口コミ要約機能の実装

.github/workflows/ci.yml

@@ -40,4 +40,4 @@ jobs:
         run: mypy -p ai_api -p tests
 
       - name: Test with pytest
-        run: PYTHONPATH=src pytest
+        run: PYTHONPATH=src pytest

.pre-commit-config.yaml

@@ -1,6 +1,6 @@
 repos:
   - repo: https://github.com/astral-sh/ruff-pre-commit
-    rev: v0.4.10
+    rev: v0.5.5
     hooks:
       - id: ruff
         args: [--fix, --exit-non-zero-on-fix]

Dockerfile

@@ -10,6 +10,10 @@ RUN pip install --no-cache-dir -r requirements.txt
 
 COPY . .
 
+# PYTHONPATHにsrcディレクトリを追加し、モジュールを正しく見つけられるようにする
+ENV PYTHONPATH "${PYTHONPATH}:/app/src"
+
 EXPOSE 7860
 
-CMD ["python", "src/ai_api/main.py"]
+# アプリケーションをモジュールとして実行する
+CMD ["python", "-m", "ai_api.main"]

GEMINI.md

@@ -69,8 +69,8 @@
     - クラスが外部の依存関係（例: jQuery, `alert`関数）に直接依存するのではなく、コンストラクタを通じてそれらを受け取る「依存性注入」のパターンを採用することで、テスト時にこれらの依存関係をモックしやすくなり、コードのテスト容易性が向上する。
 
 ## 🛠 技術スタック
-- フレームワーク: 
-- 言語: 
+- フレームワーク:
+- 言語:
 - テスト: pytest
 - バージョン管理: GitHub
-- 開発環境: 
+- 開発環境:

docs/ai_api_development_guide.md

@@ -9,7 +9,7 @@
 本プロジェクトの目的は、「親子で遊ぼうナビ」にAIを活用した**口コミの自動要約機能**を実装することです。
 
 - **目的:** ユーザーが多数の口コミを全て読んでも、施設の全体的な評判を素早く、かつ客観的に把握できるようにする。
-- **ユーザー体験:** 
+- **ユーザー体験:**
     1. ユーザーは施設の詳細ページで「口コミをAI要約」ボタンをクリックします。
     2. AIがその施設の全口コミを分析し、「ポジティブな点」と「注意が必要な点」などをまとめた中立的な要約文を生成します。
     3. 生成された要約がモーダルウィンドウ等で表示され、ユーザーは短時間で施設の長所と短所を理解できます。
@@ -25,10 +25,10 @@
 
 ### 1.3. 技術選定理由
 
-- **Hugging Face Spaces:** 
+- **Hugging Face Spaces:**
     - **選定理由:** 無料枠が利用可能で、迅速なプロトタイピングに適しています。また、GitHubリポジトリと連携した自動デプロイ機能（CI/CD）が標準で提供されており、開発体験が非常にスムーズです。
     - **代替案との比較:** AWS LambdaやGoogle Cloud Functionsのようなサーバーレス環境も考えられますが、これらはコンテナイメージのサイズ制限が厳しく、大規模なAIモデルのデプロイには追加の工夫が必要です。Hugging Face Inference APIは最も手軽ですが、カスタムロジックの追加やUIの提供ができないため、今回はGradioと組み合わせられるSpacesを選択しました。
-- **Gradio:** 
+- **Gradio:**
     - **選定理由:** 数行のコードでAIモデルのデモUIとAPIエンドポイントを同時に作成できるため、開発速度を大幅に向上させます。特に、動作確認用のUIが自動で生成される点は、開発初期段階での実験やデバッグにおいて大きな利点となります。
 
 ### 1.4. アーキテクチャ図
@@ -159,7 +159,7 @@ AI新機能の開発においては、以下のコーディング規約と開発
 *   **PEP 8準拠**: PythonコードはPEP 8スタイルガイドに厳密に準拠します。`flake8` および `black` による自動フォーマットとリントを徹底し、コードの一貫性を保ちます。
 *   **型ヒントの活用**: `mypy` を用いた型チェックを徹底し、コードの堅牢性、可読性、およびIDEによる補完の恩恵を最大化します。
 *   **Djangoとの連携**: AI機能がDjangoアプリケーションと連携する場合、Djangoのモデル、ビュー、フォーム、URLパターンなどの既存の命名規則と構造に準拠し、シームレスな統合を図ります。
-*   **AI/MLコードの構造**: 
+*   **AI/MLコードの構造**:
     - データ処理（前処理、特徴量エンジニアリング）、モデル定義、学習ロジック、推論ロジックは明確に分離し、それぞれが単一の責務を持つモジュールとして設計します。
     - 設定値やハイパーパラメータはコードから分離し、Djangoの`settings.py`、または専用のYAML/JSONファイルなどで一元的に管理します。
 *   **ドキュメンテーション**: 関数、クラス、複雑なアルゴリズム、およびAIモデルの設計意図には、適切なDocstringを記述し、コードの意図と振る舞いを明確にします。
@@ -194,7 +194,7 @@ AI新機能の開発においては、以下のコーディング規約と開発
 
 ### 6.2. 設定
 - **GitHub Actions:** `.github/workflows/ci.yml`にテストとデプロイのワークフローを定義します。
-- **Hugging Face Hub & GitHub Secrets:** 
+- **Hugging Face Hub & GitHub Secrets:**
   1.  Hugging Faceの個人設定で、`write`権限を持つアクセストークンを発行します。
   2.  発行したトークンを、GitHubリポジトリの`Settings > Secrets and variables > Actions`に`HF_TOKEN`として登録します。
   3.  `ci.yml`内のデプロイジョブは、この`HF_TOKEN`を安全に利用してHugging Faceへの認証を行います。
@@ -212,7 +212,7 @@ AI新機能の開発においては、以下のコーディング規約と開発
 2.  **Secretsへの登録:** 生成したキーを、DjangoとGradio APIの両方の環境変数（Hugging Face SpacesのSecrets）として登録します。
     - `AI_API_KEY`: Gradio側でリクエストを検証するためのキー
     - `DJANGO_AI_API_KEY`: Djangoがリクエスト時に送信するキー
-3.  **認証の実装:** 
+3.  **認証の実装:**
     - **Django側:** APIを呼び出す際、HTTPヘッダー（例: `Authorization: Bearer <APIキー>`）にAPIキーを含めて送信します。
     - **Gradio側:** FastAPIの依存性注入（`Depends`）などを利用して、リクエストヘッダーをチェックする認証関数を定義します。APIキーが一致しない場合は、HTTP 401または403エラーを返却します。
 
@@ -329,13 +329,13 @@ AIの性能を最大限に引き出し、安定した運用を行うための内
 | **ブラウザ ⇔ Django間** | ユーザーのオフライン | jQuery Ajaxの`.fail()`コールバックで捕捉。 | 「通信に失敗しました」 |
 
 #### 9.4.2. 実装のポイント
-- **Django (司令塔) の役割:** 
+- **Django (司令塔) の役割:**
     - Djangoのビューは、Gradio APIとの通信部分を必ず`try...except`ブロックで囲み、タイムアウト（例: 30秒）を設定します。
     - APIから返されたHTTPステータスコードを常にチェックし、200番台以外はエラーとして処理します。
     - 発生したエラーは、**必ずサーバーログに記録**し、原因調査に役立てます。
     - ユーザーには、技術的なエラー詳細（スタックトレース等）を直接見せず、「AIサーバーで問題が発生しました」のような抽象的で分かりやすいメッセージを返します。
 
-- **Gradio API (専門家) の役割:** 
+- **Gradio API (専門家) の役割:**
     - AIの推論処理など、失敗する可能性のあるコードは`try...except`ブロックで囲みます。
     - エラー発生時は、`raise gr.Error("具体的なエラー原因")`を呼び出し、APIの契約通りにエラー情報を返却します。
 
@@ -426,18 +426,18 @@ Django側でAI APIを呼び出すビューは、責務を明確に分離し、
 アプリケーションの品質と信頼性を保証するため、以下の通り多層的なテスト戦略を設計します。
 
 #### 9.8.1. テストの種類と目的
-- **ユニットテスト (Unit Tests):** 
+- **ユニットテスト (Unit Tests):**
     - **目的:** 個々の部品（クラス、メソッド）が単体で正しく動作することを検証します。高速に実行できるため、開発中の頻繁な確認に適しています。
     - **対象:** `core/inference.py` の `Summarizer` クラスなど、ビジネスロジックの中核を担う部分。
-- **インテグレーションテスト (Integration Tests):** 
+- **インテグレーションテスト (Integration Tests):**
     - **目的:** Gradio APIのエンドポイントが、APIの契約通りに正しくリクエストを処理し、レスポンスを返すことを検証します。コンポーネント間の連携を確認します。
     - **対象:** ローカルで起動したGradioアプリケーションの `/api/predict/` エンドポイント。
 
 #### 9.8.2. テストケースの計画
-- **ユニットテスト (`tests/core/test_inference.py`):** 
+- **ユニットテスト (`tests/core/test_inference.py`):**
     - **正常系:** 通常のテキストが入力された場合に、期待される形式（文字列）の要約が返ることを確認する。
     - **異常系:** 空文字列や不正なデータ型が入力された場合に、設計通り`ValueError`等の例外が発生することを確認する。
-- **インテグレーションテスト (`tests/test_api.py`):** 
+- **インテグレーションテスト (`tests/test_api.py`):**
     - **正常系:** APIに有効なリクエストを送信し、HTTPステータスコード`200`と、設計通りのJSONレスポンスが返ることを確認する。
     - **異常系:** 不正なリクエストを送信した場合に、適切なHTTPエラーステータスコード（例: `4xx`）が返ることを確認する。
 
@@ -497,13 +497,13 @@ sequenceDiagram
 - **クラス:** `SummarizeReviewsView(View)`
 - **メソッド:** `get(self, request, playground_id)`
     - **責務:** リクエストを受け付け、AI APIとの通信を制御する司令塔。
-    - **処理フロー:** 
+    - **処理フロー:**
         1.  DBから口コミを取得し、件数や文字数を検証する。
         2.  `_call_summary_api` メソッドを呼び出し、AI APIにリクエストを送信する。
         3.  返ってきた結果（成功またはエラー）を整形し、`JsonResponse`としてフロントエンドに返す。
 - **メソッド:** `_call_summary_api(self, text)`
     - **責務:** `requests`ライブラリを用いて、AI APIとのHTTP通信を実際に担当する。
-    - **実装詳細:** 
+    - **実装詳細:**
         - `settings.AI_SUMMARY_API_URL` からAPIのエンドポイントURLを取得する。
         - `requests.post()` を使い、タイムアウトを設定してPOSTリクエストを送信する。
         - 通信エラーや、APIが返すエラーステータスコードを`try...except`で捕捉し、適切に処理する。
@@ -513,7 +513,7 @@ sequenceDiagram
 
 - **ファイル:** `main.py` (エントリーポイント)
     - **責務:** Gradioアプリケーションを起動し、HTTPリクエストを受け付ける窓口。
-    - **実装詳細:** 
+    - **実装詳細:**
         1.  起動時に一度だけ、`core.inference.Summarizer` クラスのインスタンスを生成する。
         2.  `functools.partial` を使い、API処理関数に `Summarizer` のインスタンスを注入（バインド）する。
         3.  `gradio.Interface` を定義し、リクエストを処理する関数として上記でバインドした関数を渡す。これにより、Gradioは `/api/predict/` というエンドポイントを自動的に作成する。
@@ -527,16 +527,16 @@ sequenceDiagram
 
 この設計が、いかにして疎結合（Loose Coupling）を担保しているかを以下に示します。
 
-- **通信の抽象化:** 
+- **通信の抽象化:**
     - DjangoとAIアプリは、**HTTPとJSON**という標準化された技術でのみ通信します。
     - DjangoはAIアプリがGradioで実装されていることを知る必要はなく、逆もまた然りです。知っているのは「どのURLに、どんなJSONを送れば、どんなJSONが返ってくるか」というAPI契約だけです。
 
-- **独立した実行とテスト:** 
-    - **AIアプリケーション:** 
+- **独立した実行とテスト:**
+    - **AIアプリケーション:**
         - `src/ai_api/` ディレクトリは、それ自体が完結したPythonプロジェクトです。
         - `python src/ai_api/main.py` を実行すれば、Djangoとは無関係に単体で起動できます。
         - 起動したAIアプリに対し、ブラウザでUIを操作したり、`curl`コマンドでAPIを直接叩いたりすることで、単体での動作テストが可能です。
-    - **Djangoアプリケーション:** 
+    - **Djangoアプリケーション:**
         - `SummarizeReviewsView` のテストを書く際、`unittest.mock.patch` を使って `_call_summary_api` メソッドをモック（偽のオブジェクトに差し替え）します。
         - これにより、AI APIへ実際にネットワーク通信を発生させることなく、「APIが成功を返した場合」「タイムアウトした場合」「エラーを返した場合」など、あらゆる状況を想定したビューのロジックを高速にテストできます。
 
@@ -556,7 +556,7 @@ sequenceDiagram
 
 ##### 設定案 (`[tool.ruff]`セクション)
 - `line-length = 88`: 1行の最大長を`black`に合わせて88文字に設定。
-- `select = ["E", "W", "F", "I", "B", "UP"]`: 
+- `select = ["E", "W", "F", "I", "B", "UP"]`:
     - `E`, `W`, `F`: `pycodestyle`と`Pyflakes`の基本的なエラー・警告（必須）。
     - `I`: `isort`互換のimport文の自動ソート（必須）。
     - `B`: `flake8-bugbear`の、バグの温床となりやすいコードパターンを検出するルール。
@@ -673,7 +673,7 @@ git commit -m "Initial commit"
 - [x] **中タスク0.3: GitHubリポジトリの作成と連携**
     - **担当:** 人間
     - **内容:** GitHub上に新しいリポジトリを作成し、ローカルリポジトリと連携させます。
-    - **指示:** 
+    - **指示:**
         1. GitHubにログインし、新しいリポジトリを作成します（リポジトリ名は `kids-playground-ai-api` など）。READMEや.gitignore、ライセンスの追加はスキップしてください。
         2. 作成されたリポジトリページに表示される指示に従い、ローカルリポジトリをリモートにプッシュします。
         ```bash
@@ -685,7 +685,7 @@ git push -u origin main
 - [x] **中タスク0.4: Hugging Faceアカウントの登録とSpacesの準備**
     - **担当:** 人間
     - **内容:** Hugging Faceアカウントを登録し、AIモデルをデプロイするためのHugging Face Spaceを準備します。
-    - **指示:** 
+    - **指示:**
         1. Hugging Faceのウェブサイト (huggingface.co) にアクセスし、アカウントを登録します。
         2. ログイン後、「Spaces」セクションに移動し、「Create new Space」をクリックします。
         3. Space名、ライセンス、SDK（Gradioを選択）、公開/非公開設定などを適切に設定し、Spaceを作成します。
@@ -752,7 +752,7 @@ mypy
     - [x] **小タスク1.3.2: Docker開発環境の構築と起動**
         - **担当:** 人間
         - **内容:** Docker Desktopを利用して、プロジェクトのDocker開発環境を構築し、起動します。これにより、必要な依存関係がコンテナ内に自動的にインストールされます。
-        - **指示:** 
+        - **指示:**
             1. Docker Desktopがインストールされ、起動していることを確認してください。
             2. プロジェクトのルートディレクトリで、以下のコマンドを実行してDockerコンテナをビルドし、バックグラウンドで起動します。
             ```bash
@@ -907,4 +907,4 @@ docker-compose up --build -d
         - **担当:** 人間
         - **内容:** DjangoサーバーとAIアプリ（Gradio）を両方ローカルで起動し、ブラウザから最初の要約ボタンをクリックして、全体の流れが正しく動作���るかを確認します。
 
-```
+```

docs/environment_setup_article.md

@@ -40,4 +40,3 @@ Gemini CLIは、単にコマンドを指示するだけでなく、エラーの
 ## 結論
 
 Gemini CLIとの共同作業により、AI API開発のための堅牢で再現性の高いDockerベースの開発環境を無事に構築することができました。この環境は、今後のAI APIの実装とテストを効率的に進めるための強固な基盤となります。
-

pyproject.toml

@@ -20,4 +20,3 @@ explicit_package_bases = true
 testpaths = ["tests"]
 addopts = "-ra --strict-markers"
 minversion = "7.0"
-

requirements.txt

@@ -1,5 +1,5 @@
 # AI App
-gradio==4.37.2
+gradio>=4.44.1
 transformers==4.42.1
 torch==2.3.1
 
@@ -8,6 +8,9 @@ pytest==8.2.2
 requests==2.32.3
 
 # Linting & Formatting
-ruff==0.4.10
+ruff==0.5.5
 mypy==1.10.0
 pre-commit==3.7.1
+httpx
+sentencepiece
+protobuf

src/ai_api/config.py

@@ -5,5 +5,5 @@ from dataclasses import dataclass
 class ModelConfig:
     """使用するAIモデルに関する情報を一元管理します。"""
 
-    NAME: str = "llm-jp/t5-small-japanese-finetuned-sum"
+    NAME: str = "tsmatz/mt5_summarize_japanese"
     REVISION: str = "main"

src/ai_api/core/inference.py

@@ -1,6 +1,6 @@
 from typing import cast
 
-from transformers import pipeline
+from transformers import T5ForConditionalGeneration, T5Tokenizer
 
 from ai_api.config import ModelConfig
 
@@ -12,17 +12,22 @@ class Summarizer:
 
     def __init__(self, config: ModelConfig) -> None:
         self.config = config
-        # __init__で一度だけpipelineを初期化
-        self.summarizer = pipeline(
-            "summarization",
-            model=self.config.NAME,
-            revision=self.config.REVISION,
+        # __init__で一度だけtokenizerとmodelを初期化
+        self.tokenizer = T5Tokenizer.from_pretrained(
+            self.config.NAME, revision=self.config.REVISION
+        )
+        self.model = T5ForConditionalGeneration.from_pretrained(
+            self.config.NAME, revision=self.config.REVISION
         )
 
     def summarize(self, text: str) -> str:
         """
         与えられたテキストを要約する。
         """
-        # 保持しているsummarizerを使って要約
-        result = self.summarizer(text)
-        return cast(str, result[0]["summary_text"])
+        # 保持しているtokenizerとmodelを使って要約
+        input_ids = self.tokenizer.encode(text, return_tensors="pt")
+        output_ids = self.model.generate(
+            input_ids, max_length=50, min_length=10, do_sample=False
+        )
+        summary = self.tokenizer.decode(output_ids[0], skip_special_tokens=True)
+        return cast(str, summary)

src/ai_api/main.py

@@ -1,16 +1,39 @@
+from typing import cast
+
 import gradio as gr
 
+from ai_api.config import ModelConfig
+from ai_api.core.inference import Summarizer
+
+# Summarizerのインスタンスをシングルトンとして管理
+summarizer_instance: Summarizer | None = None
+
+
+def get_summarizer() -> Summarizer:
+    """Summarizerのインスタンスを一度だけ生成して返します。"""
+    global summarizer_instance
+    if summarizer_instance is None:
+        config = ModelConfig()
+        summarizer_instance = Summarizer(config=config)
+    return summarizer_instance
+
 
-def greet(name: str) -> str:
-    """
-    名前を受け取り、挨拶文を返す簡単な関数。
-    """
-    return "Hello, " + name + "!"
+def summarize_text(text: str) -> str:
+    """推論を実行するためのトップレベル関数。"""
+    summarizer = get_summarizer()
+    # castを使って、戻り値がstrであることをMypyに明示的に伝える
+    return cast(str, summarizer.summarize(text))
 
 
 # Gradioインターフェースの定義
-iface = gr.Interface(fn=greet, inputs="text", outputs="text")
+iface = gr.Interface(
+    fn=summarize_text,
+    inputs=gr.Textbox(lines=10, placeholder="要約したいテキストを入力してください..."),
+    outputs="text",
+    title="口コミ要約AI",
+    description="入力されたテキスト（口コミ）をAIが分析し、要約を生成します。",
+    api_name="predict",
+)
 
-# スクリプトとして実行された場合にUIを起動
 if __name__ == "__main__":
-    iface.launch()
+    iface.launch(server_name="0.0.0.0")

tests/core/test_inference.py

@@ -7,7 +7,7 @@ def test_summarizer_initialization_with_test_model() -> None:
     テスト用の軽量モデルでSummarizerが初期化できることをテストする。
     """
     # Arrange: テスト専用の軽量モデルを指定
-    config = ModelConfig(NAME="sshleifer/distilbart-cnn-6-6", REVISION="main")
+    config = ModelConfig(NAME="megagonlabs/t5-base-japanese-web", REVISION="main")
 
     # Act: 実際にモデルをロードして初期化
     summarizer = Summarizer(config=config)
@@ -21,7 +21,7 @@ def test_summarize_with_test_model() -> None:
     テスト用の軽量モデルでsummarizeメソッドが動作することをテストする。
     """
     # Arrange: テスト専用の軽量モデルを指定
-    config = ModelConfig(NAME="sshleifer/distilbart-cnn-6-6", REVISION="main")
+    config = ModelConfig(NAME="megagonlabs/t5-base-japanese-web", REVISION="main")
     summarizer = Summarizer(config=config)
     text = "This is a test sentence. It is a very nice sentence to summarize."
 

tests/test_main.py

@@ -1,8 +0,0 @@
-from ai_api.main import greet
-
-
-def test_greet() -> None:
-    """
-    greet関数が期待される挨拶文を返すことをテストする。
-    """
-    assert greet("World") == "Hello, World!"