大規模言語モデル（LLM）の応用分野、特にエージェントやドメイン特化型推論において、コンテキストの適応がますます重要性を増している。これは、モデルの重みを更新するのではなく、指示、戦略、証拠などを用いて入力を修正するアプローチである。従来の手法は使いやすさを向上させるが、しばしば「要約志向バイアス（briefness bias）」に陥り、ドメイン特有の知見が簡潔な要約に置き換わる問題や、反復的な再記述によって情報が徐々に消失する「コンテキストの崩壊（context collapse）」という課題を抱えている。本研究では、Dynamic Cheatsheetで提案された「適応型メモリ」の概念を発展させ、ACE（Agentic Context Engineering）というフレームワークを提案する。ACEは、コンテキストを進化する戦略マニュアル（playbook）と捉え、生成、反省、キュレーションというモジュール化されたプロセスを通じて、戦略を蓄積・精緻化・整理する。このアプローチにより、構造的で段階的な更新が可能となり、詳細な知識の保持が実現され、長文コンテキストモデルとのスケーラビリティも確保される。エージェントおよびドメイン特化型のベンチマークにおいて、ACEはオフライン（例：システムプロンプト）およびオンライン（例：エージェントの記憶）の両方の文脈最適化を実現し、強力なベースラインを一貫して上回る結果を示した。エージェントタスクでは+10.6%、金融分野では+8.6%の性能向上を達成するとともに、適応の遅延と展開コストを大幅に削減した。特に注目すべきは、ACEがラベル付き教師信号に依存せずに、自然な実行フィードバックのみを活用して効果的に適応可能だった点である。AppWorldのリーダーボードでは、ACEはより小さなオープンソースモデルを用いながらも、全体平均でトップのプロダクションレベルエージェントと同等の性能を達成し、難易度の高いテスト・チャレンジスプリットではそれを上回った。これらの結果は、包括的かつ進化し続けるコンテキストが、低オーバーヘッドでスケーラブルで効率的かつ自己改善可能なLLMシステムの実現を可能にすることを示している。