注目を集めるQwen3.6-W2とMCPの仕様変更が示すエージェント基盤の再編

ステートレスMCPが引き起こすエージェント基盤の再設計

MCPのステートレス化により、エージェントは状態管理を自前で行う必要に迫られ、外部ツールとの連携コストが爆発的に増加する。

MCPは2026-07-28リビジョンで仕様をステートレスへと変更した。プロトコル側で接続状態を保持しない決定は、通信レイヤーの軽量化を優先する流れの延長にある。しかしツール側の状態管理が廃止されたことで、会話の文脈や中間変数を保持する責務はエージェント基盤へと移送された。MCPのステートレス化により、エージェントは状態管理を自前で行う必要に迫られ、外部ツールとの連携コストが爆発的に増加する。通信ごとに状態を再構築して送受信する処理が発生し、アーキテクチャの変更を強いる。

- MCP 2026-07-28リビジョンによりツール接続のやり取りから状態管理が排された - Cloudflare OSは組織内の知識と依存関係を束ねるエージェント環境を提供する - Prime Agentはプログラムによるツール呼び出しで長期の自律タスクを担う

この仕様改定は、単なる通信手順の修正にとどまらない。Cloudflare OSのように社内システムや依存関係を統合する基盤では、ツール呼び出しのたびに文脈を再構築しなければならない。Prime Agentのような自律タスク実行でも、状態の永続化をハーネス側で抱え込むことになる。

作る側は、ステートレスなプロトコルを前提とした設計への刷新を迫られる。セッション状態の保持と復元を担う永続化層を、エージェント基盤内部へ自前で組み込む必要があると考えられる。

この見方が成り立たない条件 外部ツールの前段に位置するプロキシ層が状態を自動同期し、透過的に保持する標準ミドルウェアが登場した場合は、エージェント側で状態管理ロジックを抱え込む必要はなくなる。

鍵はどこにあるか

• 作る側: ツール呼び出しごとにセッション状態を復元・退避させる永続化ロジックを、エージェント基盤の実行ハーネス内に直接配置する。

マルチモーダル検索が直面するイベントカウントの限界

ビデオ言語モデルはシンプルなイベントの記録に失敗し、80%の信頼性で12イベントまでしかカウントできない。これは、動的な環境下での実用性に致命的な制約となる。

スタンフォード大学とDeepMindの研究チームは、ビデオ言語モデルがシンプルなイベントの記録に失敗することを実験で示した。3つの制御されたビデオタスクで、イベントの数と頻度を段階的に変化させ、モデルのカウント精度を測定した結果、80%の信頼性を確保するためには12イベントが上限であることが判明した。これは、動的な環境下でリアルタイムにイベントを追跡するマルチモーダル検索システムの根幹を揺るがす制約だ。動画内のオブジェクトやアクションの変化を逐一記録する用途では、このカウント限界が即座に実用性を奪う要因となる。

- 実験で用いた3つのビデオタスクは、いずれも文脈依存のないシンプルなイベント（例：ボールの移動、オブジェクトの出現消滅）を対象とした - 80%の信頼性しきい値は、研究者が定めた実用上の最低基準として設定されたもので、12イベントを超えると急激に精度が低下する - タスクごとのイベント頻度は、1秒あたり0.5〜4イベントの範囲で変動させられた - 失敗の主な要因は、ビデオ言語モデルが長時間の時系列データを統合的に扱えず、局所的な矛盾を検出できない点にある - 研究チームは、この限界を緩和するための手法として、イベントをチャンク化して処理する方式を検討したが、チャンクサイズの拡大で精度はさらに低下した

動的環境下でマルチモーダル検索を実用化するには、イベントカウントの信頼性が不可欠だ。80%の信頼性で12イベントまでしかカウントできない現状では、監視カメラの不審者検知や工場ラインの異常検出といった、リアルタイムなイベント処理を前提とする用途に適用することは不可能だ。研究チームは、ワールドモデルとの統合による解決を模索しているが、現行のアプローチでは根本的な制約を回避できない可能性が高い。

この見方が成り立たない条件 ビデオ言語モデルが12イベント以上のカウントに失敗する条件は、タスクの文脈依存度が高い場合やイベント間の関連性が複雑な場合に限定される。例えば、イベント同士の因果関係を推論する必要があるタスクでは、80%の信頼性を維持できるイベント数はさらに減少する可能性がある。

鍵はどこにあるか

• 研究者: ビデオ言語モデルのイベントカウント限界を踏まえ、チャンク化やワールドモデル統合の代替手法ではなく、根本的なアーキテクチャ改良（例：時系列処理専用のモジュール導入）を優先して進めること

むすび

MCPのステートレス化とビデオ言語モデルのイベントカウント限界という、二つの技術的変化がエージェント基盤の未来を左右する。前者は通信プロトコルの根本的な再設計を迫り、後者はリアルタイムなマルチモーダル検索の実用性に深刻な制約を課す。観測されたのは、いずれも「基盤技術の変更がエコシステム全体の負荷を再分配する」という共通の構造だ。MCPでは状態管理の負担がエージェント側へと移転され、ビデオ言語モデルではカウント精度の限界が動的環境下での適用可能性を奪う。これらは技術選択のトレードオフを浮き彫りにし、エージェントの実用化に向けた足かせとなる可能性が高い。しかし、その一方で、これらの制約が新たなアーキテクチャや手法の登場を促す触媒となることも否定できない。たとえば、ステートレスなプロトコルを前提とした永続化層の最適化や、イベントカウント限界を克服するためのワールドモデルとの統合が加速するかもしれない。技術の進化は常にジレンマを孕むが、その行方を占う鍵は、誰がどのような基準でこれらの制約を受け入れ、あるいは回避するかにかかっている。

エージェント基盤の設計において、ステートレスなMCPとイベントカウント限界という制約を受け入れることで、実用化のスピードはどの程度低下するのか？

この問いの答えで何が変わるか 制約を受け入れる場合は実用化の遅れやコスト増を招き、回避する場合は新たな技術投資やアーキテクチャの再設計が必要となる。どちらを選択しても、エージェント市場の競争力に直結する。