1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

AIエージェント時代のソフトウェア設計~トークンと制約・制限が生成品質に与える影響

1
Posted at

3-3 トークンと制約.png

📚 関連書籍

※この記事は書籍の一部をベースに再構成しています。もう少し踏み込んだ内容(設計や具体例)は書籍の中でまとめているので、気になる方はそちらもどうぞ。

「ゼロから触ってわかった!Codex - AIエージェント時代のソフトウェア設計」

本書は、AIエージェントと共に開発する時代において、エンジニアが思考停止せず、主体的に価値を発揮し続けるための指針を提示します。
ツールの使い方ではなく、これからの開発の本質を理解したいすべてのエンジニアへ。
https://amzn.to/4o0repH

「ゼロから触ってわかった! Claude Code × ChatGPT × Gemini AI共生戦略 -“対立”ではなく“共生”する時代へ」

Claude Code × ChatGPT × Geminiという共生モデルを解説します。
https://amzn.to/4a2dJjC

AIエージェント時代のソフトウェア設計

トークンと制約・制限が生成品質に与える影響

AIエージェントを活用したソフトウェア開発では、「どれだけ性能の高いモデルを使うか」だけでなく、「どのような情報をモデルへ渡すか」が非常に重要になっています。

特にLLM(大規模言語モデル)は、人間のように文章をそのまま理解しているわけではありません。入力された情報は「トークン」という単位に分解され、その組み合わせをもとに推論を行っています。

そのため、トークンの使い方やコンテキストの設計によって、生成されるコードや文章の品質は大きく変化します。

本記事では、AIエージェント時代に押さえておきたい「トークン」と「制約」の考え方を整理しながら、生成品質との関係について解説します。

トークンとは何か

LLMは文章やコードを、そのままの文字列として処理しているわけではありません。

すべての入力は、**トークン(Token)**と呼ばれる細かな単位へ分割されます。

トークンには次のようなものが含まれます。

  • 単語や単語の一部
  • 記号
  • 数値
  • スペース
  • 改行

つまり、私たちが「1文字」「1単語」と考えているものと、LLMが扱う単位は一致しません。

重要なのは、トークンとは文字数ではなく、モデルが計算を行うための基本単位であるという点です。

自然言語とコードではトークンの性質が異なる

自然言語とプログラムコードでは、トークンの消費傾向が異なります。

自然言語では比較的大きなまとまりでトークン化される一方、コードは構造を持つため、より細かく分割されます。

例えば、コードでは次のような要素もトークンになります。

  • インデント
  • 改行
  • 波括弧 { }
  • セミコロン ;
  • 括弧 ()
  • アロー演算子 =>

つまり、コードでは見た目以上に多くのトークンが消費されます。

そのため、コード生成では単純に文字数ではなく、

  • 関数構成
  • ネストの深さ
  • クラス設計
  • 記述スタイル

といった設計そのものがトークン効率へ影響します。

トークン数の制約が生成品質を左右する

LLMには、一度に扱えるトークン数(コンテキストウィンドウ)の上限があります。

この制約は単なる容量制限ではありません。

トークン数が増えすぎると、

  • 注意が分散する
  • 重要な情報が埋もれる
  • 推論の一貫性が低下する
  • 回答品質が不安定になる

といった影響が生じます。

つまり、

トークン制約は生成品質そのものに直結する重要な要素

なのです。

コンテキストが大きくなれば良いわけではない

最近のLLMは非常に長いコンテキストを扱えるようになっています。

しかし、それによって新しい課題も生まれました。

それが、

情報が埋もれてしまう問題

です。

長い入力を与えられるからといって、

  • 仕様書
  • ソースコード
  • ログ
  • 会話履歴

をすべて投入すれば精度が向上するわけではありません。

むしろ、

  • 必要な情報だけを抽出する
  • 優先順位を付ける
  • 構造化して渡す

方が、はるかに高品質な出力につながります。

AIエージェント時代では、「情報を増やす」よりも「情報を整理する」ことが重要になります。

制約は精度を高めるための味方

「制約」と聞くと、不自由なものという印象を持つかもしれません。

しかし、LLMにとって制約は必ずしもマイナスではありません。

適切な制約があることで、

  • 不要な情報を除外できる
  • 前提条件が明確になる
  • モデルの注意を集中させられる
  • 一貫性の高い推論が可能になる

といった効果があります。

人間でも条件が整理された問題の方が解きやすいように、LLMも同様です。

良い制約は、生成品質を向上させる重要な要素と言えます。

トークンと推論コストの関係

トークンは入力・出力の文字量だけを意味するものではありません。

モデルは回答を生成する際、内部で複数の推論ステップを経ています。

この過程では、

  • 入力情報の理解
  • 条件整理
  • 仮説構築
  • 出力生成

といった処理が行われます。

問題が複雑になるほど、

  • 内部処理量
  • 推論時間
  • 計算コスト

は増加します。

つまり、トークン数だけでなく、

どれだけ複雑な推論を必要とする問題なのか

も応答速度やコストへ影響します。

AIエージェント時代に重要になる「トークン設計」

従来のソフトウェア開発では、

  • 可読性
  • 保守性
  • 実行性能

が設計の中心でした。

AIエージェント時代では、それらに加えて、

トークン設計

という新しい視点が必要になります。

具体的には、

  • どの情報を渡すか
  • どの粒度で渡すか
  • どの順番で並べるか
  • 何を省略するか

が生成品質へ大きく影響します。

AIは大量の情報よりも、「整理された情報」から高品質な回答を生成する傾向があります。

モデルの注意を設計するという考え方

トークン設計の本質は、

モデルの注意(Attention)をどこへ向けるか

を設計することです。

例えば、

  • 重要な仕様を最初に置く
  • 制約条件を明確に書く
  • 不要な履歴を削除する
  • 関連するコードだけを提示する

といった工夫によって、生成品質は大きく改善します。

AIエージェントを活用する時代では、「何を書くか」だけではなく、「どのように情報を配置するか」も重要な設計要素になります。

AI時代のソフトウェア設計が変わる

AIがコード生成を担うようになった現在、ソフトウェア設計者に求められる役割も変化しています。

これから重要になるのは、

  • 正しいコードを書くこと
  • 良い設計を考えること

に加えて、

AIが理解しやすいコンテキストを設計すること

です。

モデルの性能が向上するほど、最終的な品質を左右するのは入力情報の設計になります。

その意味で、プロンプト設計やコンテキスト設計は、新しいソフトウェアアーキテクチャの一部と言えるでしょう。

まとめると

AIエージェント時代では、トークンは単なる文字数ではなく、モデルが推論を行うための重要な計算資源です。

本記事のポイントを整理すると、次のようになります。

  • トークンはLLMが扱う基本的な計算単位
  • コードは自然言語より細かくトークン化される
  • トークン数の制約は生成品質へ直接影響する
  • 情報量よりも構造化されたコンテキストが重要
  • 制約はモデルの注意を集中させ、品質向上につながる
  • AI時代には「トークン設計」という新しい設計思想が求められる

AIエージェントを最大限活用するためには、モデル性能だけに注目するのではなく、「どのような情報を、どのような形で渡すか」という設計力がますます重要になります。

📚 関連書籍

※この記事は書籍の一部をベースに再構成しています。もう少し踏み込んだ内容(設計や具体例)は書籍の中でまとめているので、気になる方はそちらもどうぞ。

Databricks/Snowflake/n8n/Salesforce/AI基盤e/POC/要件定義の進め方 を体系的に学べる
「ゼロから触ってわかった!」シリーズをまとめました。

『ゼロから触ってわかった!Microsoft Fabric実務入門 データ統合・分析・BI・AI活用の全体像 』

『ゼロから触ってわかった! Databricks 本番導入完全ガイド(非公式) ― Serverless・Lakeflow・AI時代のデータ基盤実践 ― 』

『Databricks──ゼロから触ってわかった!Databricks非公式ガイド(2026年更新版)』

クラウド時代の分析基盤を “体験的” に学べるベストセラー入門書。
Databricksの操作、SQL/DataFrame、Delta Lakeの基本、ノートブック操作、SDP(宣言型パイプライン)
Serverless、Genieなどを初心者でも迷わず進められる構成で解説しています。
https://amzn.to/4uIqEj4

『ゼロから触ってわかった! Snowflake × Databricks次世代データ基盤PoC実践 非公式ガイド』

本書を読み終えたとき、「POCって何から始めればよいのか」が明確になり、「自分たちにもできる」という確信を持てることを目指しています。
https://amzn.to/43qI0oR

『ゼロから触ってわかった! Snowflake × Databricksでつくる次世代データ基盤 - 比較・共存・連携 非公式ガイド』

SnowflakeとDatabricks――二つのクラウドデータ基盤は、これまで「どちらを選ぶか」で語られることが多くありました。本書は、両プラットフォームをゼロから触り、構築・運用してきた実体験をもとに、比較・共存・連携のリアルを丁寧に解説する“非公式ガイド”です。
https://amzn.to/4efDkIk

Snowflake

ゼロから触ってわかった!Snowflake非公式ガイド ― 基礎から理解するアーキテクチャとCortexによる次世代AI基盤

初めてSnowflakeに触れる方には「最初の一冊」として。
なんとなく使っているけれどモヤモヤしている方には「頭の中を整理する一冊」として。
AI時代のエンジニアを目指すための、確かな燃料となる一冊です。
https://amzn.to/4x1VvZm

「ゼロから触ってわかった!Codex - AIエージェント時代のソフトウェア設計」

本書は、AIエージェントと共に開発する時代において、エンジニアが思考停止せず、主体的に価値を発揮し続けるための指針を提示します。
ツールの使い方ではなく、これからの開発の本質を理解したいすべてのエンジニアへ。
https://amzn.to/4o0repH

「ゼロから触ってわかった! Claude Code × ChatGPT × Gemini AI共生戦略 -“対立”ではなく“共生”する時代へ」

Claude Code × ChatGPT × Geminiという共生モデルを解説します。
https://amzn.to/4a2dJjC

『ゼロから触ってわかった!スペック駆動開発入門 ― SaaS is dead?AI時代のソフトウェア設計論』

前半では思想や背景を丁寧に整理し、後半ではスペック・実装・実行の三層モデルをサンプルコードとともに具体化します。
https://amzn.to/3RFEZya

####『ゼロから触ってわかった!dbt実務入門 非公式ガイド SQLで作るモダンデータ変換・テスト・ドキュメント・セマンティックレイヤー』
本書は、dbtをこれから学びたい方、SQLを使ったデータ変換をより体系的に管理したい方、データ基盤やモダンデータスタックに関心がある方に向けて書いた入門書です。
https://amzn.to/3SmxlJz

Databricks

『ゼロから触ってわかった!Azure × Databricksでつくる次世代データ基盤 非公式ガイド ―』

クラウドでデータ基盤を作ろうとすると、Azure・Storage・ネットワーク・権限・セキュリティ…
そこに Databricks が加わった瞬間、一気に難易度が跳ね上がります。 “最初のつまづき” を丁寧にほどいていくのが本書です。
https://amzn.to/3QaOzbW

『Databricks──ゼロから触ってわかった!AI・機械学習エンジニア基礎 非公式ガイド』

Databricksでの プロンプト設計・RAG構築・モデル管理・ガバナンス を扱うAIエンジニアの入門決定版。
生成AIとデータエンジニアリングの橋渡しに必要な“実務の型”を体系化しています。
資格本ではなく、実務基盤としてAIを運用する力 を育てる内容です。
https://amzn.to/3PYK4ku

『Databricks認定データエンジニアプロフェッショナル 試験レベル ― 1日3分!気になったところから読めるデータブリックス!魂の100本ノック!』

本書は、Databricks認定データエンジニア・プロフェッショナル相当の論点を、
100個のユースケースに分解し、**“2択の検討”→“解説コラム”→“結論”**でテンポよく叩き込む「魂の100本ノック」です。
暗記ではなく、現場で遭遇する判断ポイント(取り込み・変換・品質・共有・監視・性能/コスト・セキュリティ・ガバナンス・デプロイ・モデリング)を、短い読書時間で反復できるように整えました。
https://amzn.to/4vkLm8K
https://amzn.to/4fhNBF5

Databricks Advancedシリーズ(上/中/下)

Databricksを “設計・運用する” ための完全版実践書
「ゼロから触ってわかった!Databricks非公式ガイド」の続編として誕生した Advancedシリーズ は、
Databricksを触って慣れた“その先”――本格運用・チーム開発・資格対策・再現性ある設計 に踏み込む構成です。
📘 [上]開発・デプロイ・品質保証編
https://amzn.to/4dGQoGv
📘 [中]取込・変換・監視・コスト最適化編
https://amzn.to/49zbPHb
📘 [下]セキュリティ・ガバナンス・トラブルシュート・最適化戦略編
https://amzn.to/4efDkIk

「ゼロから触ってわかった!Databricks × Airbyte」

クラウド時代のデータ基盤を“なぜ難しいのか”から丁寧にほどくガイドが完成しました。
Ingestion / LakeFlow / DLT / CDC をやさしく体系化し、
Airbyte × Databricks の真価を引き出す設計思想まで詰め込んだ一冊です。
https://amzn.to/3XOlV0t

『Databricks──ゼロから触ってわかった!DatabricksとConfluent(Kafka)連携!非公式ガイド』

Kafkaによるストリーム処理とDatabricksを統合し、リアルタイム分析基盤を構築するハンズオン形式の一冊。
イベント駆動アーキテクチャ、リアルタイムETL、Delta Live Tables連携など、
モダンなデータ基盤の必須スキルがまとめられています。
https://amzn.to/42HdmqZ

Salesforce

『ゼロから触ってわかった!Salesforce AgentForce + Data360(Data 非公式ガイド』

Salesforceの最新AI基盤 AgentForce と Data360(Data Cloud) を、実際の操作を通じて理解できる解説書。
https://amzn.to/4u4PyZ2

要件定義(上流工程/モダンデータスタック)

『モダンデータスタック時代の シン・要件定義 クラウド構築大全 ― DWHからCDP、そしてMA / AI連携へ』

クラウド時代の「要件定義」って、どうやって考えればいい?
Databricks・Snowflake・Salesforce・n8nなど、主要サービスを横断しながら“構築の全体像”をやさしく解説!
DWHからCDP、そしてMA/AI連携まで──現場で使える知識をこの一冊で。
https://amzn.to/4nZm0ux

データメッシュ

####『ゼロから触ってわかった データメッシュ入門 ― 思想・型・組織構造から考えるデータメッシュ』
「Data Mesh を導入すべきかどうか」を断言する本ではありません。
自分たちにとって、どこまで分散し、何を共有し、どこに責任を置くのか。
その判断をするための思考の土台を整理する一冊です。
https://amzn.to/3REkyBS

データクリーンルーム

ゼロから触ってわかった データクリーンルーム実践入門 ~ Lakehouse時代のクリーンルームを、思想・設計・マネタイズで読み解く ~

データはあるのに、渡せない。それでも一緒に分析したい——そんな現場の悩みから、本書は始まります。
データクリーンルームを「難しい技術」ではなく、現実の業務でどう使い、どう続けるかという視点で整理しました。
非ITのビジネスパーソンにも読める、実践的な一冊です。
https://amzn.to/4fiG6O2

MCP

『ゼロから触ってわかった!MCPビギナーズガイド』 ― AIエージェント時代の次世代プロトコル入門 アーキテクチャ・ガバナンス・実装―

MCPというプロトコルは、単なる技術トレンドではなく
「AIとシステムの関係性」そのものを変える可能性を秘めています。
SaaS、AIエージェント、ガバナンス、アーキテクチャ、その交差点を一度、立ち止まって整理した一冊です。
https://amzn.to/4nZm0ux

n8n

『n8n──ゼロから触ってわかった!AIワークフロー自動化!非公式ガイド』

オープンソースの自動化ツール n8n を “ゼロから手を動かして” 学べる実践ガイド。
プログラミングが苦手な方でも取り組めるよう、画面操作中心のステップ構成で、
業務自動化・AI連携・API統合の基礎がしっかり身につきます。
👉 https://amzn.to/48Blxca

💡 まとめ:このラインナップで“構築者の視点”が身につく

これらの書籍を通じて、
クラウド基盤の理解 → 要件定義 → 分析基盤構築 → 自動化 → AI統合 → 運用最適化
までのモダンデータスタック時代のソリューションアーキテクトとしての全体像を
「体系的」かつ「実践的」に身につけることができます。

  • PoC要件整理
  • データ基盤の要件定義
  • チーム開発/ガバナンス
  • AIワークフロー構築
  • トラブルシュート

など、現場で直面しがちな課題を解決する知識としても活用できます。

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?