Manus 2025年10月29日の公式ブログ解説: Wide Research がcontext window問題をどう避けるか

Manus は 2025年10月29日に Wide Research: Beyond the Context Window を公開し、長い調査タスクでAIの品質が落ちる理由と、Wide Research の並列アーキテクチャを説明しました。

要点

• 記事は、多数対象の調査でAIが後半に捏造しやすくなる問題を扱っている
• 原因を単なるプロンプトやモデル能力ではなく、context windowと逐次処理の制約として説明している
• Wide Research は、対象ごとにsub-agentを並列実行し、最後に中央で統合する設計
• 競合調査、論文レビュー、大量比較、multi-asset generationなどに向くとされている
• 全subscriber向けに利用可能と説明されている

今回のブログ記事で語られていること

今回のブログ記事は、AIによる大規模調査でよく起きる品質劣化を正面から扱っています。複数企業、複数論文、複数製品を調べるようなタスクでは、最初の数件は丁寧に調査されても、8件目、9件目あたりから内容が汎用化し、存在しない情報や誤った特徴が混じり始めることがあります。記事はこれを、単なるprompt engineeringの失敗ではなく、LLMが限られたcontext windowの中で大量の情報、出力形式、比較軸、途中の推論を抱え込む構造的問題として説明しています。

記事では、context windowを大きくするだけでは解決しない理由も述べています。情報が長い文脈の中央で失われやすいこと、長大な文脈処理の計算コストが上がること、一つのモデルに多数の独立調査を順番に処理させると認知負荷が高くなることなどです。つまり、問題はメモリ容量だけでなく、単一プロセッサで逐次処理する設計そのものにあるという見方です。

Wide Research は、この制約を避けるために、n個の対象に対してn個のsub-agentを並列に立ち上げるアーキテクチャとして説明されています。各sub-agentは独立したManus instanceとして、独自のvirtual machine、ツール、インターネット接続、空のcontext windowを持ち、一つの対象に集中します。中央のcontrollerはタスクを分解し、結果を集め、最後に統合します。sub-agent同士が文脈を共有しないため、context pollutionを避け、各対象の調査品質を均一に保ちやすいとされています。この記事の結論は、AI調査の未来は単に長いcontext windowではなく、タスク分解と並列実行にあるというものです。

背景にあるテーマ

AIエージェントの実務利用では、長い文脈を扱えるかより、複数の作業をどう分割し、検証し、統合するかが重要になります。Wide Researchは、AIを一人の長時間作業者としてではなく、調整された並列チームとして使う発想です。

今回のブログ記事が関係する人

• 競合調査や市場調査をAIに任せたいリサーチ担当
• 大量の文献、企業、候補先を比較する分析チーム
• AI出力の捏造や後半の品質劣化に悩む利用者
• エージェントアーキテクチャに関心がある開発者

どう読むと価値があるか

この記事は、Wide Researchを単なる高速調査機能として読むより、AIエージェント設計の考え方として読むと価値があります。大きなcontext windowに頼るだけでは、複雑な業務の品質保証には不十分です。

実務へのつながり

1. 10件以上の比較調査ではWide Researchのような分割処理を検討する
2. 各対象の調査条件と出力テンプレートを明確にする
3. 統合結果だけでなく、個別調査結果の根拠を確認する
4. 逐次処理が必要なタスクと並列処理が向くタスクを分ける

結局、今回のブログ記事をどう読むべきか

Wide Researchの解説は、AI調査の品質問題をアーキテクチャで解く発想を示しています。大量調査をAIに任せるチームにとって、かなり実務的な示唆があります。