技術で稼ぐを、実体験から。SNS運用の自動化・AI活用・収益化を、個人開発者が自分で試した結果から発信しています。
結論：用途によって正解のツールは明確に分かれる 結論から言うと、AIエージェントから複雑なページを操作するなら「playwright-cli」が一番おすすめだ。一方で、RAG構築やデータ抽出が目的なら「WebReader AI API」を選ぶのが正解になる。 最近はClaude CodeなどのAIエージェントにブラウザ操作を任せる機会が増えてきた。しかし、ツールによって得意な領域が全く異なる。
AIに自律的な作業を任せる開発手法が急速に普及している。 1年で20個以上のAI連携ツールを生み出す開発者も現れた。 まあ、大半は誰にも使われない自己満足の産物だが。 彼らが注力しているのは、プロンプトの調整ではない。 AIが使うための「道具」の開発だ。 しかし、AI専用の連携規格であるMCPには大きな落とし穴があった。
AIに「この機能作って」と丸投げして、数時間後にスパゲッティコードが生成された経験はないか。 最新のAI開発のトレンドは「AIに一気にコードを書かせない」ことだ。 変更行数の90%をAIに任せる開発チーム（出典：GitHub Copilot導入事例）も、数理モデルでAIの挙動を研究する専門家（出典：Anthropic研究報告）も、全く同じ結論に辿り着いた。
RAGを作ってみたものの、本番環境で全然使い物にならないと悩んでいないか。単純に検索してLLMに渡すだけの構成では、実務の複雑な要求には耐えられない。 RAGをPoCで終わらせず、本番で安定稼働させるにはシステム全体を高度化する設計パターンが必要だ。結論から言うと、データ基盤の整備とエージェント化の視点を取り入れることが解決の糸口になる。
ブラウザでChatGPTを開いてコードをコピペする作業は過去のものだ。AIは今、僕らの手元のPCに入り込み、自律的にファイルを読み書きしている。 OpenAIは複数アプリを統合したデスクトップのスーパーアプリ化へ舵を切った。Cursorは中国製オープンソースモデルをベースに独自の強化学習を重ね、トップクラスの性能を叩き出した。
エージェント化するAIとローカル環境の危機 OpenAIがPythonエコシステムの覇者Astralを買収した。 毎月数億回もダウンロードされる開発ツール群を手に入れた。 AIがローカル環境で自律的にコマンドを叩く「エージェント化」への完全なシフトが起きている。 開発ワークフローの利便性と引き換えに、AIにシェル権限を渡すというセキュリティリスクが生まれる。
結論：AIエージェントの品質はテストと評価の仕組みで決まる 結論から言うと、AIエージェントの実運用に耐えうる品質は、プロンプトの微調整ではなくテストと評価の仕組みで決まる。 1問1答の簡単な会話なら完璧にこなすAIでも、複雑なタスクや長時間のやり取りになると途端にポンコツになることが多い。 これは、マルチターンと呼ばれる複数回のやり取りを想定した品質保証の仕組みが抜け落ちているからだ。
冒頭フック 出た。ついにAIが完全に自律する。 開発者が寝ている間に、AIがコードを書き、テストを回し、クラウドのインフラまで構築してデプロイする。 そんなSFのような話が、現実の開発環境に実装された。 AIの進化は「賢さ」から「権限の拡大」へシフトしている。 僕ら開発者の仕事は、もう「コードを書くこと」ではない。
冒頭フック 7日間。122,213行のコード。 Stripe課金からAIレコメンドまで完備した巨大SaaSが爆誕した。 開発体制は人間1人とClaude Codeの6エージェントのみ。 これは魔法でもなんでもない。 圧倒的な生産性を生み出す、全く新しい開発手法の証明だ。 AIにコードを書かせることより、AIが迷わず動く「環境」を作ることに主戦場が移った。
突然AIがポンコツになる理由 エージェント開発における最大の絶望。 それは、外部ツールを繋いだ瞬間にAIが直前の指示を完全に忘却することだ。 理由は極めて単純だ。 ツールの出力結果が長すぎる。 5000行の検索ログが返ってきた瞬間、AIのコンテキストは崩壊する。 膨れ上がるAPIコスト。堂々巡りのエラー修正ループ。 AIにツールを使わせるなら、入力の工夫だけでは全く足りない。
人気AIプロキシの特定バージョンにマルウェアが混入した。SSHキーやKubernetes設定が根こそぎ盗まれる事態が発生している。 一方で、ローカル完結型のキャッシュツール「llm-devproxy」がv0.2.0へアップデートされた。384次元のベクトルを用いたセマンティックキャッシュを、外部APIに依存せずローカルで処理する。
