Hypervelocity Engineering - beyond Vibe Coding -

Vibe Codingを行う方法論やツールもだいぶ出そろってきました。これらを活用しつつ、テキストからテキストが作成される事による可能性はもっと広く深い範囲で実現が見込まれます。
ここでは、生成AIによって、ビジネスの状況分析から、Microsoft Azureへのアプリケーションのデプロイ。そして、Azure CopilotのAgentによるOperationの可能性まで見据えてのPromptベースでのアプリケーション開発を紹介しています。

社内の情報に関してはMicrosoft 365 Copilotのリサーチツール。ソフトウェアエンジニアリングについては、GitHub Copilot。これらの双方を使って、アプリケーション開発を爆速させ、品質を少しでも向上させ。そして、Developer の皆さんのスキルを上げていくための入り口として、機能の概要を取り上げます。

内容:
- PromptのEngineeringへの適用: 企画から要件定義、設計、実装、デプロイも。
- 開発の生産性と品質をあげるための戦略: Prompt自身の現在の能力、チーム開発に向けて

サンプルのPrompt:
Japanese:
https://github.com/dahatake/GenerativeAI-Prompt-Sample-Japanese/tree/main/Software%20Engineer/%E3%83%97%E3%83%AD%E3%83%88%E3%82%BF%E3%82%A4%E3%83%97-AIFirst

English:
https://github.com/dahatake/HyperVelocityEngineering-Prompts

Transcript

1. Hypervelocity Engineering “Vibe Coding も含んだ世界” 畠山 大有 | Daiyu Hatakeyama Principal Solution Engineer Microsoft Innovation Hub /dahatake @dahatake /in/dahatake /dahatake /dahatake /dahatake https://speakerdeck.com/dahatake
2. Prompt is All you Need [1706.03762] Attention Is All You Need
3. “Vibe Coding”
4. 完全にバイブスに身を任せ、 指数関数を取り入れ、 そして、コードが存在することさえ忘れ
5. 良質の Prompt は広く公開されている github/awesome-copilot: Community-contributed instructions, prompts, and configurations to help you make the most of GitHub Copilot. affaan-m/everything-claude-code: Complete Claude Code configuration collection - agents, skills, hooks, commands, rules, MCPs. Battle-tested configs from an Anthropic hackathon winner.
6. 「このまま使えばいい」 というもんじゃぁ ない!
7. 新しいテクノロジーに対する 漠然とした不安、恐怖 新しいテクノロジーに対する 漠然とした不安、恐怖
8. • 機密情報の入力 • サービスによっては、学習に使われる可能性がある • 出力文字列の妥当性 • 何の根拠もなく正しいと判断すること • 知識としての情報を表示しているわけではない • 知財の扱い • サービスによって利用許諾や 出力データの知財などが異なる 留意事項 - 個人的な見解 - 汎化・抽象化 1次情報の確認 | 学び続ける 自社の法務担当に 相談
9. Microsoft のAIの保護 お客様のデータは お客様のもの お客様のデータはAIモデルのファインチューニングには利用されません お客様のデータとAIモデルは全ての段階で保護されます 新たな Copilot Copyright Commitment
10. AI Agent達との 私のお仕事の日常
11. コラボレーション コード開発 コミュニケーション 同時に複数のタスクを行っています Copilot君に 私のメールや会議やファイルから、 議事録や報告書の ドラフトを作成 Copilot君に リポ内のドキュメントや、 MCP経由での プログラムコードの作成 お客様からの メールへ返信 同僚と 案件の議論と 社内リソース調整 Prompt (設計書作成) dahatake 作業 技術調査など チャット Prompt (レビュー) メール作成 Copilot Copilot 作業 私の動き Prompt (コード作成) Copilot メール熟読。 すぐに返信できるものは 返信実行 ファイル 同時 編集 ドラフトの文字列。 Microsoft Loop で。 返事は 後でもよい メール送信 Prompt GitHub Copilot Prompt (案件状況の調査) Copilot チャット チャット レビュー Copilot インタラク ティブ バッチ バッチ バッチ バッチ
12. 私の日常: ドキュメントのドラフト作成中 これがベストだとは思っていません Copilot君に 私のメールや会議やファイルから、 議事録や報告書のドラフトの 作成を依頼 Microsoft Teams: 社内連絡 同僚と 案件の議論と 社内リソース調整
13. 私の日常: アプリ開発中 これがベストだとは思っていません GitHub Copilot Microsoft Outlook: 社外へ連絡 Copilot君に リポ内のドキュメントや、 MCP経由での プログラムコードの作成を依頼 お客様からのメールへ 返信
14. • 目的や成果物を強く意識 • Why? What? • それさえ伝えれば、作業過程の詳細は、プランの立案と 実行をやってくれる • 構造化・詳細化・具体化 • 1度にタスクの全てができないので、タスクの分割と構造 を考慮する必然がある 毎日のPromptで仕事への取組みも変わった これらを磨き上げないと生成AIに伝わらない これらを磨き上げれば、他の方(=人)とも仕事はしやすい
15. 超高速・高品質 アプリケーション 開発の世界 - Hypervelocity Engineering -
16. • スピードと量産化 • 品質向上 • 人の抜け漏れを補う • QAなど定型作業 • エンジニアの育成 • 人によるエンジニアリングは 無くならない AI駆動開発への期待 • ソフトウェア開発の外注 部分をAIに • 人的に不足している現場 への人的シフト • ベテランエンジニアが現場で活躍で きる人事体制とともに • 保守切れ対応など
17. Coding の現場 ドキュメントと各種サンプルコードを読み込んで 挙動と 使い方を理解する With Search サンプルコードをネットで探す。 知財に注意しながら コピペして動かす 動かないと、 エラーメッセージを基に ネットで探す With LLM ChatGPT でプロトタイプ作る (もしくは) Visual Studio Code で やりたい事をコメントに書く 動かす 動かないと、 Codex の 「fix it」で 修正させる
18. AI駆動 Software Engineering AI駆動 Business Engineering Better Together ビジネス価値に連動した開発 ビジネスに必要な技術の選択しやすさ。 技術ありきではなく チームでの活性化
19. Vibe Coding Software Engineering Vibe Coding GitHub Copilot Develop Operation SRE Review Quality Assurance Documentation
20. Business Engineering 現状分析 As-Is Hypervelocity Engineering Business Engineeringx Software Engineering 市場の課題 社内の課題 改善案 To-Be 改善案 Software Engineering Product Management 機能要件 非機能要件 Use Case Vibe Coding GitHub Copilot Develop データアクセス、ガバナンス、エージェント管理、成果測定 リサーチツール Issue Operation Ops Data / Resources 公開情報 社内情報 Code Feedback SDKs Log Review Quality Assurance Documentation Deploy Design MCP IaC MCP CI/CD
21. Business Engineering 現状分析 As-Is Hypervelocity Engineering Business Engineeringx Software Engineering 市場の課題 社内の課題 改善案 To-Be 改善案 Software Engineering Product Management 機能要件 非機能要件 Use Case Vibe Coding GitHub Copilot Develop データアクセス、ガバナンス、エージェント管理、成果測定 リサーチツール Issue Operation Ops Data / Resources 公開情報 社内情報 Code Feedback SDKs Log Review Quality Assurance Documentation Deploy Design MCP IaC MCP CI/CD
22. Azure Copilot Chat Mode Agent Mode エージェント ツール 文書 費用 リソースクエリ スクリプト生成 … … Azure Resources Document ガバナンス BYOSサポートとの 会話履歴 構成 観測可能性 Experiences Orchestrator Troubleshooting Migration Optimization Agent / Tool Catalog Knowledge Support
23. Migration Trouble- shooting​ Resiliency Deployment Optimization Observability Azure Copilot Full lifecycle agents
24. Business Engineering 現状分析 As-Is Hypervelocity Engineering Business Engineeringx Software Engineering 市場の課題 社内の課題 改善案 To-Be 改善案 Software Engineering Product Management 機能要件 非機能要件 Use Case Vibe Coding GitHub Copilot Develop データアクセス、ガバナンス、エージェント管理、成果測定 リサーチツール Issue Operation Ops Data / Resources 公開情報 社内情報 Code Feedback SDKs Log Review Quality Assurance Documentation Deploy Design MCP IaC MCP CI/CD
25. データアクセス、ガバナンス、エージェント管理、成果測定 Software Engineering Vibe Coding (Biz+Software) Design To Coding As-Is / To-Be Product Management Use Case.1 Use Case.2 業務分析書 Future Scenario 一覧 アーキテクチャ 設計 埋め込み (microservice など) サービス一覧 Issue マイクロサービス 定義.1 マイクロサービス 定義.2 マイクロサービス 定義.3 画面定義.1 画面定義.2 Issue Issue Issue Issue 画面遷移図 データモデル +サンプルデータ 市場の課題 社内の課題 改善案 アーキテクチャ 設計 埋め込み (Polyglot Persistence など) データ設計 サービス カタログ Code DDL ドメイン分析 ドキュメント化 ビジネスに近い 情報を入れたい 構造化とID付与で 厳密性向上 Mermaid記法などの 図式化は適時 C# Java Python React Html, JavaScript タスクが大きすぎる場合は、 Issueを分割する 既存のAPIなども参考に MCP MCP Use Case 一覧 Future Scenario.1 Future Scenario.2 Future Scenario – Use Case Catalog
26. データアクセス、ガバナンス、エージェント管理、成果測定 Software Engineering Stichinng(繋ぐ) + Deployment の単位の例 マイクロサービス 定義.1 マイクロサービス 定義.2 マイクロサービス 定義.3 画面定義.1 データ設計 サービス カタログ データモデル +サンプルデータ Deploy Microsoft Azure Code DDL C# Java Python React Html, JavaScript 画面定義.2 Azure用のアーキテクチャ 設計 埋め込み Azure の REST API 設計 Azure の Web Frontend 設計 Issue Issue Issue Azure Functions など Azure Static Web Apps など Azure Cosmos DB など CI/CD CI/CD Azure の ストレージ設計 Azure の 機能 設計 MCP MCP
27. • 情報 • プログラミング言語固有の ライブラリ・バージョンでの違い • Azure サンプルコードやSDK • アーキテクチャ • Azure Best Practice • アクションの実行 • コマンド実行 • API 呼び出し • Azure へのデプロイ MCP 設定を強く推奨 Microsoft Learn MCP Server Azure MCP Server Vibe Coding Develop Review Quality Assurance Documentation Design Deploy IaC
28. チーム開発 - ファイル管理 GitHub データアクセス、ガバナンス、エージェント管理、成果測定 As-Is / To-Be Product Management Vibe Coding GitHub Copilot Coding agentから参照 できる Markdown化して、 Push この中だけで Prompt Chatの結果を Pageに保存 複数Pageを、 ノートブックで管理
29. Prototype MVP Prototype から MVP へのスムーズな連携 GitHub Spark GitHub Copilot Coding Agent GitHub Copilot Agent Mode UIフォーカス Desing to Code Change Management Issue の単位 コードを書くのはLLM 全てのプログラム言語 LLMの選択は出来ない - GitHub Actions で動作 Premium Request: 1 Coding Coding の単位 LLMの書いたコード x 人 全てのプログラム言語 LLMの選択が出来る Premium Request: 1 or もっと React + TypeScript のみ データモデル GitHub の Repository に Clone可能 Premium Request: 4 GitHub リポジトリ ※ こちらでPrototypeを始めてもよい
30. Batch と Interactive のコラボレーション GitHub Copilot Coding Agent GitHub Copilot Agent Mode 10 APIのコード生成 - API/モジュールの雛形を大量生成 - 単体テストケースの大量展開（仕様→ テスト） - 命名／スタイル／コメント規約の一括 適用 - 構成変更に伴う連鎖修正 例：VPN/ネットワーク→DB/設定→ コード - ドキュメント自動生成（API一覧、 呼び出し表、コールグラフ） API #2のフローの 図式化 - コードリーディング支援（難所の理解） - 設計の選択肢評価（What-if分析） - バグの仮説検証（ログ/差分を対話で詰 める） - テスト設計のレビュー／洗い出し GitHub リポジトリ 15の関連する画面の 修正 Prompt 探索・判断・深掘り スケール・再現性・ルール適用 Prompt API #2の問題点の考察 Prompt API #2の修正候補の作成 Prompt Prompt API #2の テストコード作成と実施 Prompt
31. Software Engineering に最適化 Commercial Business に最適化 適材適所。モデルの違い Reasoning Model GPT-5 Thinking Deep Research系 リサーチャーなど Normal Model GPT-5など ソース Internet 社内 GitHub Repo リサーチツール リサーチツール GitHub Copilot GitHub Copilot Coding agent GitHub Copilot 実行 実行 実行プラン作成 実行 実行プラン作成 妥当性チェック MCP 妥当性チェック ※Promptに追 ある程度はや ※Microsoft 365 CopilotもCopilot Studio経由で MCP連携などの拡張可能
32. 鉄則 最新の Reasoning Model 対象範囲を絞る Promptの出力文字列の扱い: Codeは厳密に。説明は追及しすぎない
33. 同じモデルでも。成果物が違う Coding Agent (Sonnet 4.5) Agent Mode (Sonnet 4.5) Prompt
34. 題材 #1 ロイヤリティー サービス
35. 要求定義のドキュメント リサーチツール 約10分
36. GitHub の Repositoryに追加
37. Issue 投入 - Use Case一覧作成 Pull Requestの作成 Copilot君にタスクをアサイン
38. 作業状況を共有してくれる!
39. 人によるレビュー
40. 作成されたUse Case一覧
41. Best Practices - 更新中 -
42. • 成果物の粒度の深い考慮 • 一度に全ては作成できない • Deep Research 系でのプラン・ 実行・レビューの自動化 • M365 Copilot リサーチツール • GitHub Copilot Coding agent • それでも、レビューのPromptの投入を強く推奨! • タスクに最適なモデルの選択 • ビジネスドキュメント。ソフトウェアエンジニアリング • 検索をさせない • ファイルを指定する • Instructions.md の整備 生産性と成果物の精度を上げるポイント • RAG のソースとして作業経過のド キュメントの作成 • 人と複数エージェントでの同時チーム開発の肝 • UI – Service – Dataのマッピング表 • MCP 拡張 • 最新情報・バージョン・アーキテクチャ・ サンプルコードなどの詳細情報の参照。 Microsoft Learn など • Cloud リソースの作成、更新。アーキテクチャ、 セキュリティ レビューなどの実施。 Azure MCP Server など • アーキテクチャの埋め込み • アプリケーションの最適な稼働場所などを ワークロードの特性を考慮して、 入れ替えを視野に
43. 5W2H。より具体的に書く GitHub Copilot Coding Agent GitHub Copilot Agent Mode 10 APIのコード生成 - API/モジュールの雛形を大量生成 - 単体テストケースの大量展開（仕様→ テスト） - 命名／スタイル／コメント規約の一括 適用 - 構成変更に伴う連鎖修正 例：VPN/ネットワーク→DB/設定→ コード - ドキュメント自動生成（API一覧、 呼び出し表、コールグラフ） API #2のフローの 図式化 - コードリーディング支援（難所の理解） - 設計の選択肢評価（What-if分析） - バグの仮説検証（ログ/差分を対話で詰 める） - テスト設計のレビュー／洗い出し GitHub リポジトリ 15の関連する画面の 修正 Prompt 探索・判断・深掘り スケール・再現性・ルール適用 Prompt API #2の問題点の考察 Prompt API #2の修正候補の作成 Prompt Prompt API #2の テストコード作成と実施 Prompt
45. 心当たりはありませんか? 成功条件が未定義 改善：期待挙動/NG条件/受入テストを明文化（DoD化）。 論理：成功条件が固定されないと修正が拡散し、検証不能。 再現手順がない 改善：最短再現（curl/入力/データ）を固定し、同一結果を担保。 論理：再現できない不具合は直ったか判断できない。 スタックトレース/ログ不足 改善：例外全文＋該当リクエストID周辺ログ＋レスポンスを必須入力に。 論理：証拠なしの修正は推測に堕ちる。 環境差分（設定・依存・環境変数）未固定 改善：Python/依存lock/ENV/起動方法/設定を記録し、コンテナ等で再現。 論理：環境起因は“コードを直しても直らない”。 “直して”がスコープ無制限 改善：対象エンドポイント/影響範囲/制約をプロンプトの固定項目に。 論理：LLMは制約がなければ勝手に広く変える。 LLMの幻覚（存在しない関数・設定）混入リスク 改善：出力要件に「参照箇所（ファイル/行/シンボル）」を必須化。 論理：参照根拠がなければレビュー不能。 最小差分が守られない 改善：diff形式強制＋“リファクタ禁止”を明記（別PRへ）。 論理：差分が大きいほど原因追跡とロールバックが困難。 回帰テストなしで修正 改善：まず失敗するテスト1本→修正→テスト緑、を手順固定。 論理：回帰はLLM修正の最大事故要因。 例外握りつぶし 改善：例外分類（入力/外部/内部）＋適切なHTTPコード＋ログ必須。 論理：原因を消すと再発する。
46. 心当たりはありませんか? 外部API/DBのI/O境界が曖昧 改善：境界でスキーマ検証（型・バリデーション）＋契約の固定。 論理：境界不備はバグの温床で、調査も難しい。 タイムアウト/リトライ方針不在 改善：値・回数・バックオフ・例外扱いを仕様化。 論理：外部I/Oは遅延・失敗が通常であり、設計が必要。 秘密情報のログ漏洩リスク 改善：マスキング規約＋禁止フィールド明示＋レビュー項目化。 論理：バグ修正過程で漏洩が起きやすい。 相関IDが伝播しない（追跡不能） 改善：request_idを入口→下流API→DBログへ伝播。 論理：分散I/Oの原因追跡が現実的になる。 本番障害のロールバック戦略なし 改善：feature flag/段階リリース/即時切戻し手順を用意。 論理：修正が悪化したときに被害を止める手段が必要。 DoD（完了条件）が曖昧 改善：再現手順で再発なし＋テスト緑＋監視で異常ゼロ＋性能閾値、を定義。 論理：“動いた気がする”を排除する。
47. よりよいトラブルシューティングのPromptの例 あなたはPython Webアプリのデバッグ担当です。 まず、原因特定に必要な情報が不足している場合は 最大7個まで 質問してください。 その後、得られた情報を前提に 原因仮説を3つ 出し、各仮説の 検証手順（ログ/テスト/確認ポイント） を示してください。 最後に、最も有力な仮説に対する 最小差分の修正方針 を提案してください。 共有できる情報：エラー全文、スタックトレース、関連3ファイルまで、実行コマンド、期待値 目的: このバグを再現する 自動テスト を先に追加し、次に最小修正で直したい。 入力: エラー全文、再現手順、対象エンドポイント、関連コード。 出力: バグ再現テスト案（pytest想定、モック戦略含む）修正箇所候補 （ファイル名/関数名）最小差分の修正案回帰リスクと追加スモークテスト 次の10個の .py の概要を箇条書きで渡すので、エントリポイント → ルーティング → サービス → DB/外部API の呼び出し経路を推定し、依存関係グラフ（文章でOK）と、調査優先順 （上位5つ）を出してください。 その後、優先順1位の経路で起きがちな不具合パターン（例：タイムアウト、例外ハンドリング、 型不整合）を列挙し、観測ポイント（ログ/メトリクス）を提案してください。
48. 実は… この点も Copilot君に聞ける!
49. GitHub Copilotでトラブルシューティングを 行う機能を試したいです。 まずはバグを含んだPythonのサンプルコード を作成してください
50. ソフトウェアエンジニアが、Pythonのプログラムのバグを、 Vibe Codingの手法でトラブルシュートをしています。 プログラムコードは10個の.pyファイルで構成されており、それは Webアプリケーションで、APIやデータ呼び出しをしています。 Promptとして「直して」と入力されています。 Software EngineeringやPrompt Engineeringなどの観点 から、プロフェッショナルとして考えらえる問題点を10-50 リストアップして、その改善策を立案して、問題点と その論理的な改善策について説明をしてください。
51. Microsoft 365 Copilot Chat ですよ
52. Batch: 効果は高い。難易度も高い GitHub Copilot Coding Agent GitHub Copilot Agent Mode 10 APIのコード生成 - API/モジュールの雛形を大量生成 - 単体テストケースの大量展開（仕様→ テスト） - 命名／スタイル／コメント規約の一括 適用 - 構成変更に伴う連鎖修正 例：VPN/ネットワーク→DB/設定→ コード - ドキュメント自動生成（API一覧、 呼び出し表、コールグラフ） API #2のフローの 図式化 - コードリーディング支援（難所の理解） - 設計の選択肢評価（What-if分析） - バグの仮説検証（ログ/差分を対話で詰 める） - テスト設計のレビュー／洗い出し GitHub リポジトリ 15の関連する画面の 修正 Prompt 探索・判断・深掘り スケール・再現性・ルール適用 Prompt API #2の問題点の考察 Prompt API #2の修正候補の作成 Prompt Prompt API #2の テストコード作成と実施 Prompt
53. Copilot 君の 6 並列実行! 複数ファイルの作成で、10分以上かかりそうであれば、 タスクを中断してPrompt文字列を作成してファイル出力してもらう ファイルとして出力 ファイルの内容 ファイルの内容を Promptとして実行してもらう
54. データアクセス、ガバナンス、エージェント管理、成果測定 Software Engineering Vibe Coding (Biz+Software) Design To Coding As-Is / To-Be Product Management Use Case.1 Use Case.2 業務分析書 Future Scenario 一覧 アーキテクチャ 設計 埋め込み (microservice など) サービス一覧 Issue マイクロサービス 定義.1 マイクロサービス 定義.2 マイクロサービス 定義.3 画面定義.1 画面定義.2 Issue Issue Issue Issue 画面遷移図 データモデル +サンプルデータ 市場の課題 社内の課題 改善案 アーキテクチャ 設計 埋め込み (Polyglot Persistence など) データ設計 サービス カタログ Code DDL ドメイン分析 ドキュメント化 ビジネスに近い 情報を入れたい 構造化とID付与で 厳密性向上 Mermaid記法などの 図式化は適時 C# Java Python React Html, JavaScript タスクが大きすぎる場合は、 Issueを分割する 既存のAPIなども参考に MCP MCP Use Case 一覧 Future Scenario.1 Future Scenario.2 Future Scenario – Use Case Catalog 再掲
55. データアクセス、ガバナンス、エージェント管理、成果測定 Software Engineering Vibe Coding スケールする大規模Batch的な発想 As-Is / To-Be Product Management Use Case.1 Use Case.2 業務分析書 Future Scenario 一覧 アーキテクチャ 設計 埋め込み (microservice など) 画面定義.1 画面定義.2 Issue Issue 画面遷移図 データモデル +サンプルデータ 市場の課題 社内の課題 改善案 アーキテクチャ 設計 埋め込み (Polyglot Persistence など) データ設計 サービス カタログ Code DDL ドメイン分析 ビジネスに近い 情報を入れたい 構造化とID付与で 厳密性向上 Mermaid記法などの 図式化は適時 React Html, JavaScript タスクが大きすぎる場合は、 Issueを分割する 既存のAPIなども参考に MCP MCP Use Case 一覧 Future Scenario.1 Future Scenario.2 Future Scenario – Use Case Catalog サービス一覧 マイクロサービス 定義.1 マイクロサービス 定義.2 マイクロサービス 定義.3 Issue Issue Issue C# Java Python
56. Prompt #2 Job #1 Job の単位 サービス一覧 Issue Issue Issue Issue Issue Issue Issue Issue Issue Prompt #1 C# Java Python C# Java Python C# Java Python Input Process Output Input Process Output Job #2 Job #2 Job #2 Job #2 Job #2 Job #2 Job #2 Job #2 Job #2 マイクロサービス定義.1 マイクロサービス定義.2 マイクロサービス定義.3 マイクロサービス定義.4 マイクロサービス定義.5 マイクロサービス定義.6 マイクロサービス定義.7 マイクロサービス定義.8 マイクロサービス定義.9 独立性:同時に服すの ジョブから書き込まない Input/Output指定以外 は、ほぼ同じPrompt エラー対応の途中書き出しや Job間の情報共有は、「ファイル」 タスクの範囲が小さい程、生成AI の精度も高い
57. Batchの現実
58. Safeguard - バッチ的な要素が強いが故に - 作業時間が10分を超える場合は、作業を中断して、こ のタスクを10分毎のタスクに分割して、Issueとして実行す るためのPromptを作成してください。それぞれのPrompt を`work/service-implementation-issue-prompt-< 番号>.md`に日本語で追記してください。 - ファイルを作成する際に、1つのファイルに大きな文字 列を書き込む際に、書き込み処理が失敗する場合が あります。ファイルは作成されているのに内容がEmptyに なっています。その場合は、書き込む文字列を分割して、 複数の回数に書き込み処理を分割して、1つのファイル に出力をしてください。 タスク実行中に発生した問題を 自己解決できない可能性 予めPromptに埋め込む! ざっくり時間で見積もり。タスク分割 ざっくり文字列のサイズで、書き込み処理の分割
59. 品質をあげる、再度のレビュー Pull Requestの追加コメントとしてレビュー依頼 レビュー実施のプラン作成 よくなった! 人による再確認は 必須!
60. レビューの例 1つ前の会話で、私があなたに依頼した目的 (<具体的に>) を達成できているのか? 整合性が取れているかなどの観点でレビューをして、問題点を10-50個リストアップをする。 解決策を立案し、その解決策を実行して、目的の達成のできる成果物を最終の成果物として 作成する。 このレビューは異なる観点で、3度行う。 このPromptで 問題点が無かった事が 一度もない
61. Software Engineer は 必須 責任 レビュー 作業の判断
62. Prompt 開発
63. Prompting Guide を熟読しましょう GPT-5.2 Prompting Guide Best Practices Custom Instructions M365 Copilot GitHub Copilot 一部の毎回使うも のだけを
64. • 一問一答ではなく連続した会話の文脈を維持す るため、複雑な質問への対応や追加情報の確 認に向いている • タスク • 要件の明確化と修正: ユーザーの意図が最初は曖昧でも、 AIが質問を重ねることで要求を具体化できる。 「どの程度詳しく書くか」や「優先順位は何か」といった点を対話で 詰めるため、ユーザーの望むアウトプット像に近づけることができる • 段階的な品質向上: 初回出力に対し「ここを改善して」 「この部分を詳しく」とフィードバックを与え再生成させることで、 欠点を補い精度や完成度を高めらる。例えばプログラミングでは、 生成コードを実行・検証しながら誤りを直していくような 反復による洗練が可能 • 柔軟な応答とアイデア出し: ユーザーとの対話によって AIが文脈やトーンを逐次学習するため、人間のブレインストーミングに 近い柔軟さがあります。新たな質問や方向転換にも対応しやすく、 創造的なタスクでは対話を通じて独創的なアイデアを引き出すことも できる • 使用例 • Copilotなどの対話型AIに「まず方針を考えてもらい→次にコードを 書いてもらい→出力をテストし→不具合があれば修正する」という 対話を行うと、一度で大きなプログラムを生成させるよりも信頼性の 高いコードを得やすい Interactive と Batch • ユーザーからの介入は最小限で、複雑な処理で あってもAIが自律的に多段階の推論や検索を 行い、包括的な回答や成果物を生成 • タスク • 明確に定義されたタスク: ゴールや条件が初めからはっきりしており、 追加の相談が不要な場合、1回のプロンプトで完結できる。 例えば「与えられた仕様書どおりにプログラムコードを書いて」といった タスクでは、詳細な仕様をすべて含めてプロンプトを作成すれば 対話なしでコード生成が可能 • 大規模な情報処理: 人間では調査に何時間もかかるような 大規模データの分析や包括的レポート作成も、バッチ型なら短時間 で遂行できる。OpenAIのDeep Research機能はその代表例で、 ユーザーが投げかけた複雑な質問に対してAIがネット上の数百もの 情報源を自動調査・統合し、リサーチ報告書レベルの回答 を返す • 処理の自動化: ユーザーが逐一指示せずとも、AIエージェントが ツールを駆使して自律的にタスクを進行できるケースでは バッチ処理が有効。例えばスプレッドシートの大量データを読み込んで 分析しグラフ化するといった一連の処理を、ワンプロンプトで完了 • 使用例 • 「製品XYZの市場分析レポートを作成して」という指示を Deep Researchに一度投げれば、AIが数十分かけて関連データを 検索・精査し、出典付きの詳細なレポートを生成させる Batch Interactive
65. Interactive と Batch あなたはエンタープライズ向け提案を専門とするプリセールスです。 以下の前提に基づいて、経営層向けの提案資料案を作成してください。 # 前提 - 提案先企業：{企業名} - 業界：{業界} - 現在の課題：{箇条書き} - 期待する成果：{定量/定性} - 提案する製品・サービス：{名称} - 制約条件：{予算・期間・体制など} # 重点観点 - 経営課題との整合性 - ビジネス効果（定量的仮置きを含む） - リスクと実行可能性 # 出力内容 1. エグゼクティブサマリー 2. 現状課題と放置した場合の影響 3. 提案内容と差別化ポイント 4. 導入による効果（短期・中期・長期） 5. 導入ステップとスケジュール 6. 想定リスクとその対応策 7. 次のアクション # 出力形式 - 見出し＋箇条書き - 経営層が短時間で判断できる表現を用いる Batch あなたはエンタープライズ向け提案を専門とするプリセールスです。 経営層が短時間で意思決定できる提案資料案を作成することが目的です。 Interactive 以下の前提条件を前提として扱ってください。 - 提案先企業：{企業名} - 業界：{業界} - 現在の課題：{箇条書き} - 期待する成果：{定量/定性} - 提案する製品・サービス：{名称} - 制約条件：{予算・期間・体制など} 提案を構成する際は、以下の観点を特に重視してください。 - 経営課題との整合性 - ビジネス効果（定量的な仮置きを含む） - リスクと実行可能性
66. 温故知新
67. Distributed Batch Job Control向けの Prompt 開発 成果物の定義 • スコープ: 新規/変更 ジョブ構成設計 • Agent/Skills/MCP JobとしてのPromptの 開発・デバッグ • Prompt 全てのJobの実行 • Issue投入 • (アプリ実行)
68. Interactive で試行錯誤したものを Batch 化 という方法も 目的を伝える 「だけ」 Copilot君の出力結果も、 私のPromptの一部になる
69. Interactive で試行錯誤したものを Batch 化 という方法も 今回は 「作業手順」を教えてくれた
70. Interactive で試行錯誤したものを Batch 化 という方法も 私の中で話を切り替えた。 ここまでは「大きな進め方」 ここからは、進め方に沿って 「Vibe Coding」で、どう行うのか?
71. Interactive で試行錯誤したものを Batch 化 という方法も 私の中で話を切り替えた。 ここまでは「大きな進め方」 ここからは、進め方に沿って 「Vibe Coding」で、どう行うのか? 手順はいい。 ただ「移行」のストーリーが欠落! ドラフトとして使える!
72. これが いつ起こるか不明
73. Software Engineer は 必須 責任 レビュー 作業の判断 再掲
74. Interactive で試行錯誤したものを Batch 化 という方法も 途中の項目を 「2) Vibe Codingの進め方（この順でやると速くて安全）」 の様に具体的に指定して、修正
75. Interactive で試行錯誤したものを Batch 化 という方法も 「作成」のみ。 ここでレビューはしない。
76. Interactive で試行錯誤したものを Batch 化 という方法も 「作成」のみ。 ここでレビューはしない。
77. Interactive で試行錯誤したものを Batch 化 という方法も 「作成」のみ。 ここでレビューはしない。 これを作りたかった!!!
78. 会話全体が。長い「ドキュメント」
79. さいごに
80. いつまで価値があるのか? Hardware Data Model Programming Architecture Business Mainframe Structured File COBOL monolithic Cloud Document, etc C# microservices Virtualization Containerize x64 Server Relational Java Web 3 Tier Hyper-V T-SQL Vue. js Semantic Kernel
81. 全てのSoftware Engineer が… 学べるチャンス 自分がしていた タスクを 任せられる - 例: 画面とDBはコードが別 - 例: ライブラリのバージョンはあがる - 例: コピペ的な繰り返しの作業とそうでない事 - 例: 複数コマンド実行での環境構築
82. AIの成果物を 読む か 読まないか
83. Prompt> Tools
84. 脳は 変化を嫌がるように出来ているらしい 新しい事を学ぶあるいは始める (所謂、チャレンジ) ためには、 新たに神経細胞をつなぐ作業が必要で、 相当のエネルギーを使うらしい 結果、「 現状維持」を求めがち 明確な Source を探せておらず…
85. Prompt のサンプル dahatake - Qiita dahatake/GenerativeAI-Prompt-Sample-Japanese: ChatGPTや Copilotなど各種生成AI用の「日本語]の Prompt のサンプル https://github.com/dahatake/GenerativeAI-Prompt-Sample-Japanese https://qiita.com/dahatake
86. デジタル庁公開の Prompt サンプルなど 2023年度 デジタル庁・行政における生成AIの適切な利活用に向けた技術検証を実 施しました(最終更新日:)
87. © Copyright Microsoft Corporation. All rights reserved. Invent with purpose.