技術スタック選定に影響するLLMによるライブラリの得意・不得意

本記事では、技術スタックの選び方を「LLMがどれだけうまく使えるか」という視点から見直す研究を紹介します。

これまでの選定基準に、モデルとの相性という新しい軸をどう組み込めるのかがテーマです。
話題としてはやや専門的ですが、現場の選択肢や判断にじわりと効いてくる内容でもあります。

まずは背景や問題意識から、無理のないペースでたどっていきましょう。

背景

開発初期の重要な判断である「技術スタックの選定」は、依然として慎重さが求められる領域です。選ぶ技術によって開発効率や保守性が大きく変わり、コストにも直結します。

ここで1つ重要なポイントが新しく出てきます。人間にとって使いやすい技術が、LLMにとっても同様に扱いやすいとは限らないことです。人は自然言語を好みますが、モデルは構造化された指示のほうが得意です。このギャップが、技術選定に新たな視点を必要としています。

実際、人気の高いライブラリを使ったコード生成でも、非推奨なAPIの使用や構文ミスが見られる例が報告されています。人が「良い」と判断して選んだ技術でも、モデルがうまく扱えず、結果的にデバッグや修正に多くの時間を割くケースが出てきています。

こうした背景から、LLMを活用する開発チームは、モデルが不得意な技術を選ぶリスクを抱えがちです。技術的負債も積み上がりやすくなります。

そこで本記事では、「LLMがどの技術を得意としているか」という観点を取り上げます。モデルが高品質なコードを安定して生成できるかを基準に、技術スタックを見直すための手がかりを探ります。