【要約】コード生成せず、エラーの原因特定と公式ドキュメントを提示する教育用のSkillsを作ってみた [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
AIによるコード生成が容易になったことで、エンジニアの基礎能力低下が懸念されている。AIに依存しすぎる開発スタイルが、技術習得の障壁となっている。
- ・背景: 「バイブコーディング」に代表される、AI任せのコーディングスタイルの台頭。
- ・課題: 若手エンジニアがエラーの根本原因を理解せず、AIの回答を鵜呑みにする傾向。
- ・リスク: デバッグ能力や仕様への理解度が低下し、長期的な技術的負債を招く恐れ。
// Approach
GitHub Copilotの指示ファイル群を用い、AIの振る舞いを「教育者」へと強制的に変更する。単なるプロンプトではなく、ワークスペースの構成としてルールを定義している。
- ・手法:
.github/skills/配下にカスタムスキルを定義し、特定の役割を持たせる。 - ・制約:
copilot-instructions.mdで、実装コードやパッチの生成を厳格に禁止する。 - ・信頼性:
allowed-sources.mdにより、個人ブログ等を排除し公式ドキュメントのみを参照させる。 - ・構造化:
SKILL.mdで、事実確認、原因候補、検証手順、公式参照の順で出力するフォーマットを規定する。
// Result
Pythonの実行時エラーを用いた検証により、設計通りの教育的挙動を確認した。AIは直接的な修正案を出さず、利用者の思考をガイドする情報のみを提示した。
- ・成果: AIは修正コードを出さず、変数名の不一致という事実と公式仕様のみを提示した。
- ・効果: 利用者は自力で修正箇所を特定し、公式ドキュメントで根拠を確認するプロセスを辿れる。
- ・展望: AIを単なる効率化ツールではなく、エンジニア育成のプラットフォームとして活用できる。
Senior Engineer Insight
> AIの「答えを出す力」を「考えさせる力」に転換する、極めて実戦的なアプローチだ。単なるプロンプトエンジニアリングに留まらず、ワークスペースの構成ファイルとしてルールを固定している点が評価できる。これにより、個人のスキルに依存せず、組織として一貫した教育環境を構築できる。ただし、指示ファイルが複雑化すると、AIの推論精度が低下するリスクがあるため、メンテナンスコストには注意が必要だ。