Skip to content

設計ドキュメント

概要

ぷよぷよゲームプロジェクトの設計ドキュメント群です。Phase 1で策定された包括的な設計方針と詳細設計をまとめています。

ドキュメント一覧

アーキテクチャ設計

  • アーキテクチャ設計 - ヘキサゴナルアーキテクチャの採用と詳細設計
  • 対象: ドメイン層、アプリケーション層、インフラストラクチャ層、プレゼンテーション層
  • 特徴: 関数型プログラミングアプローチ、依存関係の逆転、テスタビリティ

ドメインモデル設計

  • ドメインモデル設計 - ドメイン駆動設計によるコアビジネスロジック
  • 対象: Puyo, Field, Game, Chain エンティティ・値オブジェクト
  • 特徴: イミュータブル設計、型安全性、ドメインイベント
  • 実装状況: イテレーション1でPuyo, Field, Game実装完了 ✅

データモデル設計

  • データモデル設計 - ゲーム状態とデータ構造設計
  • 対象: ゲーム状態、フィールド管理、スコア計算、プレイヤー情報
  • 特徴: 関数型アプローチ、状態の不変性、効率的なデータ操作

ユーザーインターフェース設計

  • ユーザーインターフェース設計 - UIコンポーネントとインタラクション設計
  • 対象: ゲームフィールド、コントロール、メニュー、レスポンシブデザイン
  • 特徴: モバイルファースト、アクセシビリティ対応、直感的操作
  • UI設計リファクタリング - Phase 4でのUI改善内容
  • 対象: AIコントロールパネル、戦略設定、パフォーマンス分析、データ可視化
  • 特徴: 重複機能統合、コンポーネント階層改善、カスタムフック活用
  • 実装状況: イテレーション4で実装完了 ✅

AI機能設計

  • AI設計 - 機械学習システムとAI思考エンジン設計
  • 対象: TensorFlow.js統合、Web Workers、AI可視化、戦略システム
  • 特徴: 非同期処理、リアルタイム思考表示、学習機能
  • 実装状況: イテレーション3でAI基盤実装完了 ✅

実装戦略

  • 実装戦略 - 開発手法と技術的アプローチ
  • 対象: TDD、関数型プログラミング、テスト戦略、品質管理
  • 特徴: 段階的実装、継続的品質改善、保守性重視

設計原則

Phase 2実装済みアーキテクチャ基盤

uml diagram

品質管理基盤

品質要素 実装技術 ステータス 設定値
コード品質 ESLint + Prettier ✅ 実装済み TypeScript strict mode
複雑度制限 ESLint complexity ✅ 実装済み 最大7
テストカバレッジ Vitest + Codecov ✅ 実装済み 目標80%（80.57%達成）
アーキテクチャ検証 dependency-cruiser ✅ 実装済み 層間依存制御
型安全性 TypeScript 5.8 ✅ 実装済み strict設定
AI処理性能 Web Workers ✅ 実装済み 非ブロッキング処理
AI学習基盤 TensorFlow.js ✅ 実装済み ニューラルネットワーク

技術的特徴

関数型プログラミングアプローチ

  • イミュータブルデータ構造: ゲーム状態の変更は新しいオブジェクト生成
  • 純粋関数: 副作用のない予測可能な処理（EvaluationService等で実装）
  • 合成可能性: 小さな関数の組み合わせによる複雑な処理
  • ドメインサービス関数化: 評価ロジックの純粋関数への移行完了

ヘキサゴナルアーキテクチャ

  • ポートとアダプター: 外部依存からのドメインロジック分離
  • 依存関係の逆転: ドメイン層を中心とした設計
  • テスタビリティ: モック可能な境界面設計

ドメイン駆動設計

  • ユビキタス言語: ビジネス用語の一貫使用
  • 境界づけられたコンテキスト: ゲームロジックの明確な分離
  • ドメインサービス: 複雑なビジネスルールの実装

AI機能アーキテクチャ

  • 機械学習統合: TensorFlow.jsによるブラウザ内ML処理
  • 非同期AI処理: Web Workersによるメインスレッド非ブロッキング
  • AI可視化: リアルタイム思考過程の表示
  • フォールバック機構: Worker未対応環境への対応

Phase 3開発準備状況

イテレーション別設計方針

Iteration 1: ゲーム基盤（MVP）✅

  • アーキテクチャ: ✅ ヘキサゴナルアーキテクチャ基盤構築完了
  • ドメインモデル: ✅ Puyo, Field, Game基本モデル定義完了
  • テスト基盤: ✅ TDD環境構築完了

Iteration 2: テストカバレッジ向上✅

  • 品質向上: ✅ テストカバレッジ91.18%達成
  • 関数型導入: ✅ lodash/fp、不変データ構造実装
  • アーキテクチャ改善: ✅ stores配置最適化、未使用コード削除

Iteration 3: AI機能基盤✅

  • AI統合: ✅ TensorFlow.js、Web Workers実装完了
  • AI可視化: ✅ AIControlPanel、AIInsights実装完了
  • アーキテクチャ拡張: ✅ AI層追加、services/ai/ディレクトリ構造化
  • 関数型リファクタリング: ✅ EvaluationService純粋関数化、domain/services/ai配置

Iteration 4: AI分析・戦略機能✅

  • パフォーマンス分析: ✅ PerformanceAnalysisService実装完了
  • 戦略設定システム: ✅ StrategyService、カスタム戦略作成実装完了
  • データ可視化: ✅ Recharts統合、チャートコンポーネント実装完了
  • UI統合: ✅ 重複機能削除、戦略設定一本化完了

Iteration 5: mayah AI評価システム✅

  • AI評価システム: ✅ 操作評価サービス（511行・関数型プログラミング）実装完了 ✅ 連鎖評価サービス（1,089行・GTR定跡・パターンマッチング）実装完了 ✅ 戦略評価サービス（772行・発火判断・状況分析・リスク管理）実装完了
  • 技術成果: ✅ mayah AI 4要素評価システム完成（操作・連鎖・戦略評価） ✅ 高度技術パターン実証（関数型・システム統合・パターンマッチング） ✅ 関数合成による複雑評価ロジック構築
  • 品質実績: ✅ 2,372行実装、TypeScript型カバレッジ94%達成

Iteration 6: AI学習システム統合✅

  • AI学習システム: ✅ AI学習システム11コンポーネント完全実装 ✅ TensorFlowTrainer、LearningService、AutoLearningGameService等実装完了 ✅ 学習データ収集・前処理・特徴エンジニアリング基盤完成
  • テスト品質向上: ✅ 単体テストエラー4件→0件完全解決 ✅ テスト品質向上プロセス確立 ✅ システマチックなテスト修正アプローチ導入
  • 品質実績: ✅ 21 SP完了、テストカバレッジ80.57%維持、テスト成功率98.3%

Iteration 7-8: 段階的機能実装

  • 設計ガイドライン: AI学習システム完全統合、性能最適化、UI連携強化
  • 品質保証: 各イテレーションでの品質ゲート通過
  • リファクタリング: 継続的設計改善サイクル

関連ドキュメント

最終更新: 2025-09-02（イテレーション6 AI学習システム統合設計完了時）
更新者: Claude Code Assistant