はじめに
先月、社内ツールのちょっとした機能追加でAIにコードを書いてもらったんですけど、出てきたコードがどうにも微妙で。動くけど無駄に長い、エラーハンドリングも適当、命名もイマイチ。何度も「もっと良くして」って投げ直してたんですが、全然改善されなくて半日溶かしたんですよね。
で、たまたま別のタスクで試したプロンプトの書き方が刺さって、そこから同じAIなのに出力の質が段違いに変わったんです。今日はその実例を紹介します。
最初の間違ったアプローチ
当時自分がやってたプロンプトはこんな感じでした。
在庫管理のCSVを読み込んで、在庫が少ない商品をリストアップするPythonスクリプトを書いて
一見普通の指示に見えるんですけど、これが良くなかった。出てきたコードは確かに動くんです。でも
- 閾値がハードコードされてる
- 例外処理が一切ない
- 「少ない」の定義がAIの独断(なぜか10個未満)
「もっと丁寧に書いて」「エラー処理も入れて」と追加で指示しても、場当たり的な修正しか返ってこなくて、結局自分でリライトする羽目になりました。
このとき自分は「AIの性能が足りないんだろうな」と思い込んでたんです。プロンプトの書き方自体が原因だとは全然思ってませんでした。
正しい理解・実践方法
結論から言うと、AIは指示があいまいだと「一番平均的でありがちな解釈」を選んでしまうんですよね。だから曖昧さを潰すほど出力の質が跳ね上がる。実際にやって効果があった手順を紹介します。
ステップ1: 前提条件を先に明示する
「何を」より先に「どういう状況で使うか」を書く。
在庫管理システムの日次バッチで使うスクリプトです。
CSVは10万行規模、Shift-JISエンコード、カラムは商品ID/商品名/在庫数/発注点。
Python3.11、pandasは使わず標準ライブラリのみで書いてください。
これだけで「なんとなく汎用的なコード」が出てくる確率がガクッと下がりました。
ステップ2: 判断基準を数値・ルールで固定する
「少ない」「適切に」みたいな形容詞は絶対にAIに解釈を委ねない。
在庫数が発注点を下回った商品を抽出してください(発注点はCSVのカラム値を使用、固定値では判断しない)。
これで「なぜか10個未満」みたいな独断が消えました。
ステップ3: 期待する出力形式を先に決める
出力は以下のJSON形式でstdoutに出してください。
{"low_stock_items": [{"id": "...", "name": "...", "current": 0, "threshold": 0}]}
出力形式まで決めておくと、後続処理との連携で揉めることがなくなります。
ステップ4: NG例を1つ添える
これが一番効いた気がします。
NG例: 発注点を固定値(例:10)で判断するコードは書かないでください。
具体的なNG例を1つ入れるだけで、過去にハマった失敗パターンをAIが避けてくれるようになりました。理屈だけの説明より、具体例の方が効くというのは人間の教育とも近いなと思います。
結果
このステップを踏んだ後にもらったコードは、例外処理・型ヒント・ログ出力まで最初から入っていて、修正依頼なしでそのままレビュー通過しました。同じAIなのに、です。プロンプトを変えただけで往復回数が5回以上→1回に減って、作業時間も半日→30分くらいに短縮できました。
おわりに
今回の件で痛感したのは、AIの出力が微妙なとき「AIの性能不足」を疑う前に「自分の指示のあいまいさ」を疑うべきだということです。前提・判断基準・出力形式・NG例、この4点を明示するだけで別のモデルを使っているレベルで出力が変わります。
同じような「なんか微妙な出力しか返ってこない」というモヤモヤを抱えている人は、次にプロンプトを書くとき、形容詞を全部数値かルールに置き換えられないか一度見直してみてほしいです。地味な作業ですが、効果は想像以上でした。