AI: プロンプトエンジニアリング

PROMPT_TEMPLATE = """
[役割] あなたは {role} です。
[タスク] 次を {task} してください。
[文脈] {context}
[形式] {format} で出力してください。
[制約] {constraints}
[例] {example}
"""

# ゼロショットプロンプト：例なしで感情を分類
prompt = """
以下のレビューの感情を ポジティブ または ネガティブ に分類してください。

レビュー: "バッテリーの持ちが素晴らしく、1 回の充電で 12 時間続いた！"
感情:
"""

# 期待出力: ポジティブ

# フューショットプロンプト：例付きで感情を分類
prompt = """
各レビューの感情を ポジティブ／ネガティブ／中立 に分類してください。

レビュー: "画面の品質が気に入っている！" -> ポジティブ
レビュー: "ひどいカスタマーサービスだ。" -> ネガティブ
レビュー: "まずまずの製品、特筆すべき点はない。" -> 中立
レビュー: "今年買った中で最高の買い物！" -> ポジティブ

レビュー: "得られたものに対して価格が高すぎる。" ->
"""

# 期待出力: ネガティブ

# 思考連鎖プロンプト：数学問題をステップごとに解く
prompt = """
以下の問題をステップごとに解いてください。

問題: ある店がノートパソコンを $800 で仕入れ、$1,050 で販売している。
利益率をパーセントで示してください。

ステップごとの解法:
"""

# 期待出力:
# ステップ 1: 利益 = 1050 - 800 = $250 を計算
# ステップ 2: 利益率 = (250 / 800) * 100% = 31.25%
# 答え: 利益率は 31.25%

# 技術面接官役のシステムプロンプトを定義
system_prompt = """
あなたは技術面接を実施するシニアソフトウェアエンジニアです。
ルール:
1. 一度に 1 つの質問をする
2. 次の質問の前に候補者の回答を待つ
3. 回答が間違っている場合は、正解ではなくヒントを出す
4. トピックはカバーする：データ構造、アルゴリズム、システム設計
5. 各回答を 1〜5 の尺度で評価する
"""

user_message = "面接の準備はできています。始めてください。"

# AI は一般的なチャットボットではなく、構造的な面接官として振る舞う

# スキーマ付きの JSON 出力を強制するプロンプト
prompt = """
以下のテキストから商品情報を抽出してください。
このスキーマに合う有効な JSON のみを出力してください。

{
  "name": "string",
  "price": "number",
  "currency": "string",
  "features": ["string"]
}

テキスト: "UltraWidget Pro は $49.99 で、防水ケース、ソーラー充電、5 年保証が付属する。"

JSON:
"""

# 期待出力:
# {
#   "name": "UltraWidget Pro",
#   "price": 49.99,
#   "currency": "USD",
#   "features": ["防水ケース", "ソーラー充電", "5 年保証"]
# }

from pydantic import BaseModel
from typing import List

class ProductInfo(BaseModel):
    name: str
    price: float
    currency: str
    features: List[str]

# AI の出力を検証
try:
    product = ProductInfo.model_validate_json(ai_output)
    print(f"Valid: {product.name} - {product.currency}{product.price}")
except Exception as e:
    print(f"Invalid JSON: {e}")

# 悪い例: 曖昧なプロンプト
bad_prompt = "電気自動車市場を分析してください。"

# ステップ 1: 役割を追加
step1 = "あなたはシニア EV 市場アナリストです。EV 市場を分析してください。"

# ステップ 2: 構造を追加
step2 = """あなたはシニア EV 市場アナリストです。
2025 年の世界 EV 市場を以下で分析してください:
1. 3 つの重要なトレンド
2. 2 つの主要リスク
3. 1 つの投資提言"""

# ステップ 3: 形式制約を追加
step3 = """15 年の経験を持つシニア EV 市場アナリストです。
2025 年の世界 EV 市場を以下で分析してください:
1. 3 つの重要なトレンド（Markdown 表で提示）
2. 2 つの主要リスク（発生確率の評価付き）
3. 1 つの投資提言（期待 ROI 範囲付き）

明確な見出しを持つ Markdown 形式で出力してください。"""

from string import Template
from pydantic import BaseModel
from typing import List, Optional

# ステップ 1: システムプロンプト - 役割を定義
SYSTEM_PROMPT = """あなたは市場調査、競合分析、ユーザー体験評価に精通した
シニア商品アナリストです。
構造的でデータ駆動の商品分析レポートを作成します。

ルール:
1. 常に具体的な証拠とデータポイントに基づいて分析する
2. 強みと弱みの両方を客観的に強調する
3. 優先順位付きの実行可能な提言を提供する
4. 可能な限り具体的な数値と指標を使う
5. 出力は有効な Markdown で形式する
"""

# ステップ 2: 6 要素すべてを持つユーザープロンプトテンプレート
USER_PROMPT_TEMPLATE = Template("""
[タスク] 以下の商品を分析し、包括的なレポートを作成してください。

[商品情報]
- 名前: $product_name
- カテゴリ: $category
- 価格: $price
- 対象ユーザー: $target_users

[レポート構成]
以下のセクションを含めてください:
1. **商品概要** - 簡単な説明と位置づけ
2. **強み** - 証拠付きの上位 3 つの利点
3. **弱み** - 例付きの上位 3 つの制限
4. **市場位置** - 競合状況の分析
5. **提言** - 優先順位付きの改善提案

[形式] 見出しと要約表を持つ Markdown で出力。
[制約] 最大 500 語。簡潔かつ具体的に。
[例]
商品概要
ProductX は若手プロ向けのミッドレンジスマートフォン…

要約表
| 側面 | 評価 | 主要な洞察 |
|--------|--------|-------------|
| デザイン | 4/5 | ミッドレンジ価格でプレミアム感 |
""")

# ステップ 3: テンプレートを埋めて API を呼ぶ（疑似コード）
def analyze_product(product_name: str, category: str,
                    price: str, target_users: str) -> str:
    user_prompt = USER_PROMPT_TEMPLATE.substitute(
        product_name=product_name,
        category=category,
        price=price,
        target_users=target_users
    )
    # 実際の使用時はここで LLM API を呼ぶ
    # response = client.chat.completions.create(
    #     model="gpt-4",
    #     messages=[
    #         {"role": "system", "content": SYSTEM_PROMPT},
    #         {"role": "user", "content": user_prompt}
    #     ],
    #     temperature=0.3
    # )
    # return response.choices[0].message.content
    return user_prompt  # デモ用にプロンプトを返す

# ステップ 4: テンプレートを使う
result = analyze_product(
    product_name="EcoBike S3",
    category="電動自転車",
    price="$1,299",
    target_users="25〜40 歳の都市通勤者"
)
print(result[:300] + "...")

# タスク: 英語から中国語への翻訳

# 悪いプロンプト
prompt_v1 = "Translate this: The quick brown fox jumps over the lazy dog."

# より良いプロンプト（文脈と制約を追加）
prompt_v2 = "次の英文を自然で流暢な中国語に翻訳してください。原文のトーンと意味を保ってください。\n\nThe quick brown fox jumps over the lazy dog."

# 最高のプロンプト（役割、形式、例を追加）
prompt_v3 = """あなたはプロの英中翻訳者です。

ルール:
1. 自然で惯用的な中国語に翻訳する
2. 原文のトーンとニュアンスを保つ
3. 文化的参照がある場合は簡単な注釈を加える

例:
EN: "Break a leg!"
CN: "Break a leg!（公演前に幸運を祈るという英語の慣用句）"

次を翻訳してください:
The quick brown fox jumps over the lazy dog."""

# TODO: 各プロンプトを LLM で実行し、出力を比較する

# フューショット感情分類
prompt = """各レビューの感情を分類してください。

レビュー: "この製品が大好き！五星！" -> ポジティブ
レビュー: "金の無駄、1 週間で壊れた。" -> ネガティブ
レビュー: "期待通りに動く、それ以上でも以下でもない。" -> 中立
レビュー: "デザインは美しいがバッテリーが早く減る。" -> ?

次の 5 件を分類してください:
1. "今まで使った中で最高のコーヒーメーカー！"
2. "配達が遅く、箱が破損していた。"
3. "価格の割に並の品質、まずまずだが印象に残らない。"
4. "カスタマーサポートが 10 分で問題を解決、凄い！"
5. "説明書が分かりにくいが製品はちゃんと動く。"
"""

# TODO: LLM で実行し、精度を検証する

# 技術面接官システム
SYSTEM_PROMPT = """あなたはコーディング面接を実施するシニアバックエンドエンジニアです。
ルール:
1. Python／データ構造／アルゴリズムについて一度に 1 つ質問する
2. 各回答を評価する：1〜5 で採点し簡潔なフィードバックを出す
3. 間違っている場合は、完全な答えではなくヒントを出す
4. 5 問終わったら総合評価を出す
5. 難易度は徐々に上げる
"""

# シミュレートされたマルチターン会話
conversation = [
    {"role": "system", "content": SYSTEM_PROMPT},
    {"role": "user", "content": "面接の準備はできました。"},
]

# TODO: 以下を実行するループを実装する:
# 1. conversation を LLM に送る
# 2. 面接官の質問を出力する
# 3. ユーザー入力を回答として受け取る
# 4. 両方を conversation に追加する
# 5. 面接が終わるまで繰り返す