第1層（インデックス）  → 起動時：タイトル・メタデータ・機能説明のみ
第2層（詳細）         → 関連性確認後：タスクに必要なフルコンテンツを読み込み
第3層（深掘り）       → 必要時：サポート資料・参考ドキュメントをオンデマンド取得

import anthropic

client = anthropic.Anthropic()

SYSTEM_PROMPT = """
あなたはコード開発エージェントです。
複雑なタスクを実行する際、重要な決定や進捗を NOTES.md に記録してください。
新しいセッション開始時は必ず NOTES.md を参照し、前回の状態を把握してください。
"""

def load_long_term_memory(notes_path: str = "NOTES.md") -> str:
    """外部メモリ（長期記憶）からコンテキストを読み込む"""
    try:
        with open(notes_path, "r", encoding="utf-8") as f:
            return f.read()
    except FileNotFoundError:
        return ""

def save_episode_to_memory(content: str, notes_path: str = "NOTES.md"):
    """エピソード記憶として進捗を永続化する"""
    with open(notes_path, "w", encoding="utf-8") as f:
        f.write(content)

# セッション開始時：長期記憶をコンテキストに注入する
previous_notes = load_long_term_memory()
user_request = "前回のリファクタリング作業の続きをお願いします"

messages = []
if previous_notes:
    # 長期記憶を短期コンテキストへ橋渡し
    messages.append({
        "role": "user",
        "content": f"## 前回のメモ（長期記憶）\n{previous_notes}\n\n## 今回の依頼\n{user_request}"
    })
else:
    messages.append({"role": "user", "content": user_request})

response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=2048,
    system=SYSTEM_PROMPT,
    messages=messages
)

print(response.content[0].text)

import anthropic
import json

client = anthropic.Anthropic()


def run_specialist_agent(system_role: str, task: str) -> str:
    """専門サブエージェント：自分の領域のコンテキストだけを受け取って実行する"""
    response = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=512,
        system=system_role,
        messages=[{"role": "user", "content": task}]
    )
    return response.content[0].text


def orchestrator(task: str) -> str:
    """
    オーケストレーター：タスクを分解し、適切な専門エージェントに委譲する。
    各サブエージェントには「そのタスクに必要な最小限のコンテキスト」だけを渡す。
    """
    # タスク分解：どの専門エージェントに何を任せるか判断
    decompose_prompt = f"""
    以下のタスクを「code_reviewer」か「doc_writer」どちらかのエージェントに割り当て、
    そのエージェントへの指示を生成してください。

    タスク: {task}

    JSON形式で返してください: {{"agent": "...", "subtask": "..."}}
    """
    plan_response = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=256,
        messages=[{"role": "user", "content": decompose_prompt}]
    )

    plan = json.loads(plan_response.content[0].text)

    # 専門エージェントのシステムプロンプト（各自の関心領域に限定）
    agent_roles = {
        "code_reviewer": "あなたはコードレビュー専門エージェントです。コード品質・可読性・バグリスクのみに集中してください。",
        "doc_writer":    "あなたはドキュメント作成専門エージェントです。技術文書の構造と明確さのみに集中してください。",
    }

    role = agent_roles.get(plan["agent"], "汎用エージェントとして対応してください。")
    return run_specialist_agent(role, plan["subtask"])


# 実行例
result = orchestrator("このPython関数をレビューして、ドキュメントも整備してほしい")
print(result)

import anthropic

client = anthropic.Anthropic()

def compact_conversation_history(
    messages: list[dict],
    model: str = "claude-haiku-4-5"
) -> list[dict]:
    """
    長くなった会話履歴をコンパクション（要約圧縮）する。
    Context Distraction 対策として定期的に実行する。
    """
    if len(messages) < 10:
        return messages  # 短い履歴は圧縮不要

    # 直近3件は保持、それ以前を要約
    recent_messages = messages[-3:]
    older_messages = messages[:-3]

    # 古い会話を要約
    summary_prompt = "以下の会話を重要ポイントだけ箇条書きで要約してください：\n\n"
    for msg in older_messages:
        summary_prompt += f"{msg['role'].upper()}: {msg['content']}\n"

    summary_response = client.messages.create(
        model=model,
        max_tokens=512,
        messages=[{"role": "user", "content": summary_prompt}]
    )
    summary_text = summary_response.content[0].text

    # 圧縮された履歴を返す
    compacted = [
        {
            "role": "user",
            "content": f"[これまでの会話要約]\n{summary_text}"
        },
        {
            "role": "assistant",
            "content": "了解しました。要約を確認しました。"
        }
    ] + recent_messages

    return compacted


def build_masked_context(
    full_context: dict,
    relevant_keys: list[str]
) -> dict:
    """
    マスキング：現在のタスクに不要な情報を一時的に非表示にする。
    Context Confusion 対策。
    """
    return {k: v for k, v in full_context.items() if k in relevant_keys}


# 使用例
conversation_history = [
    {"role": "user", "content": "Pythonでリストをソートする方法は？"},
    {"role": "assistant", "content": "sorted()またはlist.sort()を使います。"},
    # ... 長い会話履歴 ...
]

# コンパクション実行
compacted_history = compact_conversation_history(conversation_history)
print(f"圧縮前: {len(conversation_history)}件 → 圧縮後: {len(compacted_history)}件")