alantech/marsha

Marsha – LLM駆動の「プログラミング言語」

何であるか – Marsha は、データ処理タスクの小さなマークダウンスタイルの記述を可能にします。入力と出力の「型」を宣言し、短い自然言語の説明を書き、いくつかの入出力例を提供します。Marsha コンパイラはこの仕様を LLM（デフォルトでは OpenAI の API）に送信し、Python コードを生成し、例をテストとして実行して検証し、実行可能なスクリプトを出力します。

主なアイデア

• 宣言型構文 – .mrsh ファイルはマークダウンに似ています。型は CSV スタイルのテーブルで定義され、関数は # func … ヘッダーで宣言され、その後に説明と例のブロックが続きます。
• 例に基づくテスト – 提供された例は、コンパイラが生成されたコードを検証するために使用するテストスイートになります。これにより、出力が壊れるリスクが低減されます。
• LLM をバックエンドコンパイラとして利用 – 仕様を Python に変換する重い処理は LLM が担当します。設定、コマンドラインフラグ、環境変数でモデルを選択できます。
• 実行可能な出力 – 生成された Python には、小さな CLI ラッパー（またはシンプルな REST サーバー）が含まれており、ターミナルから直接コンパイルされた関数を呼び出せます。

使い方

1. リポジトリからパッケージをインストールします：

   uv pip install git+https://github.com/alantech/marsha
   

2. Marsha 構文（型定義、# func … ブロック、説明、例）を使って my_task.mrsh ファイルを作成します。
3. コンパイルします：

   python -m marsha my_task.mrsh
   

   コマンドは設定された LLM に接続し、Python を生成し、テストを実行して結果のスクリプトを書き出します。
4. 生成されたスクリプトを CLI ツールとして、または小さなウェブサービスとして実行します：

   python -m my_task --help          # 生成された CLI オプションを確認
   python -m my_task -s 8080         # REST サーバーを起動
   

設定 – Marsha は標準的な OS の場所（Linux では ~/.config/marsha/config.json など）から JSON 設定ファイルを読み込みます。api_base、api_key、model、model_strong を設定できます。環境変数（OPENAI_ORG、OPENAI_SECRET_KEY/OPENAI_API_KEY）はデフォルトの OpenAI バックエンドに使用できます。--api-base および --model フラグは、コマンドラインでこれらの設定を上書きします。

コマンドラインオプション（主なハイライト）：

• -q – コード生成のみ、修正ステージをスキップ（安価だが信頼性は低い）。
• -a N – 最大 N 回のコンパイル試行を行い、失敗時に再試行。
• -n N – 各試行で N 個の並列な LLM「思考経路」を実行。最初に成功した経路が採用される。
• --exclude-main-helper – 自動生成された CLI ラッパーを除外。
• --exclude-sanity-check – Marsha 定義の初期整合性チェックをスキップ。
• -s – 統計情報をファイルに書き出す。

ロードマップのハイライト

• 平均正解率を 90% 以上に引き上げる。
• エディタ用の構文ハイライトプラグインを追加。
• Python 以外のターゲット言語をサポート。
• モジュールシステムと、既存の Python を Marsha 構文に戻す「デコンパイラ」を導入。
• グラフィカルな GUI エディタと、より洗練されたデバッグヘルパーを構築。

対象ユーザー – 手動ですべての行を書くことなく、小さなデータ処理スクリプト（例：pandas パイプライン）を、より高レベルで、例に基づいて生成したい開発者。また、テスト駆動の監視下で LLM が実装を生成することに抵抗がない方。