【要約】プロンプトでAIが生成するコードが変わる、そして学習効率も変わる [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
著者はPython学習において、Copilotが生成するコードの品質に疑問を抱いた。具体的には、以下の点に技術的な課題を感じていた。
- ・変数や引数に型情報（型ヒント）が欠如している。
- ・関数が巨大化しやすく、単一責任の原則が守られていない。
- ・エラー処理やログ出力が不十分で、実務での利用に耐えない。
- ・マジックナンバーやグローバル変数が含まれるなど、設計が脆弱である。
// Approach
著者はプロンプトエンジニアリングを用いて、AIの出力基準を厳格に定義した。プロのPythonエンジニアとして振る舞うよう指示し、以下のルールを構造的に課した。
- ・必須ルール：型ヒントの付与、関数分割、1関数1責務、docstring、logging、try-exceptの記述。
- ・設計ルール：再利用性とテスト容易性の確保、グローバル変数およびマジックナンバーの禁止。
- ・Pandasルール：inplace操作の禁止、列名の定数化、明示的なDataFrame操作。
- ・可読性ルール：意味のある英語の変数名、ネストの最小化。
- ・出力形式：実行可能な完全なコードの生成。
// Result
プロンプトの適用により、コードの行数は28行から202行へと大幅に増加した。この変化により、以下の成果が得られた。
- ・保守性の向上：定数化や関数分割により、修正やデバッグが容易な構造となった。
- ・コード品質の安定：AI特有の巨大な関数が減少し、整理された設計となった。
- ・学習効果の最大化：設計思想や「なぜそう書くか」を理解する強力な学習支援ツールとなった。
Senior Engineer Insight
> AIによるコード生成を実務に導入する場合、出力の「標準化」が不可欠である。本記事の手法は、技術負債の抑制と開発体験の向上に大きく寄与する。ただし、コードの冗長化に伴うトークン消費量と生成時間の増加には留意が必要だ。大規模開発においては、こうしたプロンプトを「エンジニアリング資産」として管理し、プロジェクトのコーディング規約と同期させる運用が求められる。