AIとの対話で効率的なアプリ開発 – 要件定義からデータベース設計まで-

2025/5/14

Webアプリ

最近のプロジェクトでは、AIアシスタントを活用してアプリケーション開発のプロセスを大幅に効率化しています。今回は、情報管理アプリケーションの要件定義からデータベース設計までの流れと、AIとのコラボレーション方法について共有します。

1. 要件定義フェーズ

アプリケーション開発の第一歩は、明確な要件定義です。このフェーズでは、アプリケーションの目的、主要機能、ユーザー層などを明確にします。

AIとの対話による要件整理

AIアシスタントとの対話を通じて、初期のアイデアから具体的な要件へと発展させました。最初は漠然としたアイデアでしたが、AIが的確な質問を投げかけることで、徐々に明確な要件へと整理されていきました。

「情報管理アプリを作りたいのですが、どのような機能が必要でしょうか？」

このような一般的な質問から始め、AIからの「どのようなユーザーが使用するか」「どのような情報を管理したいか」「どのような検索機能が必要か」といった質問に答えていくことで、必要な機能が明確になっていきました。

最終的な要件定義

AIとの対話を通じて整理された主要機能は以下の通りです：

ユーザー認証システム（管理者/一般ユーザーの権限分け）
情報の登録・編集・削除機能
カテゴリ分類とプロトコル管理
リッチテキストエディタによるコンテンツ作成
画像アップロードと管理機能
検索機能（キーワードによる横断検索）
お知らせ機能

2. 画面設計フェーズ

要件が定まった後は、各画面の設計に移りました。AIにワイヤーフレームの作成を依頼し、フィードバックを繰り返すことで理想的なUI/UXを設計しました。

AIによるワイヤーフレーム提案

AIに「ホームページのレイアウトはどのようにするべきか」と質問したところ、以下のような提案がありました：

「2カラムレイアウトがおすすめです。左側30%にナビゲーションと検索機能、右側70%にメインコンテンツを配置することで、情報の階層が明確になります。」

このアドバイスを元に、AIにワイヤーフレームの作成を依頼しました。提案されたデザインに対してフィードバックを行い、何度か修正を重ねることで最終的なデザインが完成しました。

3. データベース設計フェーズ

UI/UXの基本設計が完了した後、アプリケーションの中核となるデータベース設計に進みました。AIとの対話を通じて、必要なテーブルと関連性を特定していきました。

テーブル構造の設計

AIに「どのようなテーブルが必要か」を質問したところ、詳細なテーブル設計の提案がありました。各テーブルのフィールド、データ型、関連性などを具体的に示してくれたことで、データモデルの全体像が明確になりました。

「ユーザー情報を管理するusersテーブル、カテゴリを管理するcategoriesテーブル、プロトコルを管理するprotocolsテーブルが基本となります。さらに、リッチテキストのバージョン管理のためのrich_text_versionsテーブルや、画像管理のためのimagesテーブルなども必要です。」

SQL文の生成

テーブル設計が確定した後、AIにSQLiteの作成スクリプトの生成を依頼しました。生成されたSQL文は非常に詳細で、外部キー制約やインデックスなども適切に設定されていました。

CREATE TABLE IF NOT EXISTS users (
    id TEXT PRIMARY KEY,
    username TEXT UNIQUE NOT NULL,
    password_hash TEXT NOT NULL,
    email TEXT UNIQUE,
    role TEXT DEFAULT 'user' NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP NOT NULL,
    active INTEGER DEFAULT 1 NOT NULL
);

このようなSQL文が各テーブルに対して生成され、それを元にデータベースの初期化スクリプトを実装しました。

4. 実装とテスト

データベース設計が完了した後は、実際のコード実装に移りました。ここでもAIのサポートは非常に役立ちました。

コードの生成と修正

AIにコードのテンプレートを生成してもらい、それを元に実装を進めました。例えば、「データベース接続とテーブル初期化のクラスを作成してほしい」という要望に対して、完全に機能するPythonコードを提供してくれました。

class Database:
    def __init__(self, db_path="app.db"):
        self.db_path = db_path
        self._setup_db()

    def _setup_db(self, add_samples=True):
        # 新規作成の場合は初期化スクリプトを実行
        needs_init = not os.path.exists(self.db_path)

        if needs_init:
            print(f"データベース {self.db_path} が存在しないため新規作成します")
            # データベース初期化
            self._initialize_database()

            # サンプルデータを追加（オプション）
            if add_samples:
                self.add_sample_data()

エラーの解決

実装中に発生したエラーについても、AIが的確な解決策を提案してくれました。例えば、テーブル作成時に「no such table」エラーが発生した際には、問題の原因と解決方法を明確に説明してくれました。

「このエラーはテーブルが正しく作成されていないことを示しています。データベースの再初期化スクリプトを作成して、既存のデータベースを削除し、新たに作成することで解決できるでしょう。」

この提案に従い、db_reset.pyというスクリプトを作成して問題を解決することができました。

5. AI活用の効果

AIを活用したことで、以下のような効果がありました：

開発時間の短縮: 要件定義から実装までの時間が大幅に短縮されました
質の向上: ベストプラクティスを取り入れた設計になりました
学習効果: AIとの対話を通じて新しい知識やテクニックを学べました
問題解決の迅速化: エラーや課題が発生した際に素早く解決できました

まとめ

AIアシスタントを開発プロセスに取り入れることで、アプリケーション開発の効率と質を大幅に向上させることができました。特に、要件定義からデータベース設計といった、アプリケーションの基盤を形成する部分において、AIの支援は非常に価値がありました。

今後も新しい機能の実装やテスト、リファクタリングなどの段階でAIを活用していく予定です。次回は、リポジトリパターンの実装やビジネスロジックの開発について共有したいと思います。

#Python #Streamlit #AIプログラミング #データベース設計 #アプリ開発 #SQLite

一覧へ戻る

Blog

ブログ