RF‑EX6 は、フラクタル・ブレイクダウンによって 243 ステップまで作業を分解できる強力な構造化プロンプトでした。しかし、現場の作業はそれを軽く超えてくる。そこで階層制限を外した RF‑EX7 を作ったものの、期待したほど細かい分解にならない。 「なぜだろう？」と考え続けて辿り着いたのが、日本語の壁でした。文章には、書かれていない作業が大量に存在する。暗黙の前提、慣習、文脈、身体操作、材料の状態変化……。これらは文章に現れないため、どれだけ階層を増やしても抽出できない。 ならば、文章の外側にある“省略された作業”を暴くための TIP を作り、部品として検証しながら組み上げていくしかない。 TIP3 はその最初の一歩です。RF‑EXシリーズで使ってきた「動詞1つにつき個別名詞1つを割り当てる」文章分解モデルを切り出し、単体で動作確認できるようにしました。ここから、文章の裏側に潜む構造を少しずつ掘り起こしていきます。

さぁ、プログラムを書いてもらおう！CursorというAIエディタを使用して自動でプロジェクトを作ってもらう事前準備！

RF‑EX3 は、自然言語で書かれた文章を **テスト項目の材料となる「因子」と「水準」へと構造化する** ためのプロンプトです。 文章を単文化し、述語項構造（誰が／何を／どうする）に基づいて因子を抽出し、 その水準を整理することで、テスト項目検討の“前段階”を自動化します。 私自身、長い間「自然言語をどうやってテスト項目に落とし込むか」という課題に向き合えずにいました。 仕様書を読んでも、文章のどこを因子と捉え、どこを水準と扱うべきかが曖昧で、 手を付けられないまま残っていた領域でした。 しかし EX1・EX2 を作り続ける中で、 文章を **分解し、構造化し、検証可能な形に変換する“型（デザインパターン）”** が見えてきました。 その延長線上で生まれたのが、この RF‑EX3 です。 RF‑EX3 は、テスト設計のすべてを自動化するものではありません。 しかし、テスト項目を考えるうえで最も時間がかかる **「因子と水準の抽出」** を確実に、再現性をもって行えるようにします。 自然言語を読み、 条件因子（〜の場合）を含む前提条件を整理し、 因子・水準の一覧を作り、 境界値や組み合わせ検討の土台を作る。 RF‑EX3 は、テスト項目検討の“最初の一歩”を支えるための、 徹底形式（Radical Formula）に基づくプロンプトです。

AWS Certified Solutions Architect - Associate (SAA-C03)用のプロンプト