Python 3.15 と AI を活用した「怠惰型インポート」の劇的パフォーマンス向上

Python 3.15a7 では、

uv

--help

以下に「怠惰型インポートとは」「活用方法」「ツール紹介」、そして「AI を多用して開発した体験」をまとめました。

まとめ（TL;DR）:

uvx flake8-lazy --apply=list

怠惰型インポートとは？

標準的な Python の CLI ファイルでは、コマンド引数を解析する前にすべての依存モジュールがインポートされることがあります。

従来の問題点

argparse

numpy

import argparse
import numpy


def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--foo", action="store_true")
    args = parser.parse_args()
    if args.foo:
        print(numpy.array([1, 2, 3])) # ここまで処理しない限り numpy は不要

• --help

  フラグ実行時:

  numpy

  のインポートが発生しますが、実際のロジックには関与しません。

• uv

  環境での影響:

  uv

  はデフォルトでバイトコードの事前コンパイルを行いません（明示的指示がない場合）。これによりインストールは速くても、最初のインポート処理が遅延してしまいます。

この問題はパッケージ化されたライブラリでも同様です。

# __init__.py
from . import a
from . import b
__all__ = ["a", "b"]

• import lib

  だけで利用できるようにしたいが、

  lib.a.stuff

  を使う必要がある場合。
• すべてのインポートされたモジュールを使わなくても、コストは発生してしまいます。

  • rich

    は明示的なインポートを推奨する一方、古いライブラリではこのパターンが一般的です。

解決策：怠惰型インポート（Python 3.15）

Python 3.15 では、以下のように記述できるようになりました。

lazy import argparse
lazy import numpy

def main():
    parser = argparse.ArgumentParser()
    # ...

• 動作: インポート時に何の処理も行われません。モジュール自体もインストールされていなくても問題ありません。
• 活性化: 初めてそのオブジェクトを使用するタイミングで、真にインポートされたオブジェクトへと変換されます。

  • --help

    を実行した場合は

    numpy

    のインポートすら行われず、劇的に高速化します。

後方互換性のある構文

古い Python バージョンでも動作する別の方法もあります。

__lazy_modules__ = ["argparse", "numpy"]
import argparse
import numpy

• これにより古いバージョンでの動作も保証されます（ただし、単に「怠惰型」ではない点に注意）。
• リンター（例：

  Ruff

  ）もこの配置を許容し、違反を検出しないよう更新されています。

補足: Python には全インポートを怠惰型にするフラグ

-X lazy_imports=all

なぜすべてのモジュールを怠惰型にできないのか？

一部のモジュールはインポート時に副作用（初期化処理など）を持つためです。この副作用が直後に発生する必要がある場合は怠惰型化できません。

怠惰型化できないパターン

エラーハンドリングが必要な場合などは、単純な

lazy import

try:
    import numpy
except ModuleNotFoundError:
    ... # ここに処理を移す必要があります

代替案：部分的に怠惰なアプローチ

import importlib.util

if importlib.util.find_spec("numpy") is None:
    ... # 不足している場合の処理

lazy import numpy

• 欠点: インポートを行わない場合よりわずかにコストがかかります。
• 注意点: サブパッケージへのアクセス時に、トップレベルのインポートが発生します。また、エラーメッセージの内容も限定的です。

定数やトップレベルの使用

ファイル処理などトップレベルで常に必要とするライブラリ（例：

re

import functools
lazy import re

@functools.cache
def regex() -> re.Pattern:
    return re.compile(...) # 必要な時にのみインポート・コンパイル

この機能を使うには

from __future__ import annotations

ファイル全体を怠惰型にする場合

class AllLazy:
    @staticmethod
    def __contains__(_: str) -> bool:
        return True


__lazy_modules__ = AllLazy()

flake8-lazy: 管理と最適化のためのツール

ライブラリが

__lazy_modules__

flake8-lazy

使用方法

uvx flake8-lazy <ファイル>

uvx flake8-lazy --format=lazy-modules

uvx flake8-lazy --apply=list <ファイル>

# pipx を使用する場合も同様
pipx run flake8-lazy --apply=list <filenames>

エラーコードの概要

• Code 1xx: 怠惰型宣言の欠如
  • トップレベルで使用されていない標準ライブラリやサードパーティライブラリがリストされていない場合。
• Code 2xx:

  __lazy_modules__

  の検証
  • ソート未実施、重複、割り当て順序の誤り、絶対名指定など。
• Code 3xx: ネイティブ怠惰型キーワード (Python 3.15+)
  • Python 3.15 以降の新構文特有の問題を検出。
• Code 4xx: セマンティクスと安全性
  • トップレベルでアクセスされるのに怠惰型化されている、パッケージ固有のルール違反など。

成果：劇的な速度向上

自身のソースコードや主要プロジェクトに適用した結果、

--help

--help

• M1 マシンでの Python 起動: 約 15 ミリ秒。これより速くすることはできません（標準ライブラリのロードなど）。
• 測定ツール:

  hyperfine

  や

  -X importtime

  を使用して詳細な計測が可能です。
• 将来性: サードパーティライブラリも怠惰型インポートを追加すれば、さらに改善が期待されます。

課題:

• エッジケース（例：

  dataclasses

  のタイプヒント解析など）で正しく動作しない場合があります。不足している処理を過剰に補うより、慎重に対応すべきです。
• 一部のモジュール（

  numpy

  など）はまだ CPython 3.15 向けホイールが正式リリースされておらず、最大の効果が確認できない段階です。

AI を多用した開発体験

このプロジェクトは、AI ツールを多大に活用した最初の成功事例の一つです（保守支援の

plumbum

開発プロセスと成果

• 速度: 手作業の場合の数日かかる作業を、約 1 日で完成しました。実装の詳細を追跡するのではなく、指示に基づき動作を確認・修正するスタイルでした。
• 品質: コードは少し長くなる傾向（重複除去）がありますが、全体としてクリーンで人間らしく見えます。
• リファクタリング: エージェントはプロンプトなしでテスト生成やエラー処理、マージ競合の解決などを完璧に行いました。

技術スタックと構成

AI の成功には、強力なセットアップが寄与しました。

• テンプレート: Scientific Python Development Guide をベース。
• ツール:

  uv

  ,

  prek

  ,

  nox

  の自動利用設定（

  AGENTS.md

  など）。
• リンター:

  Ruff

  (TID251 チェックなど)。
• LLM モデル: GPT-5.3-codex が主体で、Claude Sonnet 4.6 が選択される場合あり。

AI の具体的な活躍例

• コード修正: エラーメッセージの改善や、例外注釈のバージョン適合（Python 3.11 ゲートなど）。
• ドキュメント管理: README とドキュメント間の重複解消。
• 複雑なリファクタ: 長い

  __init__.py

  の再設計（

  __lazy_modules__

  の再適用含む）を完璧に実行。
• テスト作成: プロンプトなしで追加された機能に対するテストコードを生成。

結論：AI と人間の役割分担

• 人間: 要件定義、高レベルなアーキテクチャ決定（ライブラリ設計など）、最終的な品質判断。
• AI: 実装の詳細作業、繰り返し処理、テスト作成、ループ処理の高速化。

このように「待つ」ことさえできれば、開発スピードは手書きの5〜7 倍に近づく可能性があります。適切なリンティングとテスト設定があれば、AI は非常に強力なヘルパーになります。