第5章：実践プロジェクト

はじめに

この最終章では、学んだすべてを実世界のアプリケーション構築にまとめます。ビジョンプロンプティング、プロンプトキャッシング、本番デプロイメント戦略など、最新のプロンプトエンジニアリング技術を実践する4つのプロジェクトを扱います。

この章を終えると、以下のものが完成します：

• 構造化抽出を伴うドキュメント分析システム
• マルチモーダルプロンプトを使用したビジョンベースアプリケーション
• コスト最適化のためのプロンプトキャッシング実装
• 本番デプロイメントのベストプラクティス

プロジェクト1：ドキュメント分析システム

システムアーキテクチャ

実装

from openai import OpenAI
from pydantic import BaseModel
from typing import Literal

client = OpenAI()

class DocumentClassification(BaseModel):
    document_type: Literal["invoice", "contract", "report", "other"]
    confidence: float
    language: str
    page_count_estimate: int

def classify_document(text: str) -> DocumentClassification:
    """ドキュメントを分類し、構造化メタデータを返す"""

    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": """ドキュメントタイプを分類し、メタデータを抽出してください。
                ドキュメントタイプ：
                - invoice：請求書、領収書、支払い要求
                - contract：契約書、利用規約、NDA
                - report：分析、要約、研究文書
                - other：その他"""
            },
            {"role": "user", "content": text[:4000]}
        ],
        response_format=DocumentClassification
    )

    return response.choices[0].message.parsed

from pydantic import BaseModel
from typing import Optional
from datetime import date

class LineItem(BaseModel):
    description: str
    quantity: float
    unit_price: float
    total: float

class InvoiceData(BaseModel):
    invoice_number: str
    vendor_name: str
    customer_name: str
    invoice_date: date
    line_items: list[LineItem]
    subtotal: float
    tax_amount: float = 0
    total_amount: float
    currency: str = "JPY"

def extract_invoice(text: str) -> InvoiceData:
    """請求書テキストから構造化データを抽出"""

    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": """すべての請求書情報を構造化フォーマットに抽出してください。
                - 日付はISO形式（YYYY-MM-DD）でパース
                - 明示されていない場合は合計を計算
                - ドキュメントの通貨を使用
                - 数量と価格を含むすべての明細を抽出"""
            },
            {"role": "user", "content": text}
        ],
        response_format=InvoiceData
    )

    return response.choices[0].message.parsed

プロジェクト2：ビジョンプロンプティングアプリケーション

ビジョンプロンプティングの基礎

最新のLLM（GPT-4V、Claude 3.5、Gemini）はテキストと一緒に画像入力をサポートしています。これにより強力な視覚理解アプリケーションが可能になります。

import base64
from openai import OpenAI

client = OpenAI()

def encode_image(image_path: str) -> str:
    """画像をbase64にエンコード"""
    with open(image_path, "rb") as f:
        return base64.standard_b64encode(f.read()).decode("utf-8")

def analyze_image(image_path: str, prompt: str) -> str:
    """カスタムプロンプトで画像を分析"""

    base64_image = encode_image(image_path)

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": prompt},
                    {
                        "type": "image_url",
                        "image_url": {
                            "url": f"data:image/jpeg;base64,{base64_image}",
                            "detail": "high"  # 詳細分析用
                        }
                    }
                ]
            }
        ],
        max_tokens=1000
    )

    return response.choices[0].message.content

# 使用例
result = analyze_image(
    "product.jpg",
    "この製品画像で見える欠陥や品質問題を説明してください。"
)

品質検査システム

from pydantic import BaseModel
from typing import Literal
from enum import Enum

class DefectType(str, Enum):
    SCRATCH = "傷"
    DENT = "へこみ"
    DISCOLORATION = "変色"
    CRACK = "ひび"
    MISSING_PART = "部品欠損"
    CONTAMINATION = "汚染"
    OTHER = "その他"

class Defect(BaseModel):
    type: DefectType
    location: str  # 例："左上隅", "中央"
    severity: Literal["軽微", "中程度", "重大"]
    description: str

class QualityInspection(BaseModel):
    product_identified: str
    overall_quality: Literal["合格", "不合格", "要レビュー"]
    confidence: float
    defects_found: list[Defect]
    recommendations: list[str]

def inspect_product(image_path: str, product_type: str) -> QualityInspection:
    """製品画像の品質検査を実行"""

    base64_image = encode_image(image_path)

    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"""あなたは{product_type}製品の品質管理検査員です。
                画像を分析し、欠陥や品質問題を検出してください。

                品質基準：
                - 軽微な欠陥：機能に影響しない見た目の問題
                - 中程度の欠陥：顧客満足に影響する可能性のある目に見える問題
                - 重大な欠陥：機能問題または安全上の懸念

                合格基準：重大な欠陥なし、軽微な欠陥は最大2つ
                不合格基準：重大な欠陥あり、または中程度の欠陥が3つ以上
                要レビュー：人間の判断が必要なエッジケース"""
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "この製品画像を検査し、詳細な品質評価を提供してください。"},
                    {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{base64_image}"}}
                ]
            }
        ],
        response_format=QualityInspection
    )

    return response.choices[0].message.parsed

プロジェクト3：コスト最適化のためのプロンプトキャッシング

プロンプトキャッシングの理解

プロンプトキャッシング（Anthropic ClaudeとOpenAIで利用可能）により、頻繁に再利用されるプロンプトのプレフィックスをキャッシュできます。キャッシュされたトークンは後続のリクエストで大幅にコストが削減されます。

Anthropicプロンプトキャッシング

import anthropic

client = anthropic.Anthropic()

# キャッシュされる大きなシステムプロンプト
SYSTEM_PROMPT = """あなたは深い知識を持つ専門法務アシスタントです：

[5000トークン以上の法的コンテキスト、判例参照、
管轄固有のルール、ドキュメントテンプレートなどを含む]

あなたの役割は、弁護士のドキュメント作成、契約レビュー、
法的調査の支援です。
"""  # これは10Kトークン以上になる可能性がある

def query_legal_assistant(user_query: str):
    """プロンプトキャッシングを有効にしてクエリ"""

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=1024,
        system=[
            {
                "type": "text",
                "text": SYSTEM_PROMPT,
                "cache_control": {"type": "ephemeral"}  # キャッシングを有効化
            }
        ],
        messages=[
            {"role": "user", "content": user_query}
        ]
    )

    # 応答でキャッシュ使用状況を確認
    print(f"入力トークン: {response.usage.input_tokens}")
    print(f"キャッシュ読み取りトークン: {response.usage.cache_read_input_tokens}")
    print(f"キャッシュ作成トークン: {response.usage.cache_creation_input_tokens}")

    return response.content[0].text

# 初回呼び出し：キャッシュを作成（高コスト）
result1 = query_legal_assistant("このNDA条項をレビューしてください...")

# 後続呼び出し：キャッシュを使用（キャッシュされたトークンで90%コスト削減）
result2 = query_legal_assistant("機密保持契約を作成してください...")
result3 = query_legal_assistant("要件は何ですか...")

コスト比較

プロジェクト4：本番デプロイメント

本番アーキテクチャ

堅牢なLLMクライアント

import time
from openai import OpenAI
from anthropic import Anthropic
from tenacity import retry, stop_after_attempt, wait_exponential
import logging

logger = logging.getLogger(__name__)

class ProductionLLMClient:
    """フォールバックとモニタリングを備えた本番対応LLMクライアント"""

    def __init__(self):
        self.openai = OpenAI()
        self.anthropic = Anthropic()
        self.metrics = MetricsCollector()

    @retry(
        stop=stop_after_attempt(3),
        wait=wait_exponential(multiplier=1, min=4, max=60)
    )
    def _call_openai(self, messages: list, **kwargs) -> str:
        """リトライロジック付きでOpenAIを呼び出す"""
        start = time.time()
        try:
            response = self.openai.chat.completions.create(
                model=kwargs.get("model", "gpt-4o"),
                messages=messages,
                **kwargs
            )
            self.metrics.record("openai_success", time.time() - start)
            return response.choices[0].message.content
        except Exception as e:
            self.metrics.record("openai_error", time.time() - start)
            logger.error(f"OpenAIエラー: {e}")
            raise

    def complete(self, messages: list, primary: str = "openai", **kwargs) -> str:
        """自動フォールバック付きで完了"""
        try:
            if primary == "openai":
                return self._call_openai(messages, **kwargs)
            else:
                return self._call_anthropic(messages, **kwargs)
        except Exception as e:
            logger.warning(f"プライマリプロバイダーが失敗、フォールバックを試行: {e}")
            # 他のプロバイダーにフォールバック
            try:
                if primary == "openai":
                    return self._call_anthropic(messages, **kwargs)
                else:
                    return self._call_openai(messages, **kwargs)
            except Exception as e2:
                logger.error(f"すべてのプロバイダーが失敗: {e2}")
                raise RuntimeError("すべてのLLMプロバイダーが利用不可")

本番チェックリスト

最終演習

演習1：ドキュメントプロセッサ拡張（難易度：中）

演習2：ビジョンアプリケーション（難易度：中）

演習3：キャッシング実装（難易度：中）

演習4：本番API（難易度：上級）

演習5：完全プロジェクト（難易度：上級）

シリーズまとめ

次のステップ

プロンプトエンジニアリング入門シリーズの完了おめでとうございます！推奨される次のステップ：

• 実践：これらの技術を自分のプロジェクトに適用
• 探求：AIエージェント入門シリーズを試す
• 深化：LLM基礎入門で理論的基盤を学ぶ
• 構築：独自のプロンプトライブラリとテンプレートを作成
• 共有：プロンプトエンジニアリングコミュニティに貢献

参考文献

• OpenAI. (2024). Vision Guide
• Anthropic. (2024). Prompt Caching Documentation
• Google. (2024). Gemini Vision Capabilities
• LangChain. (2024). Production Deployment Guide

更新履歴

• 2026-01-12：v2.0 ビジョンとキャッシングプロジェクトを含む初版リリース