はじめに：AIコード生成と曖昧さの壁
生成AIを使ってコードを生成する機会は、多くの開発者にとって日常的なものになりました。しかし、「なんとなく」自然言語で指示を出すだけでは、期待通りのコードが得られないことがあります。AIは非常に強力ですが、指示の曖昧さには弱い側面があります。
私自身、ソフトウェア開発の要求仕様や設計を考える上で、形式手法や一階述語論理、時相論理などを学ぶ機会がありました。その過程で、 「生成AIは、実は数学的な表現や構造化された情報を理解するのが得意なのではないか？」 という仮説を持つようになりました。例えば、Mermaidでグラフ構造を記述することが、AIにとってグラフ理論の言語で語りかけることに近いのではないかと感じています。
この記事では、私の経験に基づき、曖昧な自然言語による記述から一歩進んで、YAMLやMermaidといった構造化されたフォーマット、さらには数学的な思考様式や形式論理（これらはMarkdownファイル内に記述することも含めて）を活用することが、いかにAIによるコード生成の精度向上に貢献するかを論じます。目指すのは、ファイル形式にこだわることではなく、記述内容そのものを明確で、構造化され、形式的にすることです。
なぜ自然言語による仕様記述はAIを混乱させるのか？
ユーザー登録機能のような、一見単純に見える機能の仕様を記述する際にも、自然言語だけでは曖昧さや解釈の揺れが生じがちです。「ユーザー登録機能」と伝えるだけでは、AIは以下のような具体的な要件を正確に把握できません。
- 必須項目: 登録に必要な情報は何か？（例：名前、メールアドレス、パスワード、ユーザー名？）
- パスワード制約: パスワードの最低文字数、要求される文字種（大文字、小文字、数字、記号）、有効期限は？
- 入力検証: 各項目に対してどのようなバリデーション（形式チェック、一意性チェックなど）が必要か？
- エラー処理: バリデーションエラーやサーバーエラー発生時の具体的な挙動（エラーメッセージ、リトライ処理）はどうするか？
- 登録後処理: 登録成功後、ユーザーをどこへリダイレクトするのか、あるいは確認メールを送信するのか？
自然言語に固有の多義性や記述の抜け漏れにより、これらの詳細仕様が不明確になります。AIは文脈からこれらの欠落情報を「推測」して補完しようと試みますが、その推測が開発者の真の意図と合致する保証はありません。結果的に、生成されたコードは意図とずれが生じ、多くの手戻りや修正作業が必要になってしまいます。
私の気づき：形式知とAIの親和性
形式手法や論理学を学ぶ中で、仕様を厳密に、曖昧さなく記述する訓練をしています。例えば、システムの不変条件（常に満たされるべき条件）や事前条件・事後条件を定義したり、時相論理を使って「必ず最終的には成功状態に到達する」といった性質を記述したりします。
このような経験を通して、複雑な仕様やロジックをAIに伝える際に、自然言語で長々と説明するよりも、より形式的・構造的な方法で記述した方が、AIが正確に理解してくれるケースが多いことに気づきました。特に、Mermaidでフローチャートや状態遷移図を描くことは、AIに対してシステムの構造や振る舞いをグラフ理論やオートマトン理論の言葉で直接伝える行為に近いと感じています。AIはこれらの数学的な構造パターンを学習データから学んでおり、それに合致する入力に対しては、より的確なコードを出力しやすいのではないでしょうか。
YAML：構造化データという名の「形式言語」
設定ファイルやデータ構造の定義によく使われるYAMLは、単なるデータ記述言語ではありません。キーと値のペア、リスト、階層構造といった明確な構文ルールを持っています。これは、自然言語の自由記述と比較して、データや設定の構造を標準化され、曖昧さなく伝えるための効果的な手段です。
# アプリケーション設定の例
appName: "My Awesome App"
version: "1.0.2"
database:
type: "PostgreSQL"
host: "db.example.com"
port: 5432
credentials:
username: "admin"
# password は SecretManager 等から取得想定
features:
featureA: true
featureB: false
retryPolicy:
maxRetries: 3
delaySeconds: 5
数学的に見れば、YAMLは 集合（キーの集まり）、タプル（リスト）、木構造（ネスト構造） を表現しています。このような構造化された形式でAIに情報を与えることには、以下のような利点があります。
- 曖昧性の排除: 何が設定項目で、その値が何か、どのような階層関係にあるかが一意に定まります。
- AIによる解析の容易化: AIは明確な構文ルールに基づいて情報をパースし、対応するコード（設定読み込みクラス、データクラスなど）を生成しやすくなります。
- 形式仕様への近接: YAMLによる記述は、システムの構成要素やパラメータに関する一種の形式的な仕様とみなせます。
Mermaid：ロジックと構造を「見える化」する数学的言語
Mermaidは、テキストから図を生成するツールですが、その表現力は数学的な概念に基づいています。これは、システムの構造、フロー、状態遷移などを、視覚的かつテキストベースの標準化された形式で表現するための強力な方法です。
- フローチャート: 有向グラフ であり、処理の流れや依存関係を示します。
- 状態遷移図: 有限オートマトン であり、システムの離散的な状態と遷移を定義します。
- シーケンス図: イベントの 半順序関係 を示します。
- クラス図/ER図: 集合と関係 をモデル化します。
これらの図をMermaidで記述することは、AIに対してシステムの**構造（グラフ理論）や動的な振る舞い（オートマトン理論）**を形式的に伝えることに他なりません。AIはこれらの構造を解釈し、関数呼び出し、クラス定義、状態管理ロジックなどをコードに反映させやすくなります。自然言語で複雑なフローを説明するよりも、Mermaidの図を見せる方が、AIにとってはるかに明確です。
数学的思考と形式記述でAIへの指示を明確化する
YAMLやMermaidを使うことの根底にあるのは、要求や設計をより厳密に、構造的に捉えようとする数学的な思考様式です。そして、この思考様式に基づく形式的な記述は、YAMLやMermaidといった専用フォーマットに限らず、Markdownファイル内でも実践可能です。
例えば、一階述語論理や時相論理を用いて、システムの制約や振る舞いを記述することができます。
### システム要件
#### 不変条件 (Invariants)
システムは常に以下の条件を満たす必要があります。
- `∀ u (User(u) ⇒ hasValidEmail(u))` (全てのユーザーは有効なメールアドレスを持つ)
- `∀ o (Order(o) ⇒ (o.status = "Paid" ⇒ ∃ i Invoice(i, o)))` (支払い済みの注文には必ず請求書が存在する)
#### 時相論理 (Temporal Logic) による活性 (Liveness) - LTL
G (RequestSent => F ResponseReceived)
(リクエストが送信されたら、いつかは必ずレスポンスを受信する)
このように、Markdown内に形式論理や構造化された記述を用いることで、自然言語の曖昧さを排除し、AIに対してより正確な仕様を伝えることができます。
重要なのは、AIへの指示（プロンプト）を作成する際に、曖昧さを避け、形式的・構造的な思考を意識することです。
- 具体的な条件や数値を提示する。
- 指示を構造化する（箇条書き、ステップバイステップなど）。
- 論理関係（IF-THEN-ELSE、AND/OR）を明確にする。
- システムの取りうる状態と遷移条件を整理する。
- 不変条件や制約（入力値の範囲など）を明示する。
形式手法や論理学の知識は、このような思考を深め、より明確な指示を作成する上で強力な助けとなります。AIは（現在のところ）真に論理推論を行うわけではありませんが、論理的・構造的に整理された情報は、AIが学習データ中のパターンと照合しやすく、結果としてより正確なコード生成につながると考えられます。
まとめ：AIとの対話に「構造」と「形式知」を
生成AIによるコード生成のポテンシャルを最大限に引き出すためには、私たち人間がAIに対してより明確で、構造化された情報を提供することが鍵となります。
曖昧な自然言語による記述から脱却し、
- YAMLのような構造化フォーマットでデータや設定を定義する。
- Mermaidでシステムの構造、フロー、状態遷移を可視化・形式化する。
- 必要に応じて形式論理を用い、厳密な仕様を（Markdown内なども活用しつつ）記述する。
- これらの根底にある数学的・論理的な思考を意識して指示を構成する。
これらを通じて、AIとのコミュニケーションにおける「曖昧さ」を減らし、「明確さ」を高めることが、コード生成の精度向上につながります。ファイル形式そのものよりも、その内容の形式性・構造性こそが重要です。
私の経験では、このようなアプローチは、AIによるコード生成の精度と効率を向上させる上で非常に有効です。ぜひ皆さんも、AIとの対話に「構造」と「形式知」を取り入れてみてください。
Discussion