っても、仕事の出来は悪くなる。
ちょっと立ち止まって
この話は、ひそかな思い込みを揺さぶる。エージェントには、必要になりそうなツールをいつも全部見せておくべきだ、という思い込みだ。このベンチマークでは、その前提を手放すと入力トークンが92.7%減った。
入力の大きな部分は、作業で使われないツールの説明だった。
オンデマンド検索は、誰が選ぶのかも変える。エージェントは、もうカタログ全体を見ない。自分が検索しようと思いついたツールしか見えないのだ。
あなたのエージェントの入力のうち、作業そのものはどれくらいだろうか。毎ターン持ち歩いている準備の分は、どれくらいだろう。
そしてツールが増えたとき、エージェントが届く範囲はハーネス側で決めたいだろうか。それとも、エージェント自身の検索に任せたいだろうか。

図1:ツール定義が毎ターン全部コンテキストに入る仕組み(出典:AI Labo E14 の解説)

図3:92.7%削減を読むときの前提(出典:AI Labo テストシリーズ E14)