生成AIの進化において、LLMのコンテキストウィンドウの物理的な限界は、数百万文字に及ぶ大規模な文書処理における課題であった。Amazonが提示する再帰的言語モデル（RLM）は、この制約をアーキテクチャの転換によって回避する。RLMの核心は、文書をLLMのコンテキストに直接詰め込むのではなく、サンドボックス化されたPython環境内の「外部環境」として定義する点にある。Amazon Bedrock AgentCore Code Interpreterは、2025年8月1日に導入され、AIエージェントがコードを安全に実行できる隔離された環境を提供する[出典1]。ルートLLMは文書全体を読み込む代わりに、コードを生成して必要な箇所を探索・抽出する。このアプローチにより、AIエージェントは単なる「文書の読み手」から「環境の操作者」へと進化を遂げると見られる。
RLMでは、ルートLLMが生成したPythonコードが、文書内の特定のセクションを動的に探索し、関連情報を抽出する。セマンティックな分析が必要な場合のみ、サブLLMが呼び出され、その結果はPython変数として保持される。これにより、LLMのコンテキストウィンドウは「思考の作業領域」として純粋に維持され、文書のサイズに依存しないスケーラブルな推論が可能となる。2026年5月には、AgentCore RuntimeにAmazon S3ファイルやAmazon EFSアクセスポイントを直接アタッチできる機能が追加され、中間結果の永続化や複数エージェント間でのデータ共有が容易になった[出典5]。この動的なプロセスは、大規模なデータセットに対する効率的な情報処理を実現する。
従来のロングコンテキストモデルは、長大な文書を扱う際に「情報の埋没」という課題を抱えていた。RLMは、文書を探索的に処理することで、この問題を根本から解決する可能性を秘めている。特に、膨大な財務報告書や技術文書、法務関連の契約書などを扱う金融や法務分野において、この手法は極めて有効である。AIエージェントがコードを安全に実行し、複雑な計算、推論の検証、データ処理、可視化を行う能力は、これらの分野で不可欠であると専門家は指摘している[出典7]。Amazon Bedrock AgentCoreは、マネージドランタイムやツールアクセスを含む包括的なプラットフォームを提供し、大規模なエージェントの構築、展開、運用を可能にすることで、運用上のギャップを埋める存在となる[出典7]。
RLMアーキテクチャは大きな可能性を秘める一方で、課題も存在する。コード実行を介した反復的なプロセスは、単一の推論呼び出しと比較してレイテンシが増大する可能性がある。また、サブLLMの呼び出し回数やコード実行の頻度によっては、コスト構造が複雑化する。今後、このRLMアーキテクチャが標準的な開発手法として定着するかは、開発者がいかに効率的な「探索ロジック」をエージェントに実装できるかにかかっている。エージェントが生成するコードの品質が推論精度を左右するため、エラーハンドリングや実行環境の安定性も重要となる。2026年には、エンタープライズエージェントAIがパイロット段階から本番環境への移行期を迎えており[出典8]、これらの課題克服が普及の鍵となると見られる。