# 共同創業者候補の評価マトリクス
cofounder_evaluation = {
    "必須条件": {
        "スキル補完性": {
            "description": "自分にないスキルを持っているか",
            "weight": 5,
            "red_flag": "スキルセットが完全に重複"
        },
        "コミットメント": {
            "description": "フルタイムで参画可能か",
            "weight": 5,
            "red_flag": "副業レベルの参画意志"
        },
        "価値観の一致": {
            "description": "会社の方向性・働き方に対する考え方が合うか",
            "weight": 5,
            "red_flag": "リスク許容度が大きく異なる"
        },
        "信頼性": {
            "description": "過去の実績、約束を守る人か",
            "weight": 5,
            "red_flag": "過去に共同作業の経験がない"
        },
    },
    "推奨条件": {
        "ドメイン知識": {
            "description": "ターゲット市場の深い理解があるか",
            "weight": 3,
        },
        "ネットワーク": {
            "description": "投資家・顧客・採用候補へのアクセスがあるか",
            "weight": 3,
        },
        "ストレス耐性": {
            "description": "困難な状況でも冷静に対処できるか",
            "weight": 4,
        },
        "コミュニケーション": {
            "description": "意見の相違を建設的に解決できるか",
            "weight": 4,
        },
    },
    "事前確認事項": [
        "1. 最低2-3ヶ月の共同作業期間を設ける（いきなり創業しない）",
        "2. 以下を文書化して合意する:",
        "   - 各自の役割と責任範囲",
        "   - 株式配分とベスティングスケジュール",
        "   - 退任時の株式買取条件",
        "   - 意見が割れた時の意思決定ルール",
        "   - フルタイムコミットの開始時期",
        "3. 困難なシナリオについて話し合う:",
        "   - 資金が尽きそうになったらどうするか",
        "   - ピボットが必要になったらどう判断するか",
        "   - 一方が離脱したい場合の取り決め",
    ]
}

# 日本でのAIスタートアップ法人設立
incorporation_guide = {
    "株式会社設立の手順": {
        "step_1": {
            "name": "定款作成",
            "details": [
                "商号（会社名）の決定",
                "事業目的の記載（AIソフトウェア開発、SaaS提供等）",
                "本店所在地の決定",
                "発行可能株式総数の設定（将来の増資を見据えて多めに）",
                "設立時発行株式数の決定",
            ],
            "tips": "事業目的は広めに設定。「人工知能に関するソフトウェアの開発・販売」等",
            "cost": "定款認証手数料: 約32,000円〜52,000円"
        },
        "step_2": {
            "name": "定款認証",
            "details": [
                "公証役場で定款を認証",
                "電子定款なら印紙税4万円が不要",
            ],
            "cost": "電子定款の場合: 約32,000円"
        },
        "step_3": {
            "name": "資本金の払い込み",
            "details": [
                "発起人の個人口座に資本金を振り込み",
                "払い込み証明書の作成",
            ],
            "tips": "資本金は100万〜300万円が一般的。少なすぎると信用面で不利"
        },
        "step_4": {
            "name": "登記申請",
            "details": [
                "法務局に設立登記申請",
                "登録免許税: 15万円（資本金の0.7%、最低15万円）",
            ],
            "cost": "登録免許税: 150,000円"
        },
        "step_5": {
            "name": "設立後の届出",
            "details": [
                "税務署: 法人設立届出書、青色申告承認申請書",
                "都道府県税事務所: 法人設立届出書",
                "年金事務所: 健康保険・厚生年金保険の届出",
                "銀行: 法人口座開設",
            ]
        }
    },
    "合計費用": "約24-25万円（電子定款の場合）",
    "期間": "準備開始から登記完了まで2-4週間",
    "推奨サービス": [
        "freee会社設立（無料で定款作成支援）",
        "マネーフォワード会社設立",
        "弁護士ドットコム（法的相談）",
    ]
}

# ピッチデックの品質チェックリスト
pitch_deck_quality_check = {
    "全体": {
        "total_slides": "10-15枚（12枚が理想）",
        "presentation_time": "10分以内で説明可能",
        "design": "シンプル、1スライド1メッセージ、文字は少なく",
        "font_size": "最小24pt（スライド投影時に読める）",
    },
    "slide_by_slide_tips": {
        "problem": [
            "自分が体験した実際のエピソードを入れる",
            "数字で課題の大きさを示す（年間XX億円の損失等）",
            "「XX%の企業がこの問題を抱えている」等の統計",
        ],
        "solution": [
            "プロダクトのデモ画面を入れる（最も重要）",
            "Before/Afterの対比を見せる",
            "技術的な仕組みは別スライドで深掘り",
        ],
        "market": [
            "ボトムアップ計算を必ず含める",
            "TAM: 全世界の潜在市場（参考値）",
            "SAM: 実際にリーチ可能な市場",
            "SOM: 3年以内に獲得を目指す市場",
            "ボトムアップ例: 日本の中小企業400万社 × 対象率10% × ARPU ¥5,000 × 12ヶ月 = SAM 240億円",
        ],
        "traction": [
            "右肩上がりのグラフが最も説得力がある",
            "MRR、ユーザー数、NRR等のSaaSメトリクス",
            "顧客の生の声（具体的な効果の数字付き）",
            "ロゴウォール（有名企業の導入実績）",
        ],
        "team": [
            "「なぜこのチームが勝てるのか」を明確に",
            "AI/MLの専門性（論文、特許、前職の実績）",
            "起業経験、業界経験",
            "アドバイザーの名前（著名な人がいれば）",
        ],
        "ask": [
            "調達額は具体的に",
            "使途の内訳（人件費60%、マーケ20%、インフラ10%、予備10%等）",
            "調達後のマイルストーン（XX人採用、MRR XX達成等）",
            "次ラウンドまでの計画",
        ]
    },
    "common_mistakes": [
        "文字が多すぎる（1スライドに文章が3行以上）",
        "競合スライドで「競合なし」と書く → 市場がないと判断される",
        "TAMだけ示してSOM を示さない → 現実感がない",
        "財務予測がホッケースティック型すぎる → 根拠を求められる",
        "デモ画面がない → プロダクトの実在性に疑問",
    ]
}

class StartupFinancialModel:
    """AIスタートアップ財務モデル"""
 
    def project_3_years(self, params: dict) -> list[dict]:
        """3年間の財務予測"""
        results = []
        mrr = params["initial_mrr"]
        users = params["initial_users"]
        team_size = params["initial_team"]
 
        for month in range(1, 37):
            year = (month - 1) // 12 + 1
 
            # 成長率（年次で逓減）
            growth_rates = {1: 0.20, 2: 0.12, 3: 0.08}
            monthly_growth = growth_rates[year]
 
            # チャーン率（改善傾向）
            churn_rates = {1: 0.06, 2: 0.04, 3: 0.03}
            churn_rate = churn_rates[year]
 
            # ユーザー数計算
            new_users = int(users * monthly_growth)
            churned = int(users * churn_rate)
            users = users + new_users - churned
 
            # MRR計算
            arpu = params["arpu"] * (1 + 0.02 * (month - 1))  # ARPU漸増
            mrr = users * arpu
 
            # コスト計算
            # チーム拡大（四半期ごとに1-2名）
            if month % 3 == 0 and month > 6:
                team_size += params.get("quarterly_hires", 1)
 
            personnel_cost = team_size * params["avg_salary"]
            api_cost = mrr * 0.25  # 売上の25%
            infra_cost = 50000 + users * 200  # 固定+変動
            other_cost = 200000  # オフィス、ツール等
 
            total_cost = personnel_cost + api_cost + infra_cost + other_cost
 
            results.append({
                "month": month,
                "year": year,
                "users": users,
                "mrr": int(mrr),
                "arr": int(mrr * 12),
                "team_size": team_size,
                "total_cost": int(total_cost),
                "profit": int(mrr - total_cost),
                "burn_rate": int(max(0, total_cost - mrr))
            })
 
        return results
 
# 使用例
model = StartupFinancialModel()
projection = model.project_3_years({
    "initial_mrr": 500000,
    "initial_users": 100,
    "initial_team": 3,
    "arpu": 5000,
    "avg_salary": 600000,
    "quarterly_hires": 2
})
# Year 3: ARR ~3億円、チーム20名、黒字化

class UnitEconomics:
    """SaaSのユニットエコノミクス計算"""
 
    def __init__(
        self,
        arpu: float,          # 月額平均単価
        monthly_churn: float,  # 月次解約率
        cac: float,           # 顧客獲得コスト
        gross_margin: float,   # 粗利率
    ):
        self.arpu = arpu
        self.monthly_churn = monthly_churn
        self.cac = cac
        self.gross_margin = gross_margin
 
    @property
    def ltv(self) -> float:
        """顧客生涯価値"""
        if self.monthly_churn == 0:
            return float('inf')
        return (self.arpu * self.gross_margin) / self.monthly_churn
 
    @property
    def ltv_cac_ratio(self) -> float:
        """LTV/CAC比率（3以上が健全）"""
        if self.cac == 0:
            return float('inf')
        return self.ltv / self.cac
 
    @property
    def payback_months(self) -> float:
        """CAC回収期間（月数）"""
        monthly_contribution = self.arpu * self.gross_margin
        if monthly_contribution == 0:
            return float('inf')
        return self.cac / monthly_contribution
 
    @property
    def average_lifetime_months(self) -> float:
        """平均顧客寿命（月数）"""
        if self.monthly_churn == 0:
            return float('inf')
        return 1 / self.monthly_churn
 
    def health_check(self) -> dict:
        """ユニットエコノミクスの健全性チェック"""
        checks = {
            "LTV/CAC比率": {
                "value": round(self.ltv_cac_ratio, 1),
                "threshold": 3.0,
                "status": "healthy" if self.ltv_cac_ratio >= 3.0 else "warning",
                "note": "3以上で健全、5以上で優秀"
            },
            "CAC回収期間": {
                "value": round(self.payback_months, 1),
                "threshold": 12,
                "status": "healthy" if self.payback_months <= 12 else "warning",
                "note": "12ヶ月以内が理想"
            },
            "粗利率": {
                "value": round(self.gross_margin * 100, 1),
                "threshold": 70,
                "status": "healthy" if self.gross_margin >= 0.70 else "warning",
                "note": "SaaSは70%以上が目安、AI SaaSはAPI費用で60-80%"
            },
            "月次チャーン率": {
                "value": round(self.monthly_churn * 100, 2),
                "threshold": 5,
                "status": "healthy" if self.monthly_churn <= 0.05 else "warning",
                "note": "SMB向け5%以下、エンタープライズ向け2%以下"
            }
        }
        return checks
 
    def __repr__(self) -> str:
        return (
            f"UnitEconomics(\n"
            f"  ARPU=¥{self.arpu:,.0f}/月,\n"
            f"  LTV=¥{self.ltv:,.0f},\n"
            f"  CAC=¥{self.cac:,.0f},\n"
            f"  LTV/CAC={self.ltv_cac_ratio:.1f}x,\n"
            f"  回収期間={self.payback_months:.1f}ヶ月,\n"
            f"  平均寿命={self.average_lifetime_months:.0f}ヶ月\n"
            f")"
        )
 
 
# AI SaaS の典型的なユニットエコノミクス
saas_economics = UnitEconomics(
    arpu=8000,           # 月額¥8,000
    monthly_churn=0.04,  # 月次チャーン4%
    cac=30000,           # 顧客獲得コスト¥30,000
    gross_margin=0.75,   # 粗利率75%
)
 
print(saas_economics)
# ARPU=¥8,000/月, LTV=¥150,000, CAC=¥30,000, LTV/CAC=5.0x
 
health = saas_economics.health_check()
for metric, data in health.items():
    print(f"{metric}: {data['value']} ({'OK' if data['status'] == 'healthy' else 'WARN'})")

# 投資家アプローチの実践ガイド
investor_approach = {
    "準備": {
        "target_list": {
            "description": "投資家リストの作成（50社以上）",
            "sources": [
                "INITIAL（日本のスタートアップDB）で過去の投資実績を調査",
                "Crunchbase で AI/SaaS 投資実績を持つVCを検索",
                "LinkedIn で投資家の個人プロフィールを確認",
                "他の起業家からの紹介（最も効果的）",
            ],
            "prioritization": [
                "Tier 1: AI/SaaS特化VC + 暖かい紹介がある",
                "Tier 2: ジェネラリストVC + 暖かい紹介がある",
                "Tier 3: AI/SaaS特化VC + コールドアプローチ",
                "Tier 4: その他",
            ]
        },
        "warm_intro": {
            "description": "暖かい紹介の獲得方法",
            "tactics": [
                "既存の起業家ネットワークから紹介を依頼",
                "投資先企業の創業者経由で紹介してもらう",
                "アクセラレーター（Y Combinator, Plug and Play等）経由",
                "イベント・カンファレンスで直接関係構築",
                "LinkedInで共通の知人を見つけて紹介依頼",
            ]
        }
    },
    "ミーティング": {
        "first_meeting": {
            "duration": "30-45分",
            "structure": [
                "自己紹介（2分）",
                "ピッチ（10-15分）",
                "Q&A（15-20分）",
                "次のステップ確認（5分）",
            ],
            "tips": [
                "最初の5分で投資家の興味を引く",
                "数字で語る（MRR、成長率、NPS等）",
                "「分からない」と正直に言う（嘘はバレる）",
                "質問には簡潔に答える（長々と話さない）",
            ]
        },
        "common_questions": [
            "なぜ今この事業を始めたのか？（動機）",
            "最大のリスクは何か？（自己認識）",
            "AIモデルへの依存度は？独自の優位性は？",
            "既存顧客の解約理由は？",
            "競合との差別化ポイントは？",
            "3年後のExitシナリオは？",
            "チームの技術力をどう証明するか？",
            "このラウンドの資金で何を達成するか？",
        ]
    },
    "timeline": {
        "description": "資金調達プロセスの典型的なタイムライン",
        "phases": {
            "準備": "2-4週間（ピッチデック、財務モデル、DD資料）",
            "アプローチ": "2-4週間（50社以上にコンタクト）",
            "ミーティング": "4-8週間（初回→2回目→パートナー会議）",
            "DD・交渉": "2-4週間（デューデリジェンス、タームシート交渉）",
            "クロージング": "2-4週間（契約書作成、着金）",
        },
        "total": "3-5ヶ月（Seed）、4-6ヶ月（Series A）"
    }
}

class AITalentStrategy:
    """AI人材採用戦略"""
 
    def create_hiring_plan(self, stage: str) -> dict:
        """ステージ別採用計画"""
        plans = {
            "pre_seed": {
                "team_size": "2-3人（創業チーム）",
                "hiring_channels": [
                    "共同創業者のネットワーク",
                    "前職の元同僚",
                    "ハッカソンでの出会い"
                ],
                "compensation": {
                    "cash": "市場の60-70%",
                    "equity": "5-15%（共同創業者）、1-3%（初期社員）",
                    "note": "エクイティで補填"
                }
            },
            "seed": {
                "team_size": "5-10人",
                "hiring_channels": [
                    "AngelList / LAPRAS / Findy",
                    "技術カンファレンス",
                    "OSS コントリビューター",
                    "リファラル（最も効果的）"
                ],
                "compensation": {
                    "cash": "市場の80-90%",
                    "equity": "0.5-2%",
                    "note": "ミッション共感で採用"
                }
            },
            "series_a": {
                "team_size": "15-30人",
                "hiring_channels": [
                    "採用エージェント",
                    "LinkedIn直接アプローチ",
                    "テックブログ/登壇",
                    "リファラルボーナス制度"
                ],
                "compensation": {
                    "cash": "市場の90-110%",
                    "equity": "0.1-0.5%",
                    "note": "競争力のある報酬"
                }
            }
        }
        return plans.get(stage, plans["seed"])
 
    def interview_process(self) -> dict:
        """AI人材の面接プロセス"""
        return {
            "stage_1_screening": {
                "duration": "30分",
                "interviewer": "HR or 採用担当エンジニア",
                "focus": [
                    "経験・スキルの概要確認",
                    "志望動機・カルチャーフィット",
                    "希望年収・入社時期",
                ],
                "pass_rate": "40-50%"
            },
            "stage_2_technical": {
                "duration": "60-90分",
                "interviewer": "CTO or シニアエンジニア",
                "focus": [
                    "技術的な深掘り質問",
                    "過去のプロジェクトの詳細",
                    "ライブコーディング or テイクホーム課題",
                ],
                "ai_specific_questions": [
                    "RAGシステムの設計経験",
                    "プロンプトエンジニアリングの手法",
                    "LLMの評価・改善方法",
                    "AI APIのコスト最適化経験",
                ],
                "pass_rate": "30-40%"
            },
            "stage_3_culture": {
                "duration": "45分",
                "interviewer": "CEO or チームメンバー",
                "focus": [
                    "価値観の一致",
                    "チームとの相性",
                    "成長意欲・学習姿勢",
                ],
                "pass_rate": "60-70%"
            },
            "stage_4_offer": {
                "timeline": "最終面接から3営業日以内にオファー",
                "contents": [
                    "年収（固定給 + 賞与）",
                    "ストックオプション数量と行使価格",
                    "ベスティングスケジュール",
                    "入社日",
                    "その他の福利厚生",
                ],
            }
        }

# ストックオプション（SO）の設計ガイド
stock_option_guide = {
    "プール設計": {
        "total_pool": "発行済株式の10-15%をSO用に確保",
        "allocation_guideline": {
            "CxO（創業後参画）": "1-3%",
            "VP/Director": "0.5-1%",
            "シニアエンジニア": "0.3-0.5%",
            "ミドル": "0.1-0.3%",
            "ジュニア": "0.05-0.1%",
        },
        "note": "初期メンバーほど多く、後から入る人ほど少ない"
    },
    "ベスティング": {
        "standard": "4年間ベスティング、1年クリフ",
        "example": {
            "total_shares": 10000,
            "vesting_period": "48ヶ月",
            "cliff": "12ヶ月（1年後に25%が一括行使可能に）",
            "monthly_vesting": "クリフ後、毎月2.08%ずつ行使可能に",
            "acceleration": "M&A時のシングル/ダブルトリガー条項を検討",
        }
    },
    "税制": {
        "適格SO": {
            "条件": [
                "権利行使価額 ≥ 付与時の時価",
                "付与決議日から2年以上10年以内に行使",
                "年間行使上限1,200万円",
                "特定の発行手続きを遵守",
            ],
            "税率": "株式売却時に約20%（譲渡所得）",
        },
        "非適格SO": {
            "条件": "適格SO の要件を満たさない場合",
            "税率": "行使時に最大55%（給与所得として課税）",
        },
        "tip": "必ず税理士・弁護士に相談して適格SO を設計する"
    }
}

# タームシート（投資条件書）の主要条項
term_sheet_key_terms = {
    "評価額関連": {
        "pre_money_valuation": {
            "description": "投資前の会社評価額",
            "negotiation_tip": "Pre-money は高く交渉。希薄化率を常に計算する"
        },
        "investment_amount": {
            "description": "投資金額",
            "negotiation_tip": "18ヶ月のランウェイを確保できる額を目標"
        },
    },
    "投資家の権利": {
        "liquidation_preference": {
            "description": "清算優先権（Exit時の配分ルール）",
            "types": {
                "non_participating_1x": "投資額 or 持分比例配分のうち大きい方（標準）",
                "participating_1x": "投資額を先に回収 + 残りを持分比例配分（投資家有利）",
                "participating_2x": "投資額の2倍を先に回収 + 残り（非常に投資家有利）",
            },
            "negotiation_tip": "Non-participating 1xが創業者にとって最もフェア"
        },
        "anti_dilution": {
            "description": "希薄化防止条項（ダウンラウンド時の保護）",
            "types": {
                "weighted_average": "加重平均方式（標準）",
                "full_ratchet": "フルラチェット（投資家に非常に有利、避ける）",
            }
        },
        "board_seats": {
            "description": "取締役会の議席",
            "typical": "Seed: 投資家1席、創業者2席（3人構成）",
            "negotiation_tip": "創業者が過半数を維持することが重要"
        },
    },
    "創業者の保護": {
        "founder_vesting": {
            "description": "創業者の株式ベスティング",
            "typical": "4年ベスティング、1年クリフ、既存期間のクレジット",
            "negotiation_tip": "創業からの期間をクレジットしてもらう交渉"
        },
        "drag_along": {
            "description": "ドラッグアロング権（強制売却権）",
            "negotiation_tip": "発動条件（評価額の下限等）を設定する"
        },
        "protective_provisions": {
            "description": "投資家の拒否権（重要事項への同意権）",
            "typical_items": [
                "新株発行",
                "定款変更",
                "M&A・清算",
                "役員報酬の大幅変更",
                "一定額以上の借入",
            ]
        }
    }
}

# デューデリジェンス（DD）に必要な資料
dd_documents = {
    "法務": [
        "定款（最新版）",
        "登記簿謄本",
        "株主名簿",
        "株主間契約書",
        "ストックオプション発行決議・割当表",
        "重要な契約書（顧客、パートナー、従業員）",
        "知的財産権の一覧（特許、商標等）",
        "訴訟・紛争の有無",
    ],
    "財務": [
        "過去の決算書（BS, PL, CF）",
        "月次試算表（直近12ヶ月）",
        "銀行口座残高証明",
        "借入金一覧",
        "3年間の財務予測モデル",
        "主要KPIの推移データ",
    ],
    "事業": [
        "事業計画書",
        "顧客リスト（社名・契約内容）",
        "MRR/ARR の推移データ",
        "チャーン率の推移",
        "顧客獲得コスト（CAC）のデータ",
        "競合分析資料",
    ],
    "技術": [
        "技術アーキテクチャ概要図",
        "AI/MLモデルの概要と精度メトリクス",
        "データ収集・管理ポリシー",
        "セキュリティ対策の概要",
        "外部API依存度の説明",
        "技術ロードマップ",
    ],
    "人事": [
        "組織図",
        "従業員リスト（氏名、役職、入社日、報酬）",
        "採用計画",
        "就業規則",
        "労務トラブルの有無",
    ],
    "preparation_tips": [
        "DD資料は事前にデータルーム（Google Drive等）に整理しておく",
        "機密情報にはNDA（秘密保持契約）の締結後にアクセス許可",
        "質問への回答は48時間以内を目標",
        "不明点は「確認します」と正直に伝える",
        "弁護士・税理士のサポートを事前に確保",
    ]
}

# エンジニアリング組織の設計パターン
engineering_org = {
    "10人以下": {
        "structure": "フラット（全員が同列）",
        "communication": "全員が全てを把握",
        "sprint": "1チーム、1-2週間スプリント",
        "code_review": "全員がお互いをレビュー",
    },
    "10-25人": {
        "structure": "機能チーム（Frontend, Backend, AI/ML）",
        "communication": "チーム間の定例ミーティング",
        "sprint": "チーム別スプリント、共通のリリースサイクル",
        "code_review": "チーム内レビュー + クロスチームレビュー",
        "key_hires": ["テックリード × 2-3人", "EM（エンジニアリングマネージャー）× 1人"],
    },
    "25-50人": {
        "structure": "スクワッド型（機能横断チーム）",
        "model": [
            "スクワッド: プロダクト機能ごと（5-7人）",
            "チャプター: 技術領域ごと（Frontend, Backend, AI）",
            "トライブ: 関連スクワッドのグループ",
        ],
        "communication": "スクワッド自律 + トライブ間の週次同期",
        "key_hires": ["VP of Engineering", "EM × 3-5人", "Staff Engineer"],
    }
}

# AIスタートアップのバリュー設計例
company_values = {
    "values": [
        {
            "name": "Ship Fast, Learn Fast",
            "description": "完璧を目指すより、速く出荷して学ぶ",
            "behaviors": [
                "80%の完成度でリリースする",
                "失敗を批判せず、学びとして共有する",
                "小さな実験を繰り返す",
            ]
        },
        {
            "name": "User Obsession",
            "description": "全ての意思決定はユーザー視点で行う",
            "behaviors": [
                "定期的にユーザーインタビューを実施する",
                "サポートチケットを全員が読む",
                "機能開発はユーザーの課題から始める",
            ]
        },
        {
            "name": "Radical Transparency",
            "description": "情報はデフォルトでオープンにする",
            "behaviors": [
                "MRR、チャーン率等の数字を全社員に共有",
                "意思決定の理由を文書化して共有",
                "フィードバックは直接・率直に伝える",
            ]
        },
        {
            "name": "AI-First Thinking",
            "description": "「AIで自動化できないか？」を常に問う",
            "behaviors": [
                "繰り返し作業は積極的にAIで自動化する",
                "新機能はまずAI活用の可能性を検討する",
                "最新のAI技術動向をキャッチアップする",
            ]
        },
    ],
    "implementation": [
        "採用面接で価値観の一致を確認する",
        "人事評価にバリューの体現度を含める",
        "全社ミーティングでバリューを体現した事例を共有",
        "バリューカードを全社員に配布",
    ]
}

# BAD: 調達額が大きいほど成功と思い込む
bad_fundraising = {
    "goal": "できるだけ多く調達する",
    "raised": "10億円（評価額50億円）",
    "problem": "PMF前に巨額を調達→期待値が高すぎて身動き取れず",
    "burn_rate": "月5000万円 → 20ヶ月でランウェイ枯渇",
    "result": "PMF未達のままダウンラウンドか廃業"
}
 
# GOOD: 必要最小限を適切なタイミングで調達
good_fundraising = {
    "goal": "次のマイルストーンに必要な分だけ調達",
    "raised": "5000万円（評価額3億円）",
    "milestone": "PMF達成 + MRR 500万円",
    "burn_rate": "月300万円 → 16ヶ月のランウェイ",
    "result": "PMF達成 → Series Aを有利な条件で調達"
}

# BAD: エンジニアだけ採用
bad_team = {
    "composition": "CEO(技術) + エンジニア8人",
    "problem": "プロダクトは素晴らしいが誰も知らない",
    "result": "ユーザーゼロ、資金枯渇"
}
 
# GOOD: バランスの取れたチーム
good_team = {
    "composition": "CEO + CTO + エンジニア3人 + マーケ1人 + CS 1人",
    "balance": "開発5: ビジネス2の比率",
    "result": "プロダクトも成長も両立"
}

# BAD: PMF前に大量採用
bad_scaling = {
    "trigger": "Series A調達完了",
    "action": "3ヶ月で5人→30人に拡大",
    "problems": [
        "PMF未達のまま人件費が急増",
        "新メンバーのオンボーディングが追いつかない",
        "創業メンバーが管理業務に忙殺される",
        "カルチャーが薄まり、一体感が失われる",
    ],
    "result": "バーンレート急上昇、組織混乱、リストラの可能性"
}
 
# GOOD: PMFに応じた段階的拡大
good_scaling = {
    "trigger": "PMF達成 + 成長率の安定確認",
    "action": "四半期ごとに3-5人を計画的に採用",
    "practices": [
        "採用プロセスの標準化（面接官トレーニング含む）",
        "オンボーディングプログラムの整備",
        "30-60-90日の目標設定",
        "メンター制度の導入",
    ],
    "result": "組織が安定的に成長、カルチャーを維持"
}

# BAD: 特定のAIモデルに完全依存
bad_ai_dependency = {
    "architecture": "全機能がGPT-4 APIに直接依存",
    "risks": [
        "API料金の大幅値上げ → 粗利が一夜で消滅",
        "API障害 → サービス全停止",
        "モデル更新 → プロンプトの再設計が必要",
        "利用規約変更 → ビジネスモデルが成立しなくなる",
    ]
}
 
# GOOD: AIプロバイダー非依存のアーキテクチャ
good_ai_architecture = {
    "design_principles": [
        "AI呼び出しを抽象化レイヤーで包む",
        "複数プロバイダーのフォールバック構成",
        "プロンプトの外部管理（ハードコードしない）",
        "出力の品質評価・監視パイプライン",
    ],
    "implementation": {
        "abstraction_layer": "AIServiceInterface → Claude / GPT-4 / Gemini",
        "fallback": "Primary → Secondary → Cached Response",
        "cost_control": "モデルルーティング（簡単な処理はHaiku、複雑な処理はSonnet）",
    }
}

# 演習1: 基本実装のテンプレート
class Exercise1:
    """基本的な実装パターンの演習"""
 
    def __init__(self):
        self.data = []
 
    def validate_input(self, value):
        """入力値の検証"""
        if value is None:
            raise ValueError("入力値がNoneです")
        return True
 
    def process(self, value):
        """データ処理のメインロジック"""
        self.validate_input(value)
        self.data.append(value)
        return self.data
 
    def get_results(self):
        """処理結果の取得"""
        return {
            'count': len(self.data),
            'data': self.data
        }
 
# テスト
def test_exercise1():
    ex = Exercise1()
    assert ex.process(1) == [1]
    assert ex.process(2) == [1, 2]
    assert ex.get_results()['count'] == 2
 
    try:
        ex.process(None)
        assert False, "例外が発生するべき"
    except ValueError:
        pass
 
    print("全テスト合格!")
 
test_exercise1()

# 演習2: 応用パターン
from typing import List, Dict, Optional
from datetime import datetime
 
class AdvancedExercise:
    """応用パターンの演習"""
 
    def __init__(self, max_size: int = 100):
        self._items: List[Dict] = []
        self._max_size = max_size
        self._created_at = datetime.now()
 
    def add(self, key: str, value: any) -> bool:
        """アイテムの追加（サイズ制限付き）"""
        if len(self._items) >= self._max_size:
            return False
        self._items.append({
            'key': key,
            'value': value,
            'timestamp': datetime.now().isoformat()
        })
        return True
 
    def find(self, key: str) -> Optional[Dict]:
        """キーによる検索"""
        for item in reversed(self._items):
            if item['key'] == key:
                return item
        return None
 
    def remove(self, key: str) -> bool:
        """キーによる削除"""
        for i, item in enumerate(self._items):
            if item['key'] == key:
                self._items.pop(i)
                return True
        return False
 
    def stats(self) -> Dict:
        """統計情報"""
        return {
            'total_items': len(self._items),
            'max_size': self._max_size,
            'usage_percent': len(self._items) / self._max_size * 100,
            'uptime': str(datetime.now() - self._created_at)
        }
 
# テスト
def test_advanced():
    ex = AdvancedExercise(max_size=3)
    assert ex.add("a", 1) == True
    assert ex.add("b", 2) == True
    assert ex.add("c", 3) == True
    assert ex.add("d", 4) == False  # サイズ制限
    assert ex.find("b")['value'] == 2
    assert ex.remove("b") == True
    assert ex.find("b") is None
    stats = ex.stats()
    assert stats['total_items'] == 2
    print("応用テスト全合格!")
 
test_advanced()

# 演習3: パフォーマンス最適化
import time
from functools import lru_cache
 
# 最適化前（O(n^2)）
def slow_search(data: list, target: int) -> int:
    """非効率な検索"""
    for i in range(len(data)):
        for j in range(i + 1, len(data)):
            if data[i] + data[j] == target:
                return (i, j)
    return (-1, -1)
 
# 最適化後（O(n)）
def fast_search(data: list, target: int) -> tuple:
    """ハッシュマップを使った効率的な検索"""
    seen = {}
    for i, num in enumerate(data):
        complement = target - num
        if complement in seen:
            return (seen[complement], i)
        seen[num] = i
    return (-1, -1)
 
# ベンチマーク
def benchmark():
    import random
    data = list(range(5000))
    random.shuffle(data)
    target = data[100] + data[4000]
 
    start = time.time()
    result1 = slow_search(data, target)
    slow_time = time.time() - start
 
    start = time.time()
    result2 = fast_search(data, target)
    fast_time = time.time() - start
 
    print(f"非効率版: {slow_time:.4f}秒")
    print(f"効率版:   {fast_time:.6f}秒")
    print(f"高速化率: {slow_time/fast_time:.0f}倍")
 
benchmark()

# デバッグ用ユーティリティ
import logging
import traceback
from functools import wraps
 
# ロガーの設定
logging.basicConfig(
    level=logging.DEBUG,
    format='%(asctime)s [%(levelname)s] %(name)s: %(message)s'
)
logger = logging.getLogger(__name__)
 
def debug_decorator(func):
    """関数の入出力をログ出力するデコレータ"""
    @wraps(func)
    def wrapper(*args, **kwargs):
        logger.debug(f"呼び出し: {func.__name__}(args={args}, kwargs={kwargs})")
        try:
            result = func(*args, **kwargs)
            logger.debug(f"戻り値: {func.__name__} -> {result}")
            return result
        except Exception as e:
            logger.error(f"例外発生: {func.__name__}: {e}")
            logger.error(traceback.format_exc())
            raise
    return wrapper
 
@debug_decorator
def process_data(items):
    """データ処理（デバッグ対象）"""
    if not items:
        raise ValueError("空のデータ")
    return [item * 2 for item in items]