0Pricing
AI Prompt Engineering · レッスン

プロンプトチェーンのエラー処理

中間出力を検証し、チェーンの失敗から復旧します。

「プロンプトチェーンのエラー処理」はCoddyKit上の無料AI Prompt Engineeringレッスンです。 これはレッスン4/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはAI Prompt Engineering学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 AI Prompt Engineeringコースには全4レッスンが含まれています。

チェーンが失敗する理由

プロンプトチェーンには、単一プロンプトのシステムにはない新たな失敗要因があります。各ステップはそれぞれ異なる形で失敗する可能性があり、失敗は連鎖します。ステップ2の不正な出力によって、その後のすべてのステップが影響を受けます。

よくある失敗要因:

  • モデルが解析できない不正なJSONを返す
  • モデルがタスクを誤解し、意味的に誤った出力を生成する
  • レート制限やAPIタイムアウトによってステップが失敗する
  • 長いチェーンでコンテキストウィンドウを超過する
  • モデルが生成した事実ではないデータを、後続のステップが事実として扱う

すべてのステップ後に出力を検証する

最初の防御策は、各ステップの直後、次のステップに渡す前に出力を検証することです。モデルが要求どおりの内容を返したと決めつけてはいけません。

import json

def validate_json_output(raw_text, required_fields):
    'Parse and validate that required fields are present in model output.'
    try:
        data = json.loads(raw_text.strip())
    except json.JSONDecodeError as e:
        raise ValueError(f'Invalid JSON: {e}. Raw: {raw_text[:200]}')

    missing = [f for f in required_fields if f not in data]
    if missing:
        raise ValueError(f'Missing required fields: {missing}. Got: {list(data.keys())}')

    return data

# Usage after a chain step
raw = '{"sentiment": "positive", "priority": "high"}'
validated = validate_json_output(raw, required_fields=['sentiment', 'priority'])
print('Valid:', validated)

一時的な失敗に対する再試行ロジック

APIの失敗(レート制限、タイムアウト、サーバーエラー)は一時的なものです。ネットワークレベルの失敗には、指数バックオフによる再試行ロジックを実装します:

import anthropic, time

client = anthropic.Anthropic(api_key='YOUR_API_KEY')

def call_with_retry(prompt, max_retries=3, base_delay=1.0):
    last_error = None
    for attempt in range(max_retries):
        try:
            r = client.messages.create(
                model='claude-opus-4-5', max_tokens=500,
                messages=[{'role': 'user', 'content': prompt}]
            )
            return r.content[0].text
        except anthropic.RateLimitError as e:
            wait = base_delay * (2 ** attempt)
            print(f'Rate limited. Waiting {wait}s before retry {attempt+1}/{max_retries}...')
            time.sleep(wait)
            last_error = e
        except anthropic.APIError as e:
            last_error = e
            if attempt < max_retries - 1:
                time.sleep(base_delay)
    raise RuntimeError(f'All retries exhausted: {last_error}')

意味的な検証

構造的には有効でも、意味的には誤っている失敗があります。モデルが有効なJSONを返しても、値が間違っている場合です。意味的な正しさを確認するには、軽量な検証ステップを使用します:

def semantic_validate(data, schema_rules):
    'Apply semantic validation rules to parsed output.'
    errors = []

    for field, rules in schema_rules.items():
        value = data.get(field)

        if rules.get('required') and value is None:
            errors.append(f'{field} is required but missing')
            continue

        if 'allowed_values' in rules and value not in rules['allowed_values']:
            errors.append(f'{field} must be one of {rules["allowed_values"]}, got: {value}')

        if 'min_length' in rules and isinstance(value, list) and len(value) < rules['min_length']:
            errors.append(f'{field} must have at least {rules["min_length"]} items, got {len(value)}')

    if errors:
        raise ValueError('Semantic validation failed: ' + '; '.join(errors))

    return data

rules = {'sentiment': {'allowed_values': ['positive', 'negative', 'mixed']}, 'issues': {'min_length': 1}}
data = {'sentiment': 'positive', 'issues': ['login bug']}
print(semantic_validate(data, rules))

フォールバックプロンプト

再試行後もステップの検証に失敗した場合は、フォールバックプロンプトを使うことで、チェーン全体を停止させず、より単純でも利用可能な出力を生成できます:

import json

def call_with_fallback(primary_prompt, fallback_prompt, required_fields):
    # Try primary prompt
    try:
        raw = call_with_retry(primary_prompt)
        return validate_json_output(raw, required_fields)
    except (ValueError, RuntimeError) as e:
        print(f'Primary prompt failed: {e}. Trying fallback...')

    # Try simpler fallback prompt
    try:
        raw = call_with_retry(fallback_prompt)
        return validate_json_output(raw, required_fields)
    except (ValueError, RuntimeError) as e:
        print(f'Fallback also failed: {e}. Returning safe default.')

    # Return safe default — chain continues with minimal data
    return {field: None for field in required_fields}

# Usage
primary = 'Analyze this review. Return JSON with 10 fields: {...}'
fallback = 'Classify this review. Return JSON: {"sentiment": "positive|negative|neutral"}'
result = call_with_fallback(primary, fallback, ['sentiment'])
print(result)

サーキットブレーカー

サーキットブレーカーは、失敗しているチェーンによるAPI呼び出しの浪費を防ぎます。連続してN回失敗すると回路を開き、それ以上APIを呼び出さずに直ちにエラーを返します:

class CircuitBreaker:
    def __init__(self, failure_threshold=3, recovery_timeout=60):
        self.failure_count = 0
        self.threshold = failure_threshold
        self.state = 'closed'  # closed = normal, open = blocking
        self.opened_at = None

    def call(self, fn, *args, **kwargs):
        import time
        if self.state == 'open':
            elapsed = time.time() - self.opened_at
            if elapsed > 60:  # recovery_timeout
                self.state = 'half-open'
            else:
                raise RuntimeError('Circuit open — skipping API call')
        try:
            result = fn(*args, **kwargs)
            self.failure_count = 0
            self.state = 'closed'
            return result
        except Exception as e:
            self.failure_count += 1
            if self.failure_count >= self.threshold:
                self.state = 'open'
                self.opened_at = time.time()
                print(f'Circuit opened after {self.failure_count} failures.')
            raise e

cb = CircuitBreaker(failure_threshold=3)
print('Circuit breaker initialized.')

長いチェーンのチェックポイント保存

ステップ数が多いチェーンや、処理コストの高いチェーンでは、チェックポイントを使って中間結果を保存します。後半のステップが失敗した場合は、ステップ1からやり直すのではなく、チェックポイントから再開できます:

import json, os

CHECKPOINT_DIR = '/tmp/chain_checkpoints'
os.makedirs(CHECKPOINT_DIR, exist_ok=True)

def save_checkpoint(run_id, step_id, data):
    path = os.path.join(CHECKPOINT_DIR, f'{run_id}_step{step_id}.json')
    with open(path, 'w') as f:
        json.dump(data, f)
    print(f'Checkpoint saved: step {step_id}')

def load_checkpoint(run_id, step_id):
    path = os.path.join(CHECKPOINT_DIR, f'{run_id}_step{step_id}.json')
    if os.path.exists(path):
        with open(path) as f:
            return json.load(f)
    return None

def run_with_checkpoints(run_id, input_data):
    step1 = load_checkpoint(run_id, 1) or json.loads(call(f'Step 1 processing: {input_data}'))
    save_checkpoint(run_id, 1, step1)

    step2 = load_checkpoint(run_id, 2) or json.loads(call(f'Step 2 processing: {step1}'))
    save_checkpoint(run_id, 2, step2)

    return step2

print('Checkpointing system defined.')

グレースフルデグラデーション

チェーン内のステップが失敗し、復旧できない場合は、チェーン全体を停止させるのではなく、不完全なデータで処理を継続します。これをグレースフルデグラデーションと呼びます:

def process_with_degradation(tickets):
    results = []
    for ticket in tickets:
        try:
            # Full chain: extract -> classify -> respond
            extracted = json.loads(call(f'Extract issue from ticket. Return JSON: {{"issue": str}}\n\n{ticket}'))
            classified = json.loads(call(f'Classify priority. Return JSON: {{"priority": str}}\n\n{extracted["issue"]}'))
            response = call(f'Draft response for {classified["priority"]} priority: {extracted["issue"]}')
            results.append({'ticket': ticket, 'response': response, 'degraded': False})
        except Exception as e:
            print(f'Chain failed for ticket, using fallback: {e}')
            # Fallback: simple direct response without classification
            simple_response = call(f'Respond to this support ticket:\n{ticket}')
            results.append({'ticket': ticket, 'response': simple_response, 'degraded': True})
    return results

print('Graceful degradation pipeline defined.')

構造化されたエラーログ

どのステップが失敗したのか、入力は何だったのか、モデルが何を返したのかを診断できるだけの情報を含めて、エラーをログに記録します:

import logging, traceback
from datetime import datetime

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger('chain')

def logged_step(step_name, prompt, validator=None):
    start = datetime.utcnow()
    try:
        raw = call_with_retry(prompt)
        result = validator(raw) if validator else raw
        logger.info(f'[{step_name}] SUCCESS in {(datetime.utcnow()-start).total_seconds():.2f}s')
        return result
    except Exception as e:
        logger.error(f'[{step_name}] FAILED after {(datetime.utcnow()-start).total_seconds():.2f}s')
        logger.error(f'[{step_name}] PROMPT: {prompt[:200]}')
        logger.error(f'[{step_name}] ERROR: {traceback.format_exc()}')
        raise

print('Structured error logging defined.')

エラーシナリオをテストする

意図的に失敗を注入して、エラーハンドリングを明示的にテストします。モックオブジェクトを使って、APIエラーや不正な出力をシミュレートします:

from unittest.mock import patch, MagicMock

def test_fallback_on_json_error():
    with patch('__main__.call') as mock_call:
        # First call returns malformed JSON, fallback returns valid JSON
        mock_call.side_effect = [
            'This is not JSON at all',
            '{"sentiment": "positive"}'
        ]

        result = call_with_fallback(
            primary_prompt='Analyze review with 10 fields',
            fallback_prompt='Just classify sentiment as JSON',
            required_fields=['sentiment']
        )

        assert result['sentiment'] == 'positive'
        print('PASS: fallback activated correctly on JSON parse error')

def test_circuit_breaker_opens():
    cb = CircuitBreaker(failure_threshold=2)
    for i in range(2):
        try:
            cb.call(lambda: (_ for _ in ()).throw(RuntimeError('API fail')))
        except RuntimeError:
            pass
    assert cb.state == 'open'
    print('PASS: circuit breaker opened after 2 failures')

print('Error handling tests defined.')

本番環境でチェーンの健全性を監視する

本番環境では、ユーザーが異常に気付く前に劣化を検出できるよう、チェーンの健全性に関するメトリクスを追跡します:

  • ステップ成功率: 各ステップが初回の試行で成功した実行の割合
  • フォールバック有効化率: フォールバックプロンプトが使用される頻度
  • 劣化率: チェーンの実行のうち、劣化モードで完了する割合
  • ステップレイテンシ: ステップごとのp50/p95レイテンシを追跡します。遅いステップは、プロンプトの複雑さに問題があることを示します
  • 検証失敗率: 高い失敗率は、プロンプトの改善が必要であることを示します

クイックチェック

プロンプトチェーンにおけるサーキットブレーカーの目的は何ですか?

チェーンのエラーハンドリング — 重要ポイント

堅牢なエラーハンドリングが、プロトタイプのチェーンと本番システムを分けます:

  • モデルが正しいデータを返したと決めつけず、下流に渡す前にすべてのステップの出力を検証します
  • 一時的なAPIの失敗は指数バックオフで再試行します。レート制限やタイムアウトからは復旧できます
  • 主要なプロンプトが意味的な検証に失敗した場合は、より単純な出力を生成するフォールバックプロンプトを使用します
  • サーキットブレーカーによって、失敗が繰り返された後のAPI呼び出しの浪費を止めます
  • 高コストなステップをチェックポイント保存し、後半のステップが失敗しても長いチェーンを再開できるようにします
  • グレースフルデグラデーションによって、クラッシュさせずに不完全なデータでパイプラインを実行し続けます
  • 本番環境でステップ成功率、フォールバック率、劣化率を追跡します

よくある質問

「プロンプトチェーンのエラー処理」レッスンは無料ですか?

はい。「プロンプトチェーンのエラー処理」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し(組み込みコードエディタと24時間対応のAIチューター)、AI Prompt Engineeringコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 AI Prompt Engineeringコースには全4レッスンが含まれています。

「プロンプトチェーンのエラー処理」で何を学びますか?

中間出力を検証し、チェーンの失敗から復旧します。 ブラウザで直接実行するハンズオンコードでAI Prompt Engineeringを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

AI Prompt Engineeringを始めるのに経験は必要ですか?

事前経験は必要ありません。CoddyKitのAI Prompt Engineeringは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン4/4です。

「プロンプトチェーンのエラー処理」レッスンにはどのくらい時間がかかりますか?

ほとんどのCoddyKitレッスンは約5~10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このAI Prompt Engineeringレッスンでコードを書いて実行できますか?

はい。すべてのAI Prompt Engineeringレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

  1. プロンプトチェーンとは
  2. 出力から入力へ渡すパターン
  3. 逐次変換チェーン
  4. プロンプトチェーンのエラー処理
← AI Prompt Engineeringに戻る