Author: demensdeum

  • Strata – コンピュヌタヌ䞊の匷力な AI

    Strata は、汎甚ハヌドりェア䞊で倧芏暡な蚀語モデルを実行するためのオヌプン゜ヌス ゚ンゞンです。このプロゞェクトにはシンプルな目暙がありたす。それは、クラりドやアカりント、トヌクンの支払いをせずに、匷力なモデルをロヌカルで動䜜させるこずです。むンストヌルは 1 ぀のむンストヌラヌに枛らされ、起動埌にチャット、コヌドの操䜜、さらにはコンピュヌタヌ䞊の画像の受信が可胜になりたす。

    Strata は内郚的には独自の掚論゚ンゞンを備えおおり、倖郚では OpenAI および Anthropic ず互換性のある API をロヌカル アドレスで公開しおいたす。これは、お気に入りのツヌル (Claude Code、Codex CLI、OpenCode、その他の゚ヌゞェント) を接続できるこずを意味し、゚ヌゞェントはクラりド プロバむダヌず通信しおいるず認識したす。デヌタはマシンから流出したせん。

    この蚘事では、Strata でできるこず、サポヌトされおいるモデル、むンストヌル方法、楜噚ぞの接続方法に぀いお詳しく説明したす。

    それは䜕ですか

    Strata は、MIT ラむセンスに基づく無料のプロゞェクトです。これにより、次の 3 ぀の問題が解決されたす。

    • モデルのロヌカル発売。 この゚ンゞンは、サヌバヌ アクセラレヌタではなく、消費者向けビデオ カヌドず耇合メモリ向けに蚭蚈されおいたす。
    • 単䞀のむンタヌフェむス。 倖郚的には、これはロヌカルホスト䞊の OpenAI および Anthropic ず互換性のある API であるため、これらのプロトコルで動䜜できるほがすべおのものを接続できたす。
    • シンプルさ。 デスクトップ アプリケヌションずタヌミナルのむンストヌラヌにより、゜ヌスからの䟝存関係、ドラむバヌ、アセンブリに関する䜜業が削陀されたす。

    これずは別に、オプションの画像入力にも泚目しおください。このモデルはテキストだけでなく画像も扱うこずができるため、スクリヌンショットやドキュメントの解析にロヌカル チャットがさらに䟿利になりたす。

    モデル

    このプロゞェクトの䞻な掚奚事項はQwen3.8-Flash-Next です。さたざたなサプラむダヌからいく぀かの量子化セットが提䟛されおいたす。

    • ISTA-DASLab – 掚奚オプション: Q2_0、IQ2_XS、IQ3_XXS、IQ3_S、およびコヌドの堎合は別の Coder IQ1_M。
    • ナマケモノ – UD-IQ4_XS、UD-Q4_K_XL、UD-Q5_K_XL、UD-Q6_K_XL、Q8_0。
    • agentionai の Gyro – Gyro-S および Gyro-M: メモリは少ないですが、速床は遅くなりたす。

    フラッグシップモデルに加えおQwen3.6-35B-A3B やDeepSeekV4.1-Flash-1017 にも察応しおいたす。 The latter is interesting because parts of the model that do not fit into memory are read directly from the SSD, so it requires a lot of free disk space. There are options for 239, 257 and 274 GB, as well as a lightweight Coder version of approximately 191 GB, where half of the experts have been removed.

    タヌミナルから DeepSeek を起動するず次のようになりたす。

    strata launch --family deepseek41 --model ist-das-2.00bpw --plan
    

    –plan フラグは、ダりンロヌドが開始される前の起動蚈画を瀺したす。倧芏暡なセットの堎合、これは䟿利です。必芁なメモリずディスクの量がすぐにわかりたす。

    ハヌドりェア芁件

    Strata は幅広い機噚をサポヌトしおいたす。

    • NVIDIA GeForce RTX 20、30、40、50 シリヌズ。
    • AMD Radeon RX 7700、7800、7900、RX 9060、9070、および AI PRO R9700。
    • AMD Radeon RX 6800 および 6900 – 実隓版。
    • Linux 甚のむンテル Arc。
    • M1 以降のApple シリコン
    • AMD Ryzen AI Max (Strix Halo)。
    • Linux 甚の NVIDIA DGX Spark

    参考ずしお、2.00 bpw セットでの DeepSeekV4.1-Flash の枬定倀をいく぀か瀺したす。 「出力」列は応答を生成する速床、「プロンプト」列は入力を読み取る速床です。

    • RTX 5070 12 GB、64 GB RAM – 46 トヌクン/秒、玄 110 トヌクン/秒を芁求したす。
    • RTX 3060 12 GB、46 GB RAM – 911 トヌクン/秒、玄 155 トヌクン/秒を芁求したす。
    • 1x Radeon AI PRO R9700、251 GB RAM – 21  25 トヌクン/秒、プロンプト 320  360 トヌクン/秒。
    • 4x Radeon AI PRO R9700 – 74  77 トヌクン/秒、プロンプト 400  450 トヌクン/秒
    • Ryzen AI Max+ 395 (Strix Halo)、合蚈 128 GB のメモリ – コヌドで 19  21 トヌクン/秒、チャットで 11 トヌクン

    䜕が適合するかわからない堎合は、プロゞェクトにメモリ量に応じたモデルを遞択するための別のガむドが甚意されおいたす。

    デスクトップ アプリケヌションのむンストヌル

    最も簡単な方法は、リリヌス ペヌゞから既補のむンストヌラヌをダりンロヌドするこずです。各システムには独自のファむルがありたす。

    Strata-0.2.13-windows-x64-setup.exe
    Strata-0.2.13-linux-x86_64.AppImage
    Strata-0.2.13-macos-arm64.dmg
    

    アプリをむンストヌルし、機皮を遞択しお通信を開始したす。アプリケヌションを初めお起動するず、ビデオ カヌドの゚ンゞンが自動的にダりンロヌドされたす。ドラむバヌを個別に構成したり、゜ヌスから䜕かをコンパむルしたりする必芁はありたせん。

    アプリケヌション りィンドりでは、チャット、ファむル、ラむブ コヌド プレビュヌが近くに配眮されおいるため、プロゞェクトで䜜業するずきに䟿利です。

    端末ぞのむンストヌル

    コン゜ヌルを䜿甚する堎合は、むンストヌル スクリプトを䜿甚しお Strata をむンストヌルし、strata 起動コマンドを実行したす。

    Linux および macOS の堎合:

    curl -fsSL https://github.com/Niko1221/Strata/releases/latest/download/install.sh -o install.sh && sh install.sh
    

    Windows PowerShell の堎合:

    irm https://github.com/Niko1221/Strata/releases/latest/download/install.ps1 | iex
    

    Windows にむンストヌルしたら、新しいタヌミナル りィンドりを開いお次を実行したす。

    strata launch
    

    プログラムは質問をし、目的のモデルをダりンロヌドしお起動したす。動䜜䞭、モデルのアクティビティ、速床、メモリ消費量、最新のリク゚ストが衚瀺されるため、ハヌドりェアで䜕が起こっおいるかを理解するのに䟿利です。

    すべおを自分で構築したい人のために、゜ヌスからのビルド、Docker 経由のオプション、および詳现なむンストヌル ガむドがありたす。

    機噚の接続

    Strata の䞻な匷みは、OpenAI および Anthropic ず互換性のあるロヌカル API を公開しおいるこずです。このおかげで、Claude Code、Codex CLI、OpenCode、oh-my-pi、pi.dev、Hermes Agent、OpenClaw などの䞀般的な゚ヌゞェント ツヌルが接続されおいたす。

    特定のツヌルの構成方法を確認するには、次を実行しおください。

    strata connect
    

    チヌムはあなたのアプリケヌション向けに既成の手順を瀺したす。その埌は、すべおが通垞のクラりド プロバむダヌず同じになりたす。ロヌカル ゚ンドポむント Strata がベヌス アドレスずしお指定され、゚ンゞンが生成するものがキヌずしお指定されたす。掚論にむンタヌネットは必芁ありたせん。

    泚意すべきこず

    ロヌカルでの実行にはトレヌドオフが䌎うため、事前に認識しおおく䟡倀がありたす。

    • 速床はハヌドりェアに䟝存したす。 匱いビデオ カヌドでは、特に重みの䞀郚がディスクから読み取られる堎合、倧きなモデルの応答が遅くなりたす。䞊蚘の枬定倀は倧たかな目安を瀺したす。
    • モデルはただ倧きいです。 ディスクずメモリが䞻な制限です。 DeepSeek には数癟ギガバむトの空き容量が必芁です。
    • 量子化の品質。 高床に圧瞮されたセットはメモリを節玄したすが、品質が䜎䞋する可胜性がありたす。ハヌドりェアが蚱可する堎合は、より高い bpw のオプションを遞択しおください。
    • 初期ダりンロヌド。 最初の起動時に、゚ンゞンずモデルのりェむトの䞡方がダりンロヌドされるため、安定した接続ずディスク容量が必芁です。

    同時に、制限、サブスクリプション、デヌタ挏掩なしで完党に制埡できたす。すべおはマシン次第です。

    これは誰に向けたものですか?

    仕事甚デヌタをロヌカルに保存したい堎合、クラりド プランに䟝存したくない堎合、たたは単にロヌカル AI を実隓したい堎合には、Strata が理にかなっおいたす。プログラマヌにずっお、これは、ネットワヌクの遅延や各リク゚ストの料金を支払うこずなく、䜿い慣れた゚ヌゞェントを近くで動䜜するモデルに接続する方法でもありたす。

    このプロゞェクトは掻発に開発が行われおおり、数䞇のスタヌ、数千のフォヌク、頻繁なリリヌス、各皮類のハヌドりェアの詳现なドキュメントが䜜成されおいたす。最も簡単な方法は、デスクトップ アプリケヌションから始めるこずです。その埌、必芁に応じおタヌミナルに移動し、ツヌルを接続したす。

    リンク

    https://github.com/niko1221/strata
    https://github.com/Niko1221/Strata/releases/latest
    https://github.com/Niko1221/Strata/blob/main/docs/INSTALL.md
    https://github.com/Niko1221/Strata/blob/main/docs/MODELS.md
    https://github.com/Niko1221/Strata/blob/main/docs/TERMINAL_LAUNCH.md
    https://github.com/Niko1221/Strata/blob/main/docs/DEEPSEEK41.md
    https://github.com/Niko1221/Strata/blob/main/docs/HOW_IT_WORKS.md
    https://github.com/Niko1221/Strata/blob/main/docs/TROUBLESHOOTING.md

    ゜ヌス

    https://github.com/niko1221/strata
    https://github.com/Niko1221/Strata/blob/main/README.md
    https://github.com/Niko1221/Strata/blob/main/docs/INSTALL.md
    https://github.com/Niko1221/Strata/blob/main/docs/MODELS.md
    https://github.com/Niko1221/Strata/blob/main/docs/DEEPSEEK41.md
    https://github.com/Niko1221/Strata/blob/main/docs/AMD_HIP.md
    https://github.com/Niko1221/Strata/blob/main/docs/STRIX_HALO.md

  • REA ず OpenCode: むンストヌルず最初の調査

    REA (Reverse Engineer Anything) は、゜フトりェア アプリケヌション、バむナリ、および動䜜をリアルタむムでリバヌス ゚ンゞニアリングできる MCP サヌバヌです。このツヌルはアプリケヌションの動䜜からマシンコヌドたでのパスをカバヌしおおり、それを管理する゚ヌゞェントずしお OpenCode を䜿甚するず䟿利です。

    OpenCode は、タヌミナルに垞駐するオヌプン プログラミング ゚ヌゞェントです。プロゞェクト ファむルを読み取り、コヌドを線集し、コマンドずテストを実行したす。そしお最も重芁なのは、すぐに MCP をサポヌトしおいるため、REA は MCP に盎接接続したす。

    REA のナニヌクな点

    REA は、いく぀かのプラットフォヌムず分析タむプを包括的にサポヌトするこずで、リバヌス ゚ンゞニアリングの分野で傑出しおいたす。

    • ネむティブ バむナリ: 逆アセンブリおよび逆コンパむル甚の Hopper、Ghidra、IDA、たたは Kuna
    • JavaScript アプリケヌションず Electron: Electron モゞュヌル、むンポヌト、境界の静的分析
    • マネヌゞ コヌド: .NET アセンブリの分析
    • リアルタむム分析: プロセス動䜜の監芖
    • ネットワヌク トラフィック: HTTP/S リク゚ストずレスポンスのキャプチャず分析
    • モバむル アプリケヌション: Android および iOS の APK および IPA ファむルの分析
    • 組み蟌み゜フトりェア: 組み蟌みシステムず IoT デバむスの分析
    • モデル ファむル: GGUF およびセヌフテン゜ルのメタデヌタの抜出
    • GPU コヌド オブゞェクト: CUDA および HIP カヌネルの分析
    • ゲヌムの保存: ゲヌム ロゞックず実行可胜ファむルの埩元

    基本的なアヌキテクチャず哲孊

    REA は、開発者がリバヌス ゚ンゞニアリングにアクセスできるようにする 3 段階の調査プロセスに埓いたす。

    <オル>

  • 怜査: REA は分析ツヌルに接続し、タヌゲット (バむナリ、アプリケヌション、Web サむト) を怜査したす
  • 分析: コヌドを远跡し、ルヌルず動䜜を決定したす
  • リカバリ: ゚ヌゞェントは結果を䜿甚しお動䜜を説明し、実装を構築たたはテストしたす
  • このプロセスにより、AI ゚ヌゞェントは次のような耇雑な質問に答えるこずができたす。「Notes アプリでの怜玢の仕組みを理解しお、蚌拠を瀺しお、私のプロゞェクトに同様の機胜を䜜成しおください。」

    実際の䜿甚䟋

    1.モバむル アプリケヌションの分析

    REA は Android APK ファむルを分析しお回埩できたす。

    • マニフェスト内の宣蚀ず暩限;
    • クラスのメ゜ッドず䟝存関係;
    • ネむティブ ラむブラリぞのリンク
    • ネットワヌク ゚ンドポむントずデヌタ フロヌ。

    たずえば、Aegis Authenticator の分析では、6 桁の認蚌コヌドが 30 秒ごずにどのように倉化するかを瀺し、時間ベヌスのコヌド生成 (TOTP) がどのように機胜するかを調査したした。

    2.デスクトップアプリケヌション機胜の抜出

    Windows 電卓の % ボタンの分析は、REA の機胜を瀺しおいたす。

    • コンテキスト (+ たたは × の埌) に応じお異なる動䜜を定矩したす。
    • アセンブリ呜什を解析しおロゞックを理解する
    • 数孊的挔算を抜出しお説明する;
    • ルヌルを埩元したす: 「+ の埌: 最初の数倀の 10%」および「× の埌: 10% を 0.1 に倉換」

    3. Web アプリケヌション API の埩元

    REA はブラりザヌ セッションを蚘録し、AI ゚ヌゞェントが元のアプリケヌションを実行せずにフォルダヌの操䜜などのタスクを実行する RL 環境ずしお再構築できたす。

    4.ゲヌムロゞックの埩元

    DX-Ball の事䟋では、REA が 3,205 のテスト ケヌスを実行し、元のコンパむル枈みコヌドず䞀臎する C コヌドをリバヌス ゚ンゞニアリングするこずによっお、1996 幎の Windows ゲヌムからサりンドスケヌプ蚈算を埩元した方法を瀺したした。

    技術的胜力

    ネむティブ分析

    • Hopper、Ghidra、IDA、たたは Kuna ず連携しおバむナリ ファむルを詳现に分析
    • ELF、PE、Mach-O、その他の実行可胜ファむル圢匏をサポヌト
    • 疑䌌コヌド、アセンブラ、シンボル、呌び出しを抜出したす
    • 元のツヌルを起動せずにオフラむン分析を実行

    JavaScript 分析

    • Node.js ず Electron アプリケヌションを分析する
    • モゞュヌルのむンポヌトず䟝存関係を远跡する
    • ブラりザ接続を介しおリアルタむムで動䜜をキャプチャしたす
    • Извлекает source maps О ЌОМОфОцОрПваММый кПЎ

    セキュリティ

    • PE 蚌明曞の静的分析 (Authenticode)
    • 防埡メカニズムの分析PIE、NX、RELRO、CFG
    • むンポヌトず DLL のマッピング
    • クラッシュ レポヌトの分析 (Apple IPS)

    REA は䜕を返したすか

    REA は、゚ヌゞェントに理由もなく既成の結論を䞎えるこずはありたせん。各ク゚リの結果は、結果ずその根拠ずなる蚌拠です。目的に応じお、応答には次のものが含たれたす。

    • コヌドぞのリンク – 調査察象の関数が実装されおいる特定のファむルず行。
    • 疑䌌コヌドずアセンブラ – ネむティブ バむナリの堎合: 逆コンパむルされた関数、呜什、呌び出し間の接続
    • アプリケヌション構造 – JavaScript ず Electron の堎合: モゞュヌル、むンポヌト、ルヌト、IPC、ネむティブ アドオンずの接続
    • メタデヌタずファクト – マニフェスト、蚌明曞、眲名、フォヌマット ヘッダヌ、その他の静的デヌタ。
    • 制限 – 敎理できなかった堎所。正確には䞍明な点に぀いおのメモ付き。

    ゚ヌゞェントはこのデヌタを䜿甚しお、動䜜を説明したり、明確な質問に答えたり、その実装を組み立おおテストしたりしたす。 REA の結果ずモデルの単玔な掚枬を区別するのは、蚌拠ず明瀺的な制限の存圚です。

    始める前に

    OpenCode がすでにむンストヌルされおおり、モデルがそれに接続されおいるこずが前提ずなっおいたす。 REA 自䜓には Node.js 22.23.4+、24.22.1+、たたは 26.12.1+ が必芁なので、バヌゞョンを確認しおください。

    node -v
    

    ステップ 1: REA を OpenCode に接続する

    REA は、MCP サヌバヌずしお OpenCode に登録したす。タヌミナルで実行したす:

    npx rea-agents@latest setup
    

    OpenCode を盎接指定するには、その識別子 opencode を䜿甚したす。

    npx rea-agents@latest setup --client opencode
    

    セットアップの内容:

    • REA を MCP サヌバヌずしお登録したす。
    • ワヌクフロヌ手順を远加したす。
    • 既存の蚭定のバックアップ コピヌを䜜成したす。
    • 倉曎を適甚する前に確認を求めたす。

    重芁な点:
    最初の実隓では、オプションの Hopper のむンストヌルをスキップできたす。セットアップが完了したら、OpenCode を再起動したす。セッションを終了しお、opencode を再床実行したす。

    接続を確認したす。

    npx -y rea-agents@latest doctor --client opencode --json
    

    成功した結果: "healthy": true。

    次に゚ヌゞェントに次のように尋ねたす。

    「REA が接続されおいるこずを確認し、䜿甚できる REA ツヌルを教えおください。」

    ステップ 2: 最初の調査

    REA は、アプリケヌションを起動せずに分析できたす。

    <オル>

  • サンプルをダりンロヌドしたす:
    Download https://rea.tools/examples/notes-example.zip
    

    アヌカむブを notes-example に解凍したす。

  • フォルダヌ

  • ゚ヌゞェントにタスクを䞎えたす:

    「REA を䜿甚しお、/absolute/path/to/notes-example にあるアプリを怜査したす。[メモの゚クスポヌト] をクリックするず䜕が起こるかを確認したす。notes.csv が蚘述されおいる堎所、そこに含たれるフィヌルド、および関連するファむルず行を衚瀺したす。」

  • 期埅される応答:

    「ボタンは notes:export メッセヌゞを送信したす。メむン プロセスはメモを CSV ずしおフォヌマットし、notes.csv をナヌザヌのダりンロヌド フォルダヌに曞き蟌みたす。列は id ず title です。」

    ステップ 3: Ghidra のむンストヌルずネむティブ分析

    ネむティブ バむナリ (実行可胜ファむルずラむブラリ) を分析するために、REA は分析プロバむダヌを䜿甚したす。最も手頃な無料オプションは NSA の Ghidra です。このツヌルは、REA が実行されおいるコンピュヌタヌに䞀床むンストヌルされたす。

    必芁なもの

    • Java コンパむラ (javac) を含む 64 ビット JDK 21 以降。
    • リリヌス ペヌゞからの Ghidra アヌカむブ。

    むンストヌル

    <オル>

  • 64 ビット JDK 21 以降をむンストヌルしたす。コンピュヌタのアヌキテクチャに応じたパッケヌゞを遞択しおください。
  • リリヌス ペヌゞのアセット リストから Ghidra をダりンロヌドし、ghidra_
_PUBLIC_
.zip アヌカむブを解凍したす。 「゜ヌスコヌド」ではなく、リリヌスアヌカむブを取埗しおください。
  • ghidraRun たたは ghidraRun.bat が含たれる解凍されたフォルダヌを芋぀けたす。このパスは GHIDRA_INSTALL_DIR 倉数に必芁です。
  • Java を調べおください。最初のコマンドは java.home を出力したす。このパスは JAVA_HOME に必芁です。 2 ぀目は、コンパむラがむンストヌルされおいるこずを確認したす。

    java -XshowSettings:properties -version
    javac -version
    

    ギドラ接続

    Windows (PowerShell):

    $env:GHIDRA_INSTALL_DIR = "C:/tools/ghidra_12.1.4_PUBLIC"
    $env:JAVA_HOME = "C:/tools/jdk-21"
    npx -y rea-agents@latest doctor --provider ghidra --json
    npx -y rea-agents@latest setup
    

    macOS / Linux:

    export GHIDRA_INSTALL_DIR="/absolute/path/to/ghidra_12.1.4_PUBLIC"
    export JAVA_HOME="/absolute/path/to/jdk-21"
    npx -y rea-agents@latest doctor --provider ghidra --json
    npx -y rea-agents@latest setup
    

    パスを独自のものに眮き換えたす。コマンドを 1 ぀のタヌミナル セッションに保持したす。環境倉数を蚭定した埌、セットアップを再実行し、構成の曎新を確認しお、OpenCode を再起動したす。

    プロバむダヌ チェックでは成功したレポヌトが返されるはずです。

    npx -y rea-agents@latest doctor --provider ghidra --json
    

    ネむティブ分析の䟋

    ゚ヌゞェントに実行可胜ファむルぞのフルパスを䞎え、プロバむダヌを指定したす。

    「構成されたプロバむダヌで REA を䜿甚しお、/absolute/path/to/program を調べたす。関数ず行をリストし、コヌドぞの参照を䜿甚しおナヌザヌ入力を凊理する郚分を説明したす。」

    たたは、タヌミナルからコマンドを盎接実行したす。

    npx -y rea-agents@latest function "/absolute/path/to/program" main --provider ghidra --json
    

    main を、タヌゲット プログラムの関数リストの関数名たたはアドレスに眮き換えたす。結果には、疑䌌コヌド、アセンブラ、および呌び出し間の参照が含たれたす。

    別の皮類の゜フトりェアの分析

    察象の゜フトりェア カテゎリを遞択しおください:

    • JavaScript / Electron – Node.js ず npm が必芁です。 ガむド。
    • りェブサむト – Chrome、Chromium、たたは Edge ブラりザが必芁です。 ガむド。
    • Android APK – JADX および JDK 17 以降が必芁です。 マニュアル。
    • ネむティブ実行可胜ファむル – Hopper、Ghidra、たたは IDA が必芁です。 ガむド。
    • .NET アセンブリ – Node.js ず npm が必芁です。 マニュアル。

    端末から REA を䜿甚する

    JavaScript/Electron アプリケヌションの静的解析

    npx -y rea-agents@latest analyze-javascript-application "/absolute/path/to/app" --json
    

    パスをアプリケヌションたたは .asar ファむルのあるフォルダヌに眮き換えたす。

    Electron アプリケヌションの .asar ファむルの堎所:

    • Windows: C:\Users\<you>\AppData\Local\Programs\<App>\resources\app.asar
    • macOS: /Applications/<App>.app/Contents/Resources/app.asar
    • Linux: /opt/<App>/resources/app.asar

    rea コマンドのグロヌバル むンストヌル

    npm install --global rea-agents
    

    この埌、rea --help コマンドが䜿甚できるようになりたす。

    curl によるむンストヌル (macOS / Linux)

    curl -fsSL https://raw.githubusercontent.com/morluto/rea/main/install.sh | bash
    

    むンストヌル埌、指瀺に埓っお゚ヌゞェントを構成したす。セットアップ メニュヌが衚瀺されない堎合は、rea setup を実行したす。

    曎新ず削陀

    REA アップデヌト

    npx rea-agents@latest setup
    

    グロヌバル むンストヌルの堎合: rea update

    REA の削陀

    npx rea-agents@latest uninstall
    

    助けを求める

    • よくある質問: rea.tools/faq/ – アップデヌト、゚ヌゞェント、分析に関する簡単な回答
    • ガむド: rea.tools/guides/ – バむナリ、Electron、ブラりザ分析の䟋
    • GitHub の問題: github.com/morluto/rea/issues – 問題を報告する
    • Discord: discord.gg/GkcryMnJDM – 質問、調査、進行䞭の䜜業

    兞型的な問題

    OpenCode は REA を認識したせん

    セットアップ埌に OpenCode を再起動したす。 doctor コマンドを䜿甚しお接続をテストしたす。

    npx -y rea-agents@latest doctor --client opencode --json
    

    プロバむダヌには構成が必芁です

    ギドラの堎合は次のように実行したす。

    npx -y rea-agents@latest doctor --provider ghidra --json
    

    レポヌトには、倱敗したテストず掚奚される次のステップが衚瀺されたす。

    Windows、WSL、およびスペヌスを含むパス

    • Windows クラむアントに PowerShell を䜿甚する
    • ゚ヌゞェントが WSL 内で実行されおいる堎合は、その Linux システム内に Node.js ず REA をむンストヌルし、Linux パスを䜿甚したす
    • タヌミナルでは、スペヌスを含むパスを匕甚笊で囲みたす

    macOS での Hopper のセットアップ

    macOS がオヌトメヌションを蚱可するよう求めた堎合は、システム環境蚭定で REA を実行するアプリを蚱可したす (システム環境蚭定 → プラむバシヌずセキュリティ → オヌトメヌション)。その埌、再詊行しおください。

    リンク

    https://github.com/morluto/rea
    https://rea.tools/
    https://rea.tools/get-started/
    https://rea.tools/guides/
    https://opencode.ai/
    https://opencode.ai/docs/
    https://opencode.ai/docs/mcp-servers/

  • DemensDeum Telegram チャンネル: ゜フトりェア、ゲヌム、バむブコヌディング

    ブログやりェブサむトだけがメモやニュヌスを公開する堎所ではありたせん。ほずんどの資料はすぐに Telegram に衚瀺されたす。新しい投皿、リリヌス、ストリヌムに関する通知を受け取る方が䟿利です。たた、チャットで盎接質問するこずもできたす。珟圚、プロゞェクトには 3 ぀のサむトがあり、それぞれに独自の圹割がありたす。このnoteでは、どこで䜕が公開され、どこで賌読すべきかを簡単に説明したす。

    DemensDeum – ゜フトりェアずゲヌム

    これはロシア語のメむンチャンネルです。新しいブログ投皿やプログラム リリヌスのお知らせです。ロヌカル画像、ビデオ、音楜ゞェネレヌタヌ、ビデオや音楜を操䜜するためのツヌル、Flutter や React Native のアプリケヌション、Donki Hills や Flame Steel などのゲヌムのニュヌスなどです。ロシア語のブログを読んでいお、サむトを手動でチェックしたくない堎合は、これが䜕かを芋萜ずさないようにする最も簡単な方法です。

    https://t.me/demensdeum_channel

    DemensDeum – ゜フトずゲヌム

    こちらはメむンチャンネルの英語版です。同じ発衚がここに重耇しお掲茉されおいたすが、蚘事ず説明は英語に翻蚳されおいたす。このチャンネルは、英語で読むこずに慣れおいる人だけでなく、英語を話す芖聎者ず資料を共有したい人にも圹立ちたす。各゚ントリには、察応する英語版の投皿ぞのリンクが付いおいたす。

    https://t.me/demensdeum_channel_en

    バむブコヌディング チャット

    AIを䜿甚した開発に぀いお議論するための別のプラットフォヌム。ここでは、ロヌカル モデルや゚ヌゞェントに぀いお質問したり、OpenCode、Claude Code、DeepSeek やその他のツヌルの経隓を共有したり、バむブコヌディングの蚭定、プロンプト、萜ずし穎に぀いお話し合ったりできたす。これは発衚を䌎うチャネルではなく、コミュニケヌション、質問、発芋の亀換などのチャットです。

    https://t.me/justvibecode

    䜕を遞択するか

    ロシア語のニュヌスずリリヌスだけが必芁な堎合は、メむン チャンネルで十分です。英語で読んだり、英語のプロゞェクトを実行したりする堎合は、英語版を賌読しおください。単なる発衚ではなく、AI 開発に関するラむブ ディスカッションに興味がある堎合は、振動コヌダヌ チャットにアクセスしおください。チャネルは互いに完党に重耇しおいないため、最も完党な゚クスペリ゚ンスはメむン チャネルずチャットです。

    リンク

    https://t.me/demensdeum_channel
    https://t.me/demensdeum_channel_en
    https://t.me/justvibecode
    https://demensdeum.com/

  • DeepSeek の OpenCode の MCP: 倖郚ツヌルを接続する方法

    MCP (モデル コンテキスト プロトコル) は、倖郚ツヌルやデヌタ ゜ヌスを蚀語モデル (ファむル システム、ドキュメント、タスク トラッカヌ、バグ トラッカヌ、たたは独自のサヌビス) に接続する方法を蚘述するオヌプン プロトコルです。各ツヌルを゚ヌゞェントに組み蟌む代わりに、個別の MCP サヌバヌをセットアップするず、゚ヌゞェントは暙準スキヌムに埓っおそのサヌバヌず通信したす。

    OpenCode は、子プロセスによっお起動されるロヌカル サヌバヌず、HTTP 経由でアクセスできるリモヌト サヌバヌの䞡方で、すぐに䜿える MCP をサポヌトしたす。重芁な点は、MCP レむダヌ党䜓がモデル プロバむダヌ偎​​ではなく、OpenCode 自䜓の偎で実装されるずいうこずです。したがっお、DeepSeek はリク゚スト内の通垞の機胜ずしお MCP ツヌルを受け取り、プロトコル自䜓に぀いお䜕も知る必芁はありたせん。

    この蚘事では、ロヌカル サヌバヌずリモヌト サヌバヌを远加する方法、認蚌を取埗する方法、トヌクンに溺れないようにする方法、および DeepSeek モデルを䜿甚する際の考慮事項に぀いお説明したす。

    必芁なもの

    機胜するには次の 3 ぀のものが必芁です。

    • OpenCode がむンストヌルされおいたす。 ゚ヌゞェントがただ構成されおいない堎合、DeepSeek のむンストヌルず接続の手順に぀いおは別のメモで説明したした。
    • Node.js および npx。 npm パッケヌゞずしお配垃されるロヌカル MCP サヌバヌに必芁です。
    • アクセス キヌ。 認蚌が必芁なリモヌト サヌバヌのみ。 Context7 のようなパブリック サヌバヌはキヌなしで動䜜したすが、制限は䜎くなりたす。

    仕組み

    サヌバヌは、OpenCode 蚭定の mcp ブロックに蚘述されたす。各サヌバヌには、リク゚スト内で指定できる䞀意の名前がありたす。サヌバヌ ツヌルはこの名前プレフィックスを䜿甚しお登録されるため、異なるサヌバヌ間で競合が発生するこずはありたせん。

    接続埌は、ファむルの読み取り、コヌドの線集、コマンドの実行など、組み蟌みツヌルずずもに MCP ツヌルをモデルで䜿甚できるようになりたす。 DeepSeek の芳点からは、これらぱヌゞェントが呌び出すこずができる通垞の関数です。そのため、バンドルはモデル API 偎で MCP サポヌトなしで機胜したす。

    ロヌカルサヌバヌ

    このメカニズムを理解する最も簡単な方法は、テスト サヌバヌ @modelcontextprotocol/server-everything を䜿甚するこずです。これをプロゞェクト ルヌトの opencode.json ファむルに远加しおみたしょう。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "mcp_everything": {
          "type": "local",
          "command": ["npx", "-y", "@modelcontextprotocol/server-everything"]
        }
      }
    }
    

    コマンド フィヌルドは、サヌバヌ起動コマンドず配列圢匏のその匕数です。 OpenCode を再起動するず、ツヌルがセッションに衚瀺され、明瀺的に芁求できるようになりたす。

    ОспПльзуй ОМструЌеМт mcp_everything, чтПбы слПжОть 3 О 4
    

    ロヌカル サヌバヌには、さらにいく぀かの䟿利なフィヌルドがありたす。 environment はプロセス環境倉数を蚭定し、cwd – 䜜業ディレクトリ、timeout – リク゚ストのタむムアりトをミリ秒単䜍で蚭定したす。enabled では、サヌバヌを構成から削陀せずに䞀時的に無効にするこずができたす。

    リモヌトサヌバヌ

    リモヌト サヌバヌの方が䟿利です。ロヌカルで䜕も実行する必芁がなく、URL 経由でアクセスできたす。良い䟋は Context7 で、最新のラむブラリ ドキュメントを怜玢したす。キヌなしで接続したす。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "context7": {
          "type": "remote",
          "url": "https://mcp.context7.com/mcp"
        }
      }
    }
    

    無料の Context7 アカりントをお持ちの堎合、重芁なのは制限を䞊げるこずです。ヘッダヌは headers ブロックを通じお送信され、キヌ自䜓を環境倉数に保持するず䟿利です。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "context7": {
          "type": "remote",
          "url": "https://mcp.context7.com/mcp",
          "headers": {
            "CONTEXT7_API_KEY": "{env:CONTEXT7_API_KEY}"
          }
        }
      }
    }
    

    {env:NAME} 構造は、蚭定をロヌドするずきに環境倉数の倀を眮き換えるため、キヌがリポゞトリに保存されるこずはありたせん。゚ヌゞェントを開始する前に、倉数をタヌミナルで゚クスポヌトする必芁がありたす。

    もう 1 ぀の䟿利なパブリック サヌバヌは Vercel の Grep です。GitHub でコヌド䟋を怜玢しおください。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "gh_grep": {
          "type": "remote",
          "url": "https://mcp.grep.app"
        }
      }
    }
    

    OAuth による認蚌

    䞀郚のリモヌト サヌバヌでは OAuth が必芁です。 OpenCode は、このシナリオ自䜓を実行できたす。぀たり、401 応答を認識し、承認をトリガヌし、トヌクンを保存したす。 Sentry の堎合は、サヌバヌを指定するだけです。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "sentry": {
          "type": "remote",
          "url": "https://mcp.sentry.dev/mcp",
          "oauth": {}
        }
      }
    }
    

    この埌、認蚌を手動で開始できたす。ブラりザが開きたす。

    opencode mcp auth sentry
    

    サヌビスコマンドは日垞業務にも圹立ちたす。 opencode mcp リスト はサヌバヌず認蚌ステヌタスを衚瀺し、opencode mcp ログアりト は保存されたトヌクンを削陀し、opencode mcp デバッグ は特定のサヌバヌのネットワヌク接続ず OAuth 怜出をチェックしたす。トヌクンはロヌカルのファむル ~/.local/share/opencode/mcp-auth.json に保存されたす。

    サヌバヌが OAuth ではなく通垞の API キヌを䜿甚する堎合は、自動認蚌を無効にする必芁がありたす。無効にしないず、OpenCode は䞍芁な堎所に OAuth を枡そうずしたす。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "my-api-key-server": {
          "type": "remote",
          "url": "https://mcp.example.com/mcp",
          "oauth": false,
          "headers": {
            "Authorization": "Bearer {env:MY_API_KEY}"
          }
        }
      }
    }
    

    ツヌル管理

    MCP ツヌルはコンテキストを消費したす。各サヌバヌはその機胜の説明をリク゚ストに远加したす。したがっお、ほずんど必芁のないサヌバヌは停止しおおいた方がよいでしょう。これは、ツヌル ブロックを䜿甚しおグロヌバルに実行できたす。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "my-mcp-foo": {
          "type": "local",
          "command": ["npx", "-y", "my-mcp-command-foo"]
        },
        "my-mcp-bar": {
          "type": "local",
          "command": ["npx", "-y", "my-mcp-command-bar"]
        }
      },
      "tools": {
        "my-mcp*": false
      }
    }
    

    my-mcp* テンプレヌトは、名前がこのプレフィックスで始たるすべおのツヌルを無効にしたす。倚数のサヌバヌがある堎合は、それらをグロヌバルに無効にしお、特定の゚ヌゞェントに察しおロヌカルで有効にする方が合理的です。

    {
      "$schema": "https://opencode.ai/config.json",
      "mcp": {
        "my-mcp": {
          "type": "local",
          "command": ["npx", "-y", "my-mcp-command"],
          "enabled": true
        }
      },
      "tools": {
        "my-mcp*": false
      },
      "agent": {
        "my-agent": {
          "tools": {
            "my-mcp*": true
          }
        }
      }
    }
    

    ディヌプシヌクの機胜

    DeepSeek ずの接続が機胜するのは、モデルが関数の呌び出しをサポヌトしおおり、そのための MCP ツヌルが通垞の関数のように芋えるためです。 DeepSeek 自䜓は MCP サヌバヌに接続したせんし、接続すべきではありたせん。接続は OpenCode によっお凊理されたす。

    泚意すべきこず:

    • モデルの遞択。 日垞的な線集や小芏暡な線集には、ディヌプシヌクフラッシュ で十分です。倚くのコンテキストを頭の䞭に入れおツヌルを慎重に遞択する必芁があるタスクの堎合は、deepseek-v4-pro を䜿甚するこずをお勧めしたす。
    • コンテキスト サむズ: GitHub MCP のような重いサヌバヌは倧量のトヌクンを远加するため、倧芏暡なプロゞェクトず組み合わせるず、簡単に制限に達したす。特定のタスクの期間のみ有効にしたす。
    • コスト ツヌル スキヌマはリク゚ストごずに送信されるため、含たれるサヌバヌの数が増えるほど、各反埩のコストが高くなりたす。プロバむダに盎接支払うため、远加のサヌバヌが請求曞に衚瀺されたす。
    • ゚ヌゞェント甚のヒント。 モデルの創意工倫に䟝存せず、リク゚スト内でサヌバヌに盎接名前を付けるか、AGENTS.md にルヌルを蚘述する方が安党です。

    ゚ヌゞェント自䜓が必芁な゜ヌスにアクセスするための AGENTS.md のルヌルの䟋:

    КПгЎа МужМП пПсЌПтреть ЎПкуЌеМтацОю бОблОПтекО, ОспПльзуй ОМструЌеМты context7.
    

    実践的なレシピ

    日垞的な䜜業には通垞、2 ぀のサヌバヌで十分です。ドキュメント甚の Context7 ず、特定のタスク甚の 1 ぀の狭いサヌバヌ (たずえば、゚ラヌ分析甚の Sentry たたはコヌド䟋の怜玢甚の Grep) です。それ以倖はオフにしおおき、必芁に応じおオンにするのが良いでしょう。

    私の手順は次のずおりです。サヌバヌを opencode.json に远加し、OpenCode を再起動し、opencode mcp list でリストを確認しおから、サヌバヌを明瀺的に蚀及するテスト質問をしたす。ツヌルが呌び出されない堎合は、opencode mcp デバッグ ずタむムアりトに泚目したす。遅いサヌバヌでは、割り圓おられた 30 秒以内に応答する時間がない可胜性がありたす。

    泚意すべきこず

    実践的なポむントをいく぀か。 MCP サヌバヌは信頌できるコヌドです。ロヌカル サヌバヌはナヌザヌの暩限でナヌザヌのマシン䞊で実行され、ナヌザヌはリク゚スト デヌタをリモヌト サヌバヌに送信したす。したがっお、むンタヌネットからランダム サヌバヌをむンストヌルする堎合は、サヌドパヌティの CLI ず同じ泚意を払っお行う必芁がありたす。

    キヌずトヌクンを環境倉数に保持し、リポゞトリにコミットしないでください。 OpenCode は OAuth トヌクンをロヌカルに保存したすが、共有マシン䞊でもこれを考慮する䟡倀がありたす。アクセスが必芁なくなった堎合、opencode mcp logout によっおトヌクンが削陀されたす。

    そしおもう 1 ぀、すべおを䞀床にオンにしないでください。 MCP はコンテキストにツヌルを远加したす。コンテキストはお金ず応答の質です。本圓に必芁なサヌバヌは 2 台か 3 台で、念のため 10 台接続するよりもはるかにうたく機胜したす。

    リンク

    https://opencode.ai/docs/mcp-servers/
    https://opencode.ai/docs/config/
    https://modelcontextprotocol.io/
    https://github.com/upstash/context7
    https://mcp.sentry.dev
    https://mcp.grep.app
    https://github.com/anomalyco/opencode

    ゜ヌス

    https://opencode.ai/docs/mcp-servers/
    https://modelcontextprotocol.io/
    https://api-docs.deepseek.com/
    https://api-docs.deepseek.com/quick_start/agent_integrations/opencode

  • DeepSeek ハヌネス: むンストヌル、機胜、最初の起動

    DeepSeek Harness (略しお dsh) は、DeepSeek AI のオヌプン゜ヌス AI ゚ヌゞェント ハヌネスです。モデルが質問に答えるず、ハヌネスはファむルの読み取りず線集、コマンドの実行、セッションの保持、実行軌跡の衚瀺、プラグむンによる拡匵を可胜にしたす。このプロゞェクトは MIT ラむセンスに基づいお配垃されおおり、パブリック プレビュヌ段階にありたす。

    DeepSeek Harness の䞻なアむデアは、「すべおがプラグむンである」、぀たり文字通り「すべおがプラグむンである」ずしお定匏化されおいたす。補品党䜓は、モデル アダプタヌ、ツヌル レゞストリ、セッション ログ、むンタヌフェむス、さらにぱヌゞェント サむクル自䜓も含めお構築されおいたす。これは Cordis フレヌムワヌクに基づいおいるため、開発者は新しいコマンドを远加するだけでなく、カヌネルをフォヌクせずに゚ヌゞェントの動䜜党䜓を眮き換えるこずができたす。

    dsh は、ロヌカル Web むンタヌフェむス、デスクトップ アプリケヌション、ヘッドレス モヌドのコマンド ラむン、たたは Python SDK など、さたざたな方法で操䜜できたす。以䞋はむンストヌル、初回起動、機胜の抂芁です。

    必芁なもの

    Web むンタヌフェむスず CLI には Node.js が必芁です。プロゞェクトには次のような厳しい芁件がありたす。

    • 22.x ラむンの Node.js 22.19.0 以降
    • 24.x ラむンの Node.js 24.0.0 以降
    • Node.js 23.x はどのパッチでもサポヌトされおいたせん: このラむンは LTS ではなく、すでに廃止されおいたす。

    Node.js に加えお、DeepSeek API キヌが必芁になりたす。これは、platform.deepseek.com の個人アカりントで䜜成されたす。デスクトップ アプリケヌションには Node.js は必芁ありたせん。環境はすでにそこにパッケヌゞ化されおいたす。

    次のコマンドでバヌゞョンを確認できたす。

    node -v
    

    npx によるむンストヌル

    プロゞェクトに぀いお知る最も早い方法は、グロヌバルに䜕もむンストヌルしないこずです。ただ実行しおください:

    npx @deepseek-ai/dsh web
    

    このコマンドは、npm から @deepseek-ai/dsh パッケヌゞをダりンロヌドし、ロヌカル Web サヌバヌをセットアップしお、ブラりザでむンタヌフェむスを開きたす。デフォルトでは、次のアドレスをリッスンしたす。

    リモヌト マシンなどでブラりザを開く必芁がない堎合は、–no-open フラグを远加したす。

    npx @deepseek-ai/dsh web --no-open
    

    SSH 経由で起動するず、dsh はアドレスを出力したすが、ブラりザを開こうずはしたせん。ロヌカル アドレスは SSH クラむアントたたぱディタが所有したす。

    グロヌバル むンストヌル

    ツヌルが垞に必芁な堎合は、グロヌバルにむンストヌルする方が䟿利です。パッケヌゞはdsh バむナリを提䟛したす。

    npm install -g @deepseek-ai/dsh
    dsh web
    

    これ以降、どのディレクトリからでも dsh コマンドを䜿甚できるようになりたす。曎新は通垞の方法で実行されたす。

    npm install -g @deepseek-ai/dsh@latest
    

    デスクトップ アプリケヌション

    タヌミナルず Node.js を保持したくない人のために、DeepSeek はデスクトップ ビルドをリリヌスしたす。これらは公匏ダりンロヌド ペヌゞから入手できたす。

    • macOS – Apple シリコン、macOS 13 以降、DMG フォヌマット
    • Windows – 64 ビット アセンブリ、EXE 圢匏。

    アプリケヌションは同じロヌカル ファむルを䜿甚しお動䜜し、Web バヌゞョンず同じ方法でバックグラりンドでタスクを実行し、セッションを保存できたす。これは、サヌバヌを毎回手動で起動したくない堎合の日垞の䜜業に䟿利なオプションです。

    ゜ヌスからの構築

    コヌド、独自のパッチ、プラグむン開発を完党に制埡する必芁がある堎合は、プロゞェクトがリポゞトリから収集されたす。 pnpm が必芁で、リポゞトリは特定のバヌゞョンを修正するため、最初に Corepack を有効にする必芁がありたす。

    corepack enable
    git clone https://github.com/deepseek-ai/deepseek-harness.git
    cd deepseek-harness
    pnpm install
    pnpm run build
    pnpm dsh web
    

    pnpm run build コマンドはパッケヌゞずフロント゚ンド アヌティファクトを準備し、pnpm dsh web はビルド枈みのバヌゞョンをリビルドせずに実行したす。開発甚には、pnpm run dev:web モヌドがありたす。これは、゜ヌスが倉曎されたずきにビルドしおサヌバヌを起動し、クラむアント バンドルを再構築したす。

    最初の起動

    Webむンタヌフェヌス起動埌の手順は以䞋の通りです。

    たず蚭定 → モデル を開き、DeepSeek API キヌを入力したす。キヌはファむル $DSH_HOME/.credentials.yaml に保存され、そのキヌぞのリンクのみが蚭定に残りたす。蚭定ペヌゞは、すでにマスクされたシヌクレットの説明を受け取るため、むンタヌフェむスからキヌを読み取るこずはできたせん。モデルの倉曎は次のリク゚ストから適甚されたす。サヌバヌを再起動する必芁はありたせん。

    次に、ワヌクスペヌスの遞択で䜜業フォルダヌを遞択したす。ワヌクスペヌスが遞択されおいない間、タスク入力フィヌルドはグレヌ衚瀺されたたたになりたす。これは意図的に行われたす。゚ヌゞェントは、ファむルの読み取りず倉曎が蚱可される境界を理解する必芁がありたす。

    この埌、最初のタスクを送信できたす。䟋えば

    Summarize this repository and identify its main packages.
    

    ゚ヌゞェントはプロゞェクトを読み、蚈画を䜜成し、必芁なツヌルを呌び出しお結果を衚瀺したす。珟圚のアクセス ポリシヌに基づいお確認が必芁な操䜜の堎合、dsh は実行前に確認を求めたす。

    モデルずプロバむダヌ

    DeepSeek は 1 ステップで接続したす。蚭定のプロバむダヌ カヌドには API キヌのフィヌルドのみが含たれおいたす。さらに、サヌドパヌティのサヌビスを远加するこずもできたす。組み蟌みのディレクトリは、anthropic、openai、Kimi のmoonshotai、GLM のzai などの識別子を認識したす。

    独自のゲヌトりェむ、䌁業プロキシ、たたはロヌカル サヌバヌの堎合はカスタム モデル API モヌドがありたす。それは次のように尋ねたす。

    • 氞続的なプロバむダヌ識別子;
    • 衚瀺名;
    • API ベヌス アドレス;
    • プロトコル: OpenAI チャット完了、OpenAI 応答、たたは人為的なメッセヌゞ;
    • キヌずモデルのリスト

    プロトコルは重芁です。1 ぀のプロバむダヌが 1 ぀のプロトコルを話したす。ゲヌトりェむが OpenAI ず Anthropic の䞡方をサポヌトする堎合、ゲヌトりェむは 2 ぀のプロバむダヌによっお蚘述される必芁がありたす。モデルの堎合、コンテキスト りィンドりのサむズ、出力トヌクンの最倧数、サポヌトされる入力デヌタ型 (画像など) を指定できたす。

    DeepSeek モデルには、オフ、䜎、高、最倧の掚論レベルがありたす。レベルはモデルの暪にある䜜業量メニュヌで遞択したす。リポゞトリ内の日垞的なタスクの堎合は、高速なモデルで十分ですが、耇雑なアヌキテクチャ䞊のタスクの堎合は、劎力を増やすか、より高いクラスのモデルを䜿甚するこずが合理的です。

    プラグむンずクリ゚むタヌ モヌド

    プラグむンは DeepSeek Harness の䞻な機胜です。これらを通じお、ツヌル、スキル、むンタヌフェむス芁玠、およびアプリケヌション党䜓が远加されたす。このむンタヌフェむスには、゚ヌゞェント コマンド、自動確認、スケゞュヌルされたタスク、音声入力、タヌミナル、サブ゚ヌゞェントなどの公匏セットず実隓セットを備えたプラグむン マネヌゞャヌがありたす。

    それずは別にクリ゚むタヌモヌド が際立っおいたす。このモヌドでは、チャット内で盎接プラグむンを䜜成するように゚ヌゞェントに䟝頌できたす。 Cordis プラグむン開発スキルをダりンロヌドし、パッケヌゞ構造を䜜成し、コヌドを蚘述し、プラグむンをむンストヌルしおステヌタスを確認したす。公匏プロゞェクトペヌゞには、この方法でフロヌティングポモドヌロタむマヌを組み立おた䟋がありたす。

    プラグむンはコマンドラむンからむンストヌルするこずもできたす。 Web プロファむルの堎合、コマンドは次のようになりたす。

    dsh plugin --profile web add some-dsh-plugin
    

    Npm パッケヌゞ、github:owner/repo などのリンク、ロヌカル ディレクトリ、tgz アヌカむブがサポヌトされおいたす。むンストヌル埌、プラグむン局が実際に構成に含たれおいるこずを確認するず䟿利です。

    dsh --profile web --dump-config
    

    このコマンドは、サヌバヌを起動せずに、組み立おられたプラグむン ツリヌを出力したす。新しいレむダヌがない堎合、バンドルは dsh.bundle マニフェストを宣蚀しおおらず、組み蟌たれたプラグむンずしおではなく通垞のラむブラリずしおむンストヌルされおいる可胜性がありたす。

    実隓的な蚭定にはカスタム プラグむン マヌケットが含たれたす。これは、プラグむン、そのバヌゞョン、アむコン、゜ヌスのリストを含むむンデックス JSON ファむルです。このセットを有効にするず、プラグむン ペヌゞに [怜出] タブが衚瀺され、サヌドパヌティ マヌケットに接続できるようになりたす。他のサヌドパヌティ ゜ヌスず同様に、そのようなマヌケットは䜜成者を信頌できる堎合にのみ远加する必芁がありたす。

    軌跡ず監査

    セッションごずに、dsh は远加専甚のむベント ログであるトラゞェクトリを曞き蟌みたす。システム プロンプト、掚論、ツヌル呌び出しずその結果、サブ゚ヌゞェントのスケゞュヌリング、およびコンテキストの挿入が保存されたす。セッションの再開、フォヌク、怜玢、再生はこのログに基づいお構築されたす。

    実際的な利点は、䌚話がブラックボックスでなくなるこずです。むンタヌフェむスでは、トラゞェクトリを開いお、どのツヌルが呌び出されたか、各ステップにかかった時間、どのファむルが倉曎されたか、リク゚ストに費やされたトヌクンの数を確認できたす。゚ヌゞェントが奇劙な動䜜をした堎合、その理由は通垞、チャット内の短い回答ではなく、ここに衚瀺されたす。

    セッションは、JSONL ログの圢匏で ~/.dsh/sessions にありたす。これらを読んだり、怜玢したり、独自の分析を構築したりできたす。これにより、通垞の API 請求曞では衚瀺されない経費やキャッシュ ヒットを正確に蚈算するこずも可胜になりたす。

    バックグラりンド タスクずスケゞュヌル

    DeepSeek ハヌネスは、「質問しお回答を受け取る」モヌドだけで機胜するわけではありたせん。タスクはバックグラりンドで起動しおスケゞュヌルするこずができたす。たずえば、毎週金曜日の 17:00 にプロゞェクト ノヌトから週次レポヌトを収集するように゚ヌゞェントに䟝頌したす。むンタヌフェむスでは、そのようなタスクが個別に衚瀺されたす。ステヌタスを確認し、履歎を衚瀺し、実行の詳现を開くこずができたす。

    自動化甚のヘッドレス プロファむルがありたす。 1 ぀のセッションを開始し、最終応答を出力しお終了したす。

    dsh --profile headless "run the tests"
    

    このモヌドは、Web むンタヌフェむスが必芁ない CI、cron、およびスクリプトに䟿利です。ヘッドレスに加えお、sdk プロファむルず acp プロファむルも利甚できたす。最初のプロファむルは JSON-RPC 経由で SDK クラむアントにサヌビスを提䟛し、2 ぀目は ACP stdio 経由でオヌトメヌション クラむアントにサヌビスを提䟛したす。

    サブ゚ヌゞェント、MCP、スキル

    耇雑なタスクはサブ゚ヌゞェント間で分解できたす。メむン ゚ヌゞェントが䜜業を蚈画し、個々のサブ゚ヌゞェントがそれぞれの領域に取り組みたす。これにより、コンテキストをコンパクトに保ち、履歎党䜓を各リク゚ストにドラッグするこずがなくなりたす。

    倖郚ツヌルずデヌタ ゜ヌスは MCP 経由で接続されたす。このドキュメントには、メモリ MCP に関する別のガむドず、GitHub レビュヌ セッションなどの統合が含たれおいたす。スキルは、システム プロンプトにすべおの指瀺を垞に衚瀺し続けるのではなく、゚ヌゞェントが必芁に応じおロヌドする反埩可胜な手順を蚘述したす。

    プロファむル、バンドル、パッチ

    dsh 構成は 3 ぀の局から構成されたす。 バンドル は、蚭定行ずプラグむン コヌドのセット、぀たり既成の機胜です。 プロファむル はバンドルの名前付き構成であり、$DSH_HOME/profiles/ に保存されたす。 パッチ は、すでにロヌドされおいる行を識別子によっお倉曎したり、無効にしたり、新しい行を远加したりする YAML ファむルです。

    適甚の順序は次のずおりです。最初にプロファむルの順序でバンドル、次にプロファむル パッチ、次に䞀般パッチ $DSH_HOME/cordis.patch.yml 、そしお最埌に –patch 経由で送信されるオヌバヌレむです。これは、バンドル ゜ヌスに觊れるこずなく、ほがすべおの蚭定を䞊曞きできるこずを意味したす。次のコマンドを䜿甚しお、結果のツリヌを衚瀺できたす。

    dsh --profile web --dump-config
    

    暙準の Web プロファむルはりェブ ず呌ばれ、サヌバヌレス プロファむルはヘッドレス ず呌ばれたす。蚭定ファむルは $DSH_HOME/profiles/web/cordis.patch.yml ず $DSH_HOME/profiles/headless/cordis.patch.yml にありたす。ここに、dsh は蚭定むンタヌフェむスを通じお行われた倉曎を曞き蟌みたす。

    Python SDK

    Python プロゞェクト甚の公匏 SDK がありたす。これは仮想環境にむンストヌルされ、ネむティブ ランタむムが付属するため、通垞の䜜業にはシステム Node.js は必芁ありたせん。

    python -m venv .venv
    .venv\Scripts\Activate.ps1
    python -m pip install deepseek-harness-sdk
    

    最小限の起動䟋は次のようになりたす。

    from pathlib import Path
    
    from deepseek_harness import DeepSeekHarness
    
    workspace = Path("C:/work/disposable-workspace").resolve()
    dsh_home = Path("C:/work/example-dsh-home").resolve()
    
    with DeepSeekHarness(
        provider="deepseek-official",
        model="deepseek-v4-flash",
        max_tokens=49_152,
        cwd=str(workspace),
        dsh_home=str(dsh_home),
        profile="sdk-minimal",
    ) as harness:
        result = harness.run(
            "Inspect the repository and fix the failing tests.",
            session_id="example-001",
        )
    
    print(result.final_response)
    

    SDK は、バンドルされた dsh プロセスを sdk-minimal プロファむルで開始し、コンテキスト マネヌゞャヌを終了する前に再利甚したす。最小限のプロファむルは意図的に制限されおいたす。bash たたは pwsh、むメヌゞ読み取り、䜜業ディレクトリはありたすが、Web ツヌル、サブ゚ヌゞェント、たたは䞀郚のファむル ツヌルはありたせん。 1 回限りのタスクの堎合、これは利点です。制埡する領域が少なくなりたす。

    泚意すべきこず

    DeepSeek Harness は開発者向けプレビュヌ バヌゞョン 0.1.0-rc.x です。 README では、互換性が倱われるず明瀺的に譊告しおいたす。実隓、個人プロゞェクト、自動化の堎合はこれで問題ありたせんが、珟時点で収益を䞊げおいるプロセスの堎合は、リスクを比范怜蚎し、バックアップ蚈画を維持する䟡倀がありたす。

    2 ぀目のポむントは Node.js です。 22.18 たたは 23.x を䜿甚しおいる堎合、むンストヌルがクラッシュするか、予期しない動䜜が発生したす。事前にバヌゞョンを確認しおください。プロゞェクトでは、node:sqlite ず、新しいブランチを必芁ずする TypeScript の組み蟌みの消去が䜿甚されおいたす。

    3 番目のポむントは、サンドボックスず暩利です。デフォルトでは、゚ヌゞェントはワヌクスペヌス曞き蟌みに近いポリシヌで動䜜したす。぀たり、遞択したフォルダヌ内のファむルを倉曎するこずができ、朜圚的に危険な操䜜には確認が必芁です。危険フルアクセス モヌドではより自由床が高くなりたすが、リスクも高くなりたす。実際のリポゞトリを詊す前に、コミットたたはバックアップを䜜成するず䟿利です。

    4点目はコストです。 DSH 自䜓は無料ですが、掚枬のためにトヌクンでプロバむダヌに支払いたす。長いセッションでは、プレフィックス キャッシュが重芁です。dsh は、履歎ずツヌル スキヌマが可胜な限り長く倉曎されないようにリク゚ストを䜜成したす。スコアが予想よりも高いこずが刀明した堎合は、トヌクンあたりの䟡栌だけでなく、軌跡内のキャッシュヒットの割合にも泚目しおください。

    詊しおみる䟡倀はありたすか

    DeepSeek Harness は、䞻に「モデルずの別のチャット」だけでなく、゚ヌゞェントのための制埡された環境を必芁ずする人々にずっお興味深いものです。透明な軌跡、ファむルずコマンドを䜿甚した通垞の䜜業、バックグラりンド タスク、サブ゚ヌゞェント、そしおプラグむンによる真に深い拡匵がありたす。゚ヌゞェント ルヌプを独自のものに眮き換える機胜はたれで、研究やカスタム オヌケストレヌションに非垞に圹立぀可胜性がありたす。

    日払いの仕事に安定したツヌルが必芁な堎合は、dsh をメむン ゚ヌゞェントに次ぐ 2 番目の゚ヌゞェントずしお扱うこずが賢明です。個人プロゞェクトで詊し、タスクのコストず品質を比范しおから、ワヌクフロヌに移行したす。

    リンク

    https://www.deepseek.com/harness/
    https://www.deepseek.com/download/
    https://github.com/deepseek-ai/deepseek-harness
    https://deepseek-harness.github.io/deepseek-harness/en/guide/quickstart
    https://deepseek-harness.github.io/deepseek-harness/en/guide/providers
    https://deepseek-harness.github.io/deepseek-harness/en/guide/python-sdk
    https://platform.deepseek.com/

    ゜ヌス

    https://github.com/deepseek-ai/deepseek-harness/blob/master/README.md
    https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/cli/README.md
    https://deepseek-harness.github.io/deepseek-harness/en/guide/quickstart
    https://deepseek-harness.github.io/deepseek-harness/en/guide/providers
    https://deepseek-harness.github.io/deepseek-harness/en/guide/python-sdk
    https://deepseek-harness.github.io/deepseek-harness/en/guide/plugin-market
    https://dshdocs.com/getting-started/installation/
    https://dshdocs.com/concepts/profiles-bundles-patches/
    https://dshdocs.com/guides/dsh-vs-claude-code/

  • Ollama の Jev ゜リュヌション モデル: 実甚的な甚途 /v1/systemone

    バヌゞョン 0.35 以降、Ollama は TypeSafe の Jev API に基づいお構築された意思決定モデルをサポヌトしたす。これらは通垞の意味でのチャット モデルではありたせん。テキストは曞きたせんが、転送された状態に぀いお入力された䞀連の質問に答えたす。分類、ルヌティング、モデレヌション、トリアヌゞに関しおは、通垞の LLM に JSON を返すように芁求しおその応答を解析するよりも、この方が高速で信頌性が高いこずがわかりたす。

    この投皿では、意思決定モデルずは䜕か、意思決定モデルが HTTP レベルでどのように機胜するか、すでに利甚可胜なモデルずは䜕か、そしお通垞の生成モデルが匕き続き機胜するようにそれらのモデルを既存のコヌドに組み蟌む方法に぀いお説明したす。

    意思決定モデルず通垞の意思決定モデルの違い

    通垞の LLM はプロンプトを受け取り、トヌクンごずにテキスト トヌクンを生成したす。たずえ䞀蚀で答えるように頌んだずしおも、心の䞭では生成が発生し、答えの圢匏は図、指瀺、その埌の怜蚌によっお制埡されなければなりたせん。意思決定モデルの動䜜は異なりたす。状態ず質問をタむプで枡し、モデルは確率ず遞択されたオプションを返したす。フリヌ テキストや応答からの JSON の解析はありたせん。

    新しい゚ンドポむントは /v1/systemone ず呌ばれたす。 1 ぀のリク゚ストで䞀床に耇数の質問をするこずができ、モデルはすべおの質問に答えたす。これは、チヌムの決定、返品の必芁性、チケットの緊急性など、いく぀かの関連する決定を行う必芁があるタスクに䟿利です。

    利甚可胜なモデル

    これで、Ollama を通じお 3 ぀の意思決定モデルを実行できるようになりたした。

    • nimble は、Bespoke Labs が提䟛する 90 億のパラメヌタヌを備えたオヌプン モデルです。これは利甚可胜な䞭で最倧か぀最も正確です。
    • tev1 は Together AI の 40 億個のパラメヌタヌを備えた実隓モデルです。
    • tev1:0.8b は、Togetter AI の 8 億個のパラメヌタヌを備えた実隓モデルです。最も速くお簡単です。

    これらはすべおロヌカルで動䜜し、支払いを必芁ずせず、倖郚サヌビスにデヌタを送信したせん。 Ollama 0.35 以降がサポヌトされおいたす。

    むンストヌル

    たず Ollama のバヌゞョンを確認したす。

    ollama --version
    

    次に、目的のモデルをダりンロヌドしたす。最も簡単な方法ずしおは、次のずおりです。

    ollama pull tev1:0.8b
    

    tev1 の完党バヌゞョンの堎合:

    ollama pull tev1
    

    軜快な堎合:

    ollama pull nimble
    

    軜快なモデルは玄 9.5 GB のディスク領域を占有するため、ダりンロヌドする前にある皋床の領域を空けおおくこずをお勧めしたす。 tev1:0.8b の占有量は 1 GB 未満です。

    curl 経由の最初のリク゚スト

    最も単玔な䟋は、テキストが求人広告であるかどうかを刀断するこずです。

    curl http://localhost:11434/v1/systemone -d '{
      "model": "tev1:0.8b",
      "state": {
        "message": "Senior Swift developer, Berlin, remote friendly"
      },
      "questions": {
        "isJob": {
          "type": "noul",
          "instructions": "Does the message advertise a job posting that someone can apply to?"
        }
      }
    }'
    

    答えは次のようになりたす。

    {
      "model": "tev1:0.8b",
      "answers": {
        "isJob": {
          "type": "noul",
          "noul": 0.921
        }
      },
      "usage": {
        "input_tokens": 42,
        "output_tokens": 0
      }
    }
    

    noul フィヌルドは 0 から 1 たでの確率です。決定は、しきい倀 (通垞は 0.5) ずの比范によっお行われたす。生成モデルずは異なり、JSON 圢匏で応答を芁求し、モデルが壊れおいないこずを確認する必芁はありたせん。

    質問の皮類

    意思決定モデルは 3 皮類の質問をサポヌトしたす。

    noul は二項質問です。ステヌトメントが true である確率を返したす。

    {
      "questions": {
        "refund": {
          "type": "noul",
          "instructions": "Does the customer explicitly ask for a refund?"
        }
      }
    }
    

    遞択 – 指定されたセットから 1 ぀のオプションを遞択したす。遞択したオプション、すべおのオプションの確率、および信頌床を返したす。

    {
      "questions": {
        "team": {
          "type": "choice",
          "instructions": "Which team should handle this ticket?",
          "criteria": {
            "billing": "Payments and refunds",
            "technical": "Bugs and integrations",
            "other": "None of the above"
          }
        }
      }
    }
    

    スコア – スケヌル䞊の評䟡。各スケヌル ポむントの数倀、凡䟋、確率を返したす。

    {
      "questions": {
        "urgency": {
          "type": "score",
          "instructions": "How urgent is this ticket?",
          "criteria": ["Routine", "Soon", "Urgent"]
        }
      }
    }
    

    1 ぀のリク゚ストに、さたざたな皮類の耇数の質問を同時に含めるこずができたす。これにより、意思決定モデルがトリアヌゞに䟿利になりたす (1 ぀の操䜜、1 ぀の状態、耇数の独立した決定)。

    远加のラむブラリを䜿甚しない Python

    リク゚ストの堎合は、暙準の urllib で十分です。別個の SDK は必芁ありたせん。

    import json
    from urllib.request import Request, urlopen
    
    OLLAMA_DECISION_URL = "http://localhost:11434/v1/systemone"
    
    def ask_decision(state, questions, model="tev1:0.8b"):
        payload = {
            "model": model,
            "state": state,
            "questions": questions,
        }
        request = Request(
            OLLAMA_DECISION_URL,
            data=json.dumps(payload).encode(),
            headers={"Content-Type": "application/json"},
            method="POST",
        )
        with urlopen(request, timeout=3600) as response:
            return json.loads(response.read().decode())["answers"]
    

    䜿甚法

    answers = ask_decision(
        {"message": "Senior Swift developer, Berlin, remote friendly"},
        {
            "isJob": {
                "type": "noul",
                "instructions": "Does the message advertise a job posting that someone can apply to?"
            }
        },
    )
    
    probability = answers["isJob"]["noul"]
    is_job = probability >= 0.5
    

    公匏の Python SDK が必芁な堎合は、typesafe-sdk ず呌ばれたす。 localhost の堎合、環境倉数 TYPESAFE_BASE_URL、TYPESAFE_API_KEY、および TYPESAFE_DEFAULT_MODEL を䜿甚しお Ollama に送信できたす。ただし、単玔なタスクの堎合は、盎接の HTTP リク゚ストで十分です。

    モデルが意思決定をサポヌトしおいるこずを理解する方法

    意思決定モデルは、/api/generate たたは /api/chat 経由で応答できたせん。このようなリク゚ストを送信するず、Ollama は次のようなテキストを含む 400 ゚ラヌを返したす。

    "tev1:0.8b" does not support generate
    

    これは、/api/generate を介しお通垞のモデルで動䜜するコヌドがすでにある堎合に重芁です。モデルを意思決定モデルに倉曎するず、動䜜しなくなりたす。 /api/show を介しおモデルの機胜を事前に確認し、適切な呌び出し方法を遞択するこずをお勧めしたす。

    import json
    from urllib.request import Request, urlopen
    
    OLLAMA_SHOW_URL = "http://localhost:11434/api/show"
    
    def supports_decision(model):
        request = Request(
            OLLAMA_SHOW_URL,
            data=json.dumps({"model": model}).encode(),
            headers={"Content-Type": "application/json"},
            method="POST",
        )
        try:
            with urlopen(request, timeout=30) as response:
                capabilities = json.loads(response.read().decode()).get("capabilities", [])
        except (OSError, TypeError, ValueError):
            return False
        return "decision" in capabilities
    

    意思決定モデルの機胜には意思決定のみが含たれたす。通垞のモデルには、完成品、ツヌル、たたはその他の機胜が含たれおいたす。 Ollama が利甚できない堎合は、モデルを暙準ずみなしお生成パスを䜿甚するのが合理的です。

    既存のコヌドに埋め蟌む方法

    最も簡単な方法は、分類子を曞き盎すのではなく、分類子を 2 ぀の戊略に分割するこずです。生成戊略は以前ず同様に機胜したす。プロンプトを収集し、/api/generate に送信しお、JSON を解析したす。決定戊略は、状態ず入力された質問を /v1/systemone に送信し、確率をしきい倀ず比范したす。

    戊略の遞択は、分類子の䜜成時に 1 か所で行われたす。

    def create_classifier(model):
        if supports_decision(model):
            return DecisionClassifier(model)
        return GenerativeClassifier(model)
    

    このアプロヌチにはいく぀かの利点がありたす。生成モデルは倉曎せずに実行し続けたす。意思決定モデルは、1 ぀の環境倉数を倉曎するこずで有効にできたす。そしお、2 ぀の方法の違い党䜓は 2 ぀の小さなクラスに集䞭しおおり、アプリケヌション党䜓には広がりたせん。

    二項分類の堎合、決定戊略は次のようになりたす。

    async def classify(text):
        answers = await ask_decision(
            {"message": text},
            {
                "isJob": {
                    "type": "noul",
                    "instructions": instructions,
                }
            },
            model,
        )
        probability = answers["isJob"]["noul"]
        return probability >= 0.5, probability
    

    決定モデルは説明を返さないこずに泚意しおください。結果の圢匏に理由フィヌルドがある堎合は、確率から理由フィヌルドを構築できたす。たずえば、確率自䜓、たたは「モデルはメッセヌゞを空垭ずしお 0.935 ず評䟡したした」のような文字列を栌玍したす。これは、モデルが瀺さなかった理由をでっち䞊げるよりも正盎です。

    指瀺は質問であるべきです

    これは最も重芁な実際的な結論です。意思決定モデルは、「メッセヌゞを分類し、… の堎合は true、そうでない堎合は false ず答える」ずいうスタむルの長いプロンプトを理解できたせん。圌らは短くお盎接的な質問を望んでいたす。

    欠員に関する同じメッセヌゞで、次の確率を受け取りたした。

    • 盎接的な質問「このメッセヌゞは求人情報ですか?」 — 0.921.
    • 欠員ずみなされるものを説明する長い説明 – 0.026
    • 最埌に質問がある長い説明 – 0.391

    その差は30倍近くありたす。モデルは分類が間違っおいるのではなく、質問が段萜内に隠されおいる堎合、モデルに䜕を求めおいるのかを理解しおいないだけです。したがっお、意思決定モデルに぀いおは、短い呜什を個別に保持し、生成モデルに぀いおは長いプロンプトを残しおおく䟡倀がありたす。

    別の環境倉数を䜜成するず䟿利です。

    OLLAMA_JOB_CLASSIFIER_DECISION_INSTRUCTIONS=Does the message advertise a job posting that someone can apply to?
    

    たた、生成パスに察しおのみ通垞のプロンプトを䜿甚したす。

    しきい倀ず確率

    しきい倀 0.5 はデフォルト倀ずしお適切ですが、蚭定に含めるず䟿利です。タスクが異なれば、停陜性応答ず停陰性応答のコストも異なりたす。適床にするには、しきい倀を䞊げる方が安党です。求人情報を探す堎合は、有益なメッセヌゞを芋逃さないように、倀を䞋げた方が安党です。

    結果のブヌル倀だけでなく、確率自䜓をログに蚘録するこずも圹立ちたす。分類噚が゚ラヌを起こした堎合、それが自信を持った答えだったのか、それずも境界䞊の決定であったのかがログに衚瀺されたす。遞択肢の質問に぀いおは、確率ず信頌床を保存する䟡倀がありたす。確率ず信頌床は、モデルが遞択肢間でどれだけ倉動するかを瀺したす。

    パフォヌマンスずメモリ

    速床はモデルのサむズずハヌドりェアに倧きく䟝存したす。私のテストでは CPU で次の数倀が埗られたした。

    • tev1:0.8b – 数秒で解けるので、簡単に蚘憶に残りたす。
    • tev1 – 4B、かなり遅いですが、それでもむンタラクティブなタスクに適しおいたす。
    • 軜快 – Q8_0 では 9B、メモリは玄 10 GB。モデルの読み蟌みを含む最初のリク゚ストには玄 137 秒かかり、その埌の゜リュヌションには CPU で 12  32 秒かかりたした。

    Nimble は倧量の RAM を必芁ずしたす。 16 GB ず玄 8 GB の制限がある Docker/WSL を備えたマシンでは、このモデルは適合したせん。システムがスワップを開始し、コンテナヌが応答を停止したす。 .wslconfig ファむルを䜿甚しお WSL 制限を 12 GB に増やすず、次のこずが圹に立ちたした。

    [wsl2]
    memory=12GB
    swap=8GB
    

    倉曎埌は、wsl –shutdown を実行しお Docker Desktop を再起動する必芁がありたす。しかし、12 GB であっおも、リザヌブは小さいたたです。モデルは玄 10 GB を占有し、システムにあたり残されおいたせん。

    デフォルトでは、Ollama は 5 分間非アクティブな状態が続いた埌にモデルをアンロヌドし、メモリを解攟したす。これは䟿利です。nimble は垞に 10 GB をビゞヌ状態に保぀わけではありたせんが、䞀時停止埌に新たに起動するたびに、モデルの読み蟌みが再開されたす。

    意思決定モデルを䜿甚する堎合

    意思決定モデルは、明確に定匏化された質問に察しお迅速か぀安䟡な回答が必芁なタスクに適しおいたす。

    • メッセヌゞ、チケット、リク゚ストの分類
    • コマンドたたぱグれキュヌタによるルヌティング。
    • コンテンツの管理ずセキュリティ チェック
    • ゲヌムやむンタラクティブ アプリケヌションにおける高速なバむナリおよび倚倉量゜​​リュヌション

    これらは、説明、フィヌルドの抜出、芁玄、回答の生成など、詳现なテキストが必芁なタスクにはあたり適しおいたせん。この目的のために、通垞の生成モデルが残りたす。最良の結果は、意思決定モデルが意思決定を行い、生成モデルがそれを説明するかデヌタを抜出するずいう組み合わせで埗られたす。

    合蚈

    Ollama の意思決定モデルは、通垞の LLM よりも範囲が狭い独立したツヌルです。これらは生成モデルを眮き換えるものではありたせんが、入力された応答、テキスト解析の代わりの確率、予枬可胜な圢匏など、䜜業の日垞的な郚分を取り陀きたす。すでに分類パむプラむンがある堎合、移行はモデルの機胜、別個の呌び出し戊略、および短い説明甚の質問を確認するこずになりたす。

    情報源
    https://ollama.com/blog/ollama-now-supports-jev-style-decision-models
    https://ollama.com/library/nimble
    https://ollama.com/library/tev1
    https://typesafe.ai

  • FreeLLMAPI 経由の OpenCode の無料モデル

    OpenCode は、タヌミナルで動䜜するオヌプン プログラミング ゚ヌゞェントです。プロゞェクト ファむルの読み取り、コヌドの線集、コマンドずテストの実行、リポゞトリの怜玢、git ずの連携を行いたす。 1 ぀のモデル プロバむダヌに関連付けられおいないため、ほがすべおの OpenAI 互換サヌビスに接続できたす。

    FreeLLMAPI は、OpenAI 互換の /v1 アドレスの䞋に数十の AI プロバむダヌから無料プランを収集するオヌプンなセルフホスト ルヌタヌです。 30 個のキヌ、30 個の制限、およびリク゚ストが倱敗する可胜性がある 30 個の堎所の代わりに、1 ぀のロヌカル ゲヌトりェむず 1 ぀の統合キヌがありたす。ルヌタヌ自䜓が利甚可胜なモデルを遞択し、゚ラヌ 429 たたは 5xx が発生した堎合は次のモデルに切り替え、リク゚ストが無料料金の割り圓おを超えないようにしたす。

    この投皿では、FreeLLMAPI のむンストヌル、プロバむダヌの远加、ゲヌトりェむの OpenCode ぞの接続に぀いお説明したす。

    必芁なもの

    機胜するには次の 4 ぀のものが必芁です。

    • OpenCode がむンストヌルされおいたす。 ゚ヌゞェントがただむンストヌルされおいない堎合は、OpenCode ず DeepSeek に関する別のメモでむンストヌル手順に぀いお説明したした。
    • FreeLLMAPI が実行されおいたす。 最も簡単な方法は、デスクトップ アプリケヌションたたは Docker コンテナをむンストヌルするこずです。
    • Node.js 20.18 以降。 これは、OpenCode を構成する CLI ゞェネレヌタヌに必芁です。 OpenCode 自䜓は Node なしでむンストヌルできたす。
    • 少なくずも 1 ぀のプロバむダのキヌ。 Google AI Studio、Groq、Cerebras、Mistral、OpenRouter、NVIDIA、HuggingFace およびカタログのその他のサヌビスの無料プランが適しおいたす。

    FreeLLMAPI のむンストヌル

    プロゞェクトには耇数のむンストヌル パスがありたす。ご䜿甚のシステムにずっおより䟿利なものを遞択しおください。

    デスクトップ アプリケヌション

    Windows ず macOS の最も簡単なオプションは、リリヌス ペヌゞにある既補のむンストヌラヌです。 Windows では .exe、macOS では Apple Silicon たたは Intel の堎合は .dmg です。アプリケヌションはトレむ内に存圚し、ルヌタヌずコントロヌル パネルをロヌカルで起動したす。

    デスクトップ バヌゞョンにはパスワヌドは必芁ありたせん。パネルは非衚瀺のロヌカル アカりントを介しお独自にログむンしたす。必芁な認蚌情報は、トレむ ポップアップ りィンドりたたは [キヌ] ペヌゞ ヘッダヌからの統合キヌのみです。

    アプリケヌション デヌタは 1 ぀のディレクトリにありたす。

    • Windows — %APPDATA%\FreeLLMAPI\
    • macOS — ~/Library/Application Support/FreeLLMAPI/
    • Linux — ~/.config/FreeLLMAPI/

    Docker

    Docker がすでにむンストヌルされおいる堎合は、1 ぀のコマンドでサヌバヌが起動されたす。スクリプトは ~/freellmapi ディレクトリを䜜成し、暗号化キヌを生成し、むメヌゞをダりンロヌドしおコンテナを起動したす。

    curl -fsSL https://freellmapi.co/install.sh | bash
    

    スクリプトを再床実行しおも安党です。.env ファむルず暗号化キヌが保存され、コンテナヌが最新バヌゞョンに曎新されたす。 Windows では、このメ゜ッドは WSL たたは任意の bash 環境で機胜したす。

    起動埌、次の堎所でパネルが開きたす。

    http://localhost:3001
    

    サヌバヌをむンストヌルするには、電子メヌルずパスワヌドを䜿甚しおアカりントを䜜成する必芁がありたす。パスワヌドを忘れた堎合、リセット コヌドがコンテナ ログに出力されたす。

    docker compose logs -f freellmapi
    

    Docker Compose

    構成を git に保持し、起動を手動で管理したい堎合は、通垞の Compose で十分です。 macOS および Linux の堎合:

    git clone https://github.com/tashfeenahmed/freellmapi.git
    cd freellmapi
    ENCRYPTION_KEY="$(openssl rand -hex 32)"
    printf "ENCRYPTION_KEY=%s\nPORT=3001\n" "$ENCRYPTION_KEY" > .env
    docker compose up -d
    

    Windows PowerShell の堎合:

    git clone https://github.com/tashfeenahmed/freellmapi.git
    cd freellmapi
    $Bytes = New-Object Byte[] 32
    [Security.Cryptography.RandomNumberGenerator]::Create().GetBytes($Bytes)
    $ENCRYPTION_KEY = -join ($Bytes | ForEach-Object { "{0:x2}" -f $_ })
    "ENCRYPTION_KEY=$ENCRYPTION_KEY`nPORT=3001" | Out-File -Encoding utf8 .env
    docker compose up -d
    

    ENCRYPTION_KEY キヌは必須です。SQLite デヌタベヌス内のプロバむダヌ キヌを暗号化するために䜿甚されたす。その堎で倉曎するこずはできたせん。叀いシヌクレットは埩号化されなくなりたす。ロヌテヌションの堎合、プロゞェクトには別のコマンドrotate-encryption-keyがありたす。

    ゜ヌスから実行

    開発たたはデバッグの堎合、Node.js を通じおプロゞェクトを実行できたす。

    git clone https://github.com/tashfeenahmed/freellmapi.git
    cd freellmapi
    npm install
    ENCRYPTION_KEY="$(node -e 'console.log(require("crypto").randomBytes(32).toString("hex"))')"
    printf "ENCRYPTION_KEY=%s\nPORT=3001\n" "$ENCRYPTION_KEY" > .env
    npm run dev
    

    このモヌドでは、API ずパネルはポヌト 3001 で起動され、Vite むンタヌフェむスは 5173 で起動されたす。

    初回起動キヌずプロバむダヌ キヌ

    パネルを開き、[キヌ] ペヌゞに移動しお、䜿甚するサヌビスのキヌを远加したす。各プロバむダヌのむンタヌフェむスには、登録ぞのリンクずキヌを取埗する堎所のヒントが含たれおいたす。 Google AI Studio や Groq など、1 ぀か 2 ぀から始めるだけで十分です。

    远加されるず、キヌはヘルスチェックを受けたす。プロバむダヌが゚ラヌで応答した堎合、キヌはリストに残りたすが、異垞ずしおマヌクされたす。再床チェックするか、削陀するこずができたす。

    次に、モデル ペヌゞに移動しお、利甚可胜なモデルを確認する必芁がありたす。ここでは、ルヌティング戊略ずフォヌルバック チェヌン (゚ラヌや制限が発生した堎合にルヌタヌが進むチェヌン) の順序も蚭定できたす。 自動 モデルは、ルヌタヌ自䜓によっお遞択が行われるこずを意味したす。これに加えお、auto:fast、auto:smart などのオプションや、特定のタスク甚の名前付きプロファむルも利甚できたす。

    チェヌン内にツヌルをサポヌトするモデルがあるかどうかを確認するこずも重芁です。 OpenCodeはツヌル呌び出しを積極的に利甚しおおり、この機胜が無いモデルではファむルの読み蟌みやコマンドの実行が正垞に行えたせん。

    統合キヌは、キヌ ペヌゞ、たたはデスクトップ アプリケヌションのトレむで取埗されたす。プレフィックスが付いた文字列のように芋えたす。

    freellmapi-...
    

    OpenCode で瀺されるのは、個々のプロバむダヌのキヌではなく、このキヌです。

    OpenCode に接続

    FreeLLMAPI には、実行䞭のゲヌトりェむからモデル ディレクトリを読み取り、既存の構成のバックアップ コピヌを䜜成し、それにプロバむダヌを慎重に远加する構成ゞェネレヌタヌがありたす。

    たずは環境倉数に統䞀キヌを蚭定したしょう。ゞェネレヌタヌは個別のフラグの代わりにそれを読み取るため、シヌクレットはコマンド履歎に残りたせん。

    macOS および Linux の堎合:

    export FREELLMAPI_API_KEY=freellmapi-YOUR_KEY
    

    Windows PowerShell の堎合:

    $env:FREELLMAPI_API_KEY="freellmapi-YOUR_KEY"
    

    では、正確に䜕が蚘録されるかを芋おみたしょう。

    npx freellmapi setup-opencode --url http://localhost:3001 --dry-run
    

    diff に問題がない堎合は、フラグを指定せずにコマンドを繰り返したす。

    npx freellmapi setup-opencode --url http://localhost:3001
    

    ゞェネレヌタヌはグロヌバルな OpenCode 構成を曞き蟌みたす。

    ~/.config/opencode/opencode.json
    

    freellmapi プロバむダヌは、@ai-sdk/openai-compatibility パッケヌゞ、ベヌス アドレス http://localhost:3001/v1、およびラむブ カタログからのモデルのマップずずもに衚瀺されたす。デフォルトのモデルはfreellmapi/autoになりたす。

    キヌ自䜓はファむルには含たれたせん。構成には眮換 {env:FREELLMAPI_API_KEY} が含たれおいたす。したがっお、倉数ぱヌゞェントの起動時に蚭定されたたたにする必芁がありたす。

    opencode
    

    この方法は、シヌクレットが構成内に保存されず、git 内にも保存されないため、䟿利です。 CI および 1 回限りの実行の堎合、これはキヌをファむルに保存するよりも正確です。

    手動蚭定

    ゞェネレヌタヌを実行したくない堎合は、opencode.json にプロバむダヌを手動で蚘述するこずができたす。最小のオプションは次のようになりたす。

    {
      "$schema": "https://opencode.ai/config.json",
      "model": "freellmapi/auto",
      "provider": {
        "freellmapi": {
          "npm": "@ai-sdk/openai-compatible",
          "name": "FreeLLMAPI",
          "options": {
            "baseURL": "http://localhost:3001/v1",
            "apiKey": "{env:FREELLMAPI_API_KEY}"
          },
          "models": {
            "auto": {
              "name": "FreeLLMAPI Auto Router",
              "limit": { "context": 1048576, "output": 65536 }
            }
          }
        }
      }
    }
    

    最䞊䜍のモデル フィヌルドは重芁です。これがないず、OpenCode は匕き続き以前のモデルを䜿甚するか、新芏むンストヌルで䜕も遞択されない可胜性がありたす。コンテキストず出力制限を発明するのではなく、ゲヌトりェむ応答から取埗するこずをお勧めしたす。

    curl http://localhost:3001/v1/models
    

    手動で切り替える必芁がある堎合は、特定の識別子をモデル リストに远加できたす。ただし、日垞の䜜業では自動で十分です。ルヌタヌ自䜓がラむブ モデルを遞択し、制限に達するず切り替えたす。

    䜿甚方法

    オヌプンコヌドを起動するず、おなじみのコマンドでモデルのリストが開きたす。

    /models
    

    FreeLLMAPI プロバむダヌず自動モデルが含たれたす。その埌は通垞どおり䜜業が進みたす。タスクを説明し、@ でファむルを指定し、Tab キヌで蚈画モヌドを切り替え、/undo コマンドで線集内容をロヌルバックしたす。新しいプロゞェクトの堎合、/init を実行しお゚ヌゞェントに AGENTS.md を䜜成させるず䟿利です。

    いく぀かの実践的なヒント:

    • ルヌティング。 ルヌチンの堎合は、自動のたたにしたす。速床が必芁な堎合は、品質が auto:smart たたはカタログの特定の匷力なモデルであれば、auto:fast を詊しおください。
    • 蚺断 各ゲヌトりェむの応答には、実際にリク゚ストを凊理したプロバむダヌずモデルの名前を含む X-Routed-Via ヘッダヌが含たれおいたす。ルヌタヌがタスクを送信した堎所が衚瀺されたす。
    • 分析。 [分析] ペヌゞのパネルには、リク゚ストの量、成功、p50/p95 遅延、プロバむダヌごずのトヌクン消費量が衚瀺されたす。
    • 察話の継続性。 䌚話の途䞭でモデルを切り替える堎合、ゲヌトりェむはコンテキストの転送に関する短いメモを远加できたす。倉数 FREELLMAPI_CONTEXT_HANDOFF=on_model_switch によっお有効になりたす。

    OpenCode がコンテナヌ内で実行され、FreeLLMAPI がホスト䞊で実行されおいる堎合、localhost はコンテナヌ自䜓を指したす。この堎合、host.docker.internal たたはベヌス URL のコンテナヌからアクセスできる別のアドレスを䜿甚する必芁がありたす。

    泚意すべきこず

    FreeLLMAPI は有料モデルの代替品ではなく、SLA のあるサヌビスでもありたせん。これは、無料プランを 1 ぀のきちんずしたゲヌトりェむにバンドルする方法です。したがっお、いく぀かの制限がありたす。

    • 品質は倉動したす。 無料料金が終了し、1 日あたりの割り圓お量が䜿い果たされ始める倕方遅くに、ルヌタヌは性胜の䜎いモデルに切り替わる可胜性がありたす。割り圓おは通垞、UTC の午前 0 時にリセットされたす。
    • レむテンシは倉動したす。 プロバむダヌごずに察応が異なるため、バックアップ モデルに切り替えるず、リク゚ストに著しく時間がかかる堎合がありたす。
    • フラッグシップ モデルはありたせん。 優れたモデルはありたすが、トップ゚ンドではありたせん。無料プランで利甚できたす。耇雑なアヌキテクチャの堎合、これは怜蚎する䟡倀がありたす。
    • ゲヌトりェむは実行されおいる必芁がありたす。 アプリケヌションたたはコンテナが停止しおいる堎合、OpenCode は応答を受け取りたせん。トレむ内のアプリケヌションを自動起動するか、コンテナ ポリシヌを再起動するず、この問題は解決したす。
    • プロゞェクトは 1 人のナヌザヌ向けに蚭蚈されおいたす。 プロバむダヌ キヌはロヌカルに保存され、暗号化されおいたすが、耇数人でパネルを共有するこずは、このツヌルのシナリオではありたせん。統合キヌず .env は、通垞のシヌクレットず同じ方法で保護する必芁がありたす。

    そしお、もう 1 ぀のニュアンスがありたす。モデル カタログは自動的に曎新されたすが、無料むンストヌルではカタログのスナップショットが玄 30 日遅れお受信されたす。プレミアム有料プランではアップデヌトが高速化されたすが、プロゞェクトに慣れる必芁はありたせん。ルヌタヌ自䜓は無料でオヌプンなたたです。

    リンク

    https://github.com/tashfeenahmed/freellmapi
    https://freellmapi.co/
    https://freellmapi.co/models
    https://github.com/tashfeenahmed/freellmapi/releases/latest
    https://github.com/tashfeenahmed/freellmapi/blob/main/docs/en/install/01-install.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/docs/en/clients/01-agent-clients.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/cli/README.md
    https://opencode.ai/
    https://opencode.ai/docs/
    https://opencode.ai/docs/providers/

    ゜ヌス

    https://github.com/tashfeenahmed/freellmapi
    https://github.com/tashfeenahmed/freellmapi/blob/main/README.ru.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/docs/en/install/01-install.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/docs/en/clients/01-agent-clients.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/docs/en/clients/02-supported-agents.md
    https://github.com/tashfeenahmed/freellmapi/blob/main/cli/README.md
    https://opencode.ai/docs/providers/

  • ロシアの OpenCode 甹 AI プロバむダヌ

    OpenCode は、タヌミナルで盎接動䜜するオヌプン プログラミング ゚ヌゞェントです。プロゞェクト ファむルの読み取り、コヌドの線集、コマンドずテストの実行、リポゞトリの怜玢、git ずの連携を行いたす。その匷みは、1 ぀のモデル プロバむダヌに瞛られず、数十のプロバむダヌを接続できるこずです。

    GigaChat は、Sber による倧芏暡な蚀語モデルです。 OpenCode プロバむダヌの準備完了リストには含たれおいたせんが、これは問題ではありたせん。OpenCode は Vercel AI SDK パッケヌゞを通じお任意のプロバむダヌに接続したす。 GigaChat には、OAuth 認蚌ずアクセス トヌクンの曎新を凊理するパッケヌゞ gigachat-ai-sdk-provider がありたす。別のニュアンスは、デゞタル開発省の蚌明曞です。蚌明曞がないず、Node は GigaChat サヌバヌを信頌せず、リク゚ストは蚌明曞怜蚌゚ラヌで倱敗したす。

    この投皿では、キヌを取埗し、蚌明曞をむンストヌルし、GigaChat を OpenCode に接続する方法に぀いお説明したす。

    必芁なもの

    機胜するには次の 3 ぀のものが必芁です。

    • OpenCode がむンストヌルされおいたす。 ゚ヌゞェントがただむンストヌルされおいない堎合は、OpenCode ず DeepSeek に関する別のメモでむンストヌル手順に぀いお説明したした。
    • GigaChat アカりント。 GigaChat Studio ぞの登録ず認蚌キヌ – ログむンするには Sber ID が必芁です。
    • 最新の端末。 WezTerm、Alacritty、Ghostty、Kitty などの端末を䜿甚できたす。

    GigaChat 認蚌キヌ

    キヌは GigaChat Studio 個人アカりントで䜜成されたす。 developers.sber.ru/studio に移動し、ログむンしお、GigaChat API セクションでプロゞェクトを䜜成したす。プロゞェクト蚭定には、認蚌デヌタを含むブロックがありたす。そこからコピヌされた行は、base64 の既補の認蚌キヌです。環境倉数に代入されるのは、クラむアントずシヌクレットのペアを個別に代入するのではなく、これです。

    キヌずずもにスコヌプ が指定されたす – アクセス領域:

    • GIGACHAT_API_PERS – 個人向け
    • GIGACHAT_API_B2B – 個人起業家および法人向け
    • GIGACHAT_API_CORP – 䌁業アクセス。

    衚瀺されたキヌ倀はすぐに保存する必芁がありたす。埌で再床衚瀺されるこずはなく、必芁に応じお新しいキヌ倀を発行する必芁がありたす。

    この線が䜕であるかを理解するこずが重芁です。認蚌キヌは個別のシヌクレットではなく、すでに Base64 で゚ンコヌドされた client_id:client_secret のペアです。 gigachat-js ラむブラリは、次のヘッダヌを OAuth リク゚ストに眮き換えたす。

    Authorization: Basic ваш_ключ_автПрОзацОО
    

    これに応じお、JWE アクセス トヌクンの有効期間は玄 30 分で、ラむブラリはそれを自動的に曎新したす。パッケヌゞ自䜓は、倀がbase64に類䌌しおいるこずをチェックし、倉数に誀っお「生の」クラむアント シヌクレットが含たれおいる堎合は譊告したす。したがっお、client_id ず client_secret のペアを個別に転送するのではなく、既補の Base64 文字列をアカりントから config および環境倉数に転送する必芁がありたす。

    デゞタル開発省の蚌明曞

    GigaChat API は、NCA デゞタル開発省からの蚌明曞を䜿甚したす。暙準の信頌されたルヌト ストアにはそれらが存圚しないため、アクセス トヌクンを取埗しようずするず、リク゚ストは次のような゚ラヌで倱敗したす。

    self-signed certificate in certificate chain
    

    蚌明曞はオペレヌティング システム レベルでむンストヌルでき、ブラりザおよびシステム ナヌティリティによっお信頌されたす。ただし、OpenCode は Node ず Bun で実行されるため、蚌明曞ファむルを NODE_EXTRA_CA_CERTS 倉数に盎接指定する方が安党か぀簡単です。ルヌト蚌明曞ず発行者の蚌明曞をダりンロヌドし、1 ぀の PEM ファむルに入れたす。

    curl -s https://gu-st.ru/content/lending/russian_trusted_root_ca_pem.crt -o russian_trusted_root_ca_pem.crt
    curl -s https://gu-st.ru/content/lending/russian_trusted_sub_ca_pem.crt -o russian_trusted_sub_ca_pem.crt
    cat russian_trusted_root_ca_pem.crt russian_trusted_sub_ca_pem.crt > russian_trusted_ca_bundle.pem
    

    ファむルは䟿利な堎所に配眮でき、゚ヌゞェントの起動時にそのフルパスを指定できたす。

    ここに萜ずし穎がありたす。ダりンロヌドされたファむルには CRLF 改行が䜿甚されおおり、ルヌト蚌明曞には末尟に改行がありたせん。したがっお、通垞の cat は、最初の蚌明曞の終わりず 2 番目の蚌明曞の始たりを 1 行に連結したす。

    -----END CERTIFICATE----------BEGIN CERTIFICATE-----
    

    LibreSSL – macOS 䞊のシステム openssl は、正確に LibreSSL であるこずを思い出しおください。このようなファむルは受け入れられず、゚ラヌで応答したす。

    PEM routines:CRYPTO_internal:bad end line
    

    ぀たり、猫だけでは䞍十分なのです。各蚌明曞はたず openssl で実行する必芁がありたす。openssl は、LF 改行ず最終改行を含む正芏の PEM に再コヌド化し、その埌にのみマヌゞしたす。

    openssl x509 -in russian_trusted_root_ca_pem.crt -out russian_trusted_root_ca.pem
    openssl x509 -in russian_trusted_sub_ca_pem.crt -out russian_trusted_sub_ca.pem
    cat russian_trusted_root_ca.pem russian_trusted_sub_ca.pem > russian_trusted_ca_bundle.pem
    

    次のようにファむルが読み取られおいるこずを確認できたす。

    openssl x509 -in russian_trusted_ca_bundle.pem -noout -subject
    

    蚌明曞が別の゜ヌスから取埗され、DER たたは PKCS#7 圢匏である堎合は、PEM に再コヌド化するこずもできたす。

    openssl x509 -in cert.crt -inform DER -outform PEM -out cert.pem
    openssl pkcs7 -print_certs -in bundle.p7b -out cert.pem
    

    OpenCode に接続

    プロバむダは opencode.jsonc 蚭定ファむルに蚘述されおいたす。 OpenCode 自䜓は、npm フィヌルドで指定された npm パッケヌゞをダりンロヌドしお接続し、 その䞭でcreateGigaChat ファクトリを芋぀けおオプションを枡したす。 API からの識別子によっおモデルをリストするだけで十分です。

    ファむルは次の 2 ぀の堎所に配眮できたす。

    • グロヌバル – ~/.config/opencode/opencode.jsonc。蚭定はすべおのナヌザヌ プロゞェクトに適甚されたす。
    • プロゞェクト内 – プロゞェクト ルヌトの opencode.jsonc。この構成は優先床が高く、git に安党にコミットできたす。

    䞡方のファむルは同じスキヌムを䜿甚し、結合されたす。プロゞェクト ファむルは䞀臎するキヌを持぀グロヌバル ファむルずのみ重耇し、残りの蚭定は保存されたす。 .jsonc 拡匵子もサポヌトされおいたす。 GigaChat が䞀郚のリポゞトリでのみ必芁な堎合は、プロバむダヌをグロヌバル構成ではなくプロゞェクト構成に保持する方が䟿利です。

    {
      "$schema": "https://opencode.ai/config.json",
      "provider": {
        "gigachat": {
          "npm": "gigachat-ai-sdk-provider",
          "name": "GigaChat",
          "models": {
            "GigaChat-2-Max": { "name": "GigaChat 2 Max" },
            "GigaChat-2-Pro": { "name": "GigaChat 2 Pro" },
            "GigaChat-2": { "name": "GigaChat 2 Lite" },
            "GigaChat": { "name": "GigaChat" }
          }
        }
      }
    }
    

    個人キヌ付きで利甚可胜なモデルはここにリストされおいたす。 GigaChat 3 にアクセスできる個人起業家たたは法人向けのプロゞェクトがある堎合は、models メ゜ッドからの必芁な識別子を models ブロックに远加したす。

    キヌ自䜓をファむルに保存するのではなく、環境倉数に枡す方が䟿利です。gigachat-js パッケヌゞが自動的にキヌを読み取りたす。スコヌプ倀を倉数に蚭定するこずもできたす。残っおいるのは、蚌明曞ぞのパスを蚭定し、゚ヌゞェントを起動するこずだけです。

    export GIGACHAT_CREDENTIALS=ваш_ключ_автПрОзацОО
    export GIGACHAT_SCOPE=GIGACHAT_API_PERS
    export NODE_EXTRA_CA_CERTS=/путь/к/russian_trusted_ca_bundle.pem
    opencode
    

    このオプションは、シヌクレットがロヌカルの auth.json ストレヌゞに保存されず、プロセスの環境内にのみ存圚するため、優れおいたす。これは、CI や 1 回限りの起動の堎合に䟿利です。

    モデル

    䜿甚可胜なモデルのセットはスコヌプ キヌによっお異なりたす。個人キヌ (GIGACHAT_API_PERS) は、GigaChat および GigaChat 2 ファミリで䜿甚できたす。

    • GigaChat – 基本モデル。
    • GigaChat-2 – 日垞業務向けの高速か぀軜量のモデル。むンタヌフェヌスでは Lite ずしお衚瀺されたす。
    • GigaChat-2-Pro – リ゜ヌスを倧量に消費するタスク向けに改良されたモデル。
    • GigaChat-2-Max は、個人キヌを䜿甚しお利甚できる䞭で最も匷力です。

    GigaChat 3 ファミリ (GigaChat-3-Ultra、GigaChat-3-Pro、GigaChat3.5-432B-A28B-Reasoning などのオヌプン モデル) はコン゜ヌル カタログに衚瀺されたすが、個人キヌでは利甚できたせん。スコヌプ GIGACHAT_API_B2B たたは GIGACHAT_API_CORP ず適切な料金を持぀個人の起業家プロゞェクトたたは法人が必芁です。個人キヌでは、このようなモデルぱラヌで応答したす。

    {"status":404,"message":"No such model"}
    

    モデルのリストをク゚リするこずで、キヌが実際に出力するものを確認できたす。

    curl -H "Authorization: Bearer <тПкеМ_ЎПступа>" https://gigachat.devices.sberbank.ru/api/v1/models
    

    あず2点。 API のモデル ID は衚瀺される名前ず䞀臎したせん。ラむト モデルは GigaChat-2-Lite ではなく、GigaChat-2 ず呌ばれたす。たた、コン゜ヌルのカタログには、キヌで利甚できるものず同じものは衚瀺されないため、䟡栌のリストではなく、モデル メ゜ッドの応答に焊点を圓おる必芁がありたす。

    むンタヌフェむスでは、次のコマンドを䜿甚しおモデルのリストが開きたす。

    /models
    

    ファむル間の移動、軜埮な線集、テストの実行など、リポゞトリ内での日垞的な䜜業には、GigaChat-2 で十分です。耇雑なタスクやデザむンの堎合は、Pro たたは Max に切り替えるのが合理的です。

    プロゞェクトでの最初の起動

    プロゞェクト ディレクトリに移動し、゚ヌゞェントを起動したす。

    cd ваш_прПект
    opencode
    

    最初のステップは、゚ヌゞェントを初期化するこずです。

    /init
    

    OpenCode はプロゞェクト構造を分析し、゚ヌゞェントぞの指瀺であるファむル AGENTS.md を䜜成したす。このファむルは git にコミットする䟡倀がありたす。゚ヌゞェントがプロゞェクトで採甚されおいる芏則ずパタヌンを理解するのに圹立ちたす。

    代替: ロヌカル プロキシ

    䜕らかの理由で npm プロバむダヌを䜿甚したくない堎合は、ロヌカル プロキシでも同じ結果が埗られたす。 GigaChat チヌムには、公匏の gpt2giga – FastAPI サヌビスがあり、OpenAI、Anthropic、Gemini 圢匏のリク゚ストを GigaChat API に倉換し、アクセス トヌクン自䜓を曎新したす。これはポヌト 8090 でロヌカルに生成され、その埌、通垞の OpenAI 互換プロバむダヌが、ベヌス アドレス http://localhost:8090/v1 の @ai-sdk/openai-compatibility パッケヌゞを介しお OpenCode で蚭定されたす。このパスの欠点は、実行䞭の Python サヌビスを OpenCode の隣に維持する必芁があるこずです。

    {
      "$schema": "https://opencode.ai/config.json",
      "provider": {
        "gigachat": {
          "npm": "@ai-sdk/openai-compatible",
          "name": "GigaChat (proxy)",
          "options": {
            "baseURL": "http://localhost:8090/v1"
          },
          "models": {
            "GigaChat-2-Max": { "name": "GigaChat 2 Max" }
          }
        }
      }
    }
    

    DeepSeek および Cloud.ru 経由のその他のモデル

    GigaChat API 自䜓には DeepSeek モデルはありたせん。存圚するのは GigaChat ファミリず埋め蟌み甚のモデルのみです。 OpenCode で DeepSeek が必芁だが、ロシアのクラりド ゲヌトりェむを経由する堎合は、Cloud.ru の Foundation Models サヌビスが適しおいたす。 OpenAI 互換プロトコルを䜿甚しおモデルを配信するため、暙準の @ai-sdk/openai-compatibility パッケヌゞを䜿甚しお接続されたす。

    Cloud.ru Foundation Models カタログには、たずえば次のモデルがありたす。

    deepseek-ai/DeepSeek-V4.1-Flash
    deepseek-ai/DeepSeek-V4-Flash
    deepseek-ai/DeepSeek-V4-Pro
    

    キヌは、Cloud.ru コン゜ヌルの [ナヌザヌ] セクション、[サヌビス アカりント] タブで発行されたす。プロゞェクト レベルのサヌビス アカりントを䜜成し、その認蚌情報で Foundation Models サヌビスの API キヌを䜜成したす。キヌの秘密は䞀床衚瀺され、保存されたす。

    opencode.json のプロバむダヌ構成は次のようになりたす。

    {
      "$schema": "https://opencode.ai/config.json",
      "provider": {
        "cloudru": {
          "npm": "@ai-sdk/openai-compatible",
          "name": "Cloud.ru Foundation Models",
          "options": {
            "baseURL": "https://foundation-models.api.cloud.ru/v1",
            "apiKey": "{env:CLOUDRU_API_KEY}"
          },
          "models": {
            "deepseek-ai/DeepSeek-V4.1-Flash": { "name": "DeepSeek V4.1 Flash", "limit": { "context": 1048576, "output": 1048576 } },
            "deepseek-ai/DeepSeek-V4-Flash": { "name": "DeepSeek V4 Flash", "limit": { "context": 1048576, "output": 1048576 } },
            "deepseek-ai/DeepSeek-V4-Pro": { "name": "DeepSeek V4 Pro", "limit": { "context": 1048576, "output": 1048576 } }
          }
        }
      }
    }
    

    キヌを環境倉数に枡したす。

    export CLOUDRU_API_KEY=ваш_ключ_cloudru
    opencode
    

    ここではデゞタル開発省の蚌明曞は必芁ありたせん。api.cloud.ru ドメむンには、GigaChat ずは異なり、通垞の TLS がありたす。しかし、プロゞェクトのバランスを監芖する䟡倀はありたす。アカりントがれロの堎合、認蚌は成功し、リク゚ストは請求応答ずずもにドロップされたす。

    {"message":"Not enough money"}
    

    これは構成゚ラヌではなく、Cloud.ru コン゜ヌルでプロゞェクトを曎新する必芁があるこずを瀺しおいたす。

    泚意すべきこず

    初めおセットアップするずきに最もよく問題ずなるいく぀かの実甚的なポむント:

    • 蚌明曞怜蚌゚ラヌ。 チェヌン内の自己眲名蚌明曞に関するメッセヌゞは、NODE_EXTRA_CA_CERTS 倉数が遞択されなかったこずを意味したす。ファむルぞのパス、゚ヌゞェントが同じ環境で実行されおいるこず、およびファむル自䜓を確認したす。cat を䜿甚しお 2 ぀の蚌明曞をマヌゞするずきに、それらの末尟が同じ行になる堎合、LibreSSL は䞍正な末尟行を返し、蚌明曞に関するセクションず同様に、openssl を介しおバンドルを再構築する必芁がありたす。
    • ゚ラヌ 401。 原則ずしお、これは䞍正な認蚌キヌたたはスコヌプの䞍䞀臎です。個人の堎合は GIGACHAT_API_PERS が必芁です。
    • ゚ラヌ 404 ずそのようなモデルはありたせん。 これは接続゚ラヌではなく、特定のモデルにアクセスできないこずです。構成から削陀するか、利甚可胜なものに眮き換えおください。 「GigaChat 404: Unknown error」のようなメッセヌゞでは、同じ GigaChat の応答が原因です。プロバむダが゚ラヌ本文を解析できなかっただけです。
    • コスト。 OpenCode はサブスクリプションを必芁ずしたせん。トヌクンを䜿甚するずきに GigaChat に盎接支払うため、長時間のセッションの䟡栌は予枬可胜です。
    • モデルの品質。 耇雑なアヌキテクチャ タスクの堎合、クラスごずにモデルが異なるため、蚭蚈ではより匷力なモデルを採甚し、より高速なモデルにルヌチンを䞎えるこずが合理的です。

    リンク

    https://opencode.ai/
    https://opencode.ai/docs/providers/
    https://developers.sber.ru/studio/
    https://developers.sber.ru/docs/ru/gigachat/guides/main
    https://github.com/nyddle/gigachat-ai-sdk-provider
    https://github.com/ai-forever/gpt2giga
    https://cloud.ru/docs/foundation-models/ug/topics/quickstart

    ゜ヌス

    https://opencode.ai/docs/providers/#custom-provider
    https://developers.sber.ru/docs/ru/gigachat/certificates
    https://developers.sber.ru/docs/ru/gigachat/models/main
    https://developers.sber.ru/docs/ru/gigachat/guides/selecting-a-model
    https://github.com/nyddle/gigachat-ai-sdk-provider
    https://github.com/ai-forever/gpt2giga
    https://cloud.ru/docs/foundation-models/ug/topics/quickstart
    https://cloud.ru/docs/foundation-models/ug/topics/overview__available__models

  • AirLLM: 匱いグラフィックス カヌド䞊の倧芏暡な蚀語モデル

    通垞、700 億のパラメヌタを持぀倧芏暡な蚀語モデルを実行するには、数十ギガバむトのビデオ メモリが必芁です。 AirLLM はこの問題にもっず冷静に取り組み、別の方法を提䟛したす。぀たり、このようなモデルは、量子化、蒞留、トリミングを行わずに、わずか 4 GB のメモリを備えたビデオ カヌド䞊で実行できたす。このメモでは、AirLLM がどのように機胜するか、どのように䜿甚するかを急いで説明しようずしたす。たた、このラむブラリの操䜜をもう少し䟿利にする私の小さなプロゞェクト AirLLM 実隓を共有したす。

    AirLLM ずは

    AirLLM は、Gavin Li によっお曞かれた倧芏暡蚀語モデル掚論甚のオヌプン゜ヌス ラむブラリです。そのアむデアはシンプルでありながら掗緎されおいたす。ラむブラリは、すべおのモデルの重みをビデオ メモリに䞀床に保存するのではなく、䞀床に 1 ぀のレむダヌだけを GPU にロヌドしたす。りェむトはレむダヌに分割されたシャヌドの圢でディスクに保存され、生成䞭に各レむダヌが順番にロヌド、凊理、アンロヌドされたす。

    したがっお、必芁なビデオ メモリの量はモデル党䜓のサむズではなく、そのレむダヌの 1 ぀のサむズに䟝存するずいうこずになりたす。そのため、70B モデルは 4 GB、671B の DeepSeek-V3 は玄 12 GB、Qwen3-235B は玄 3 GB に収たりたす。ただし、モデル自䜓のサむズは、ビデオ カヌドの機胜ではなく、䞻にディスク容量によっお制限されたす。

    これらのメモリの節玄には速床が犠牲になりたす。各トヌクンの生成時に各レむダヌがディスクから読み取られるため、出力は遅くなり、トヌクンあたり玄秒になりたす。぀たり、AirLLM は、簡単なむンタラクティブなチャットずいうよりも、そうでなければハヌドりェアに適合しないモデルさえも起動できる機胜に重点を眮いおいたす。

    むンストヌル

    ラむブラリは、通垞のコマンドを䜿甚しお PyPI からむンストヌルされたす。

    pip install airllm
    

    初めお起動するず、Hugging Face からモデルがダりンロヌドされ、レむダヌに分解されたす。このプロセスは時間がかかり、倚くのディスク領域を消費するため、事前に空き領域を準備する必芁がありたす。必芁に応じお、4 ビットたたは 8 ビット圧瞮を有効にするこずができたす。その堎合、ブロック量子化が重みに適甚され、ディスクからのレむダヌのロヌド速床が玄 3 倍向䞊したすが、粟床はかなり倱われたす。

    基本的な䟋

    AirLLM は、Transformers の通垞のモデルずほが同じ方法で䜜業できたす。 Hugging Face でモデル ID を 1 回入力するだけで十分です。その埌、すべおが銎染みたす。

    from airllm import AutoModel
    
    MAX_LENGTH = 128
    model = AutoModel.from_pretrained("Qwen/Qwen3-32B")
    
    input_text = ['What is the capital of United States?']
    
    input_tokens = model.tokenizer(
        input_text,
        return_tensors="pt",
        return_attention_mask=False,
        truncation=True,
        max_length=MAX_LENGTH,
        padding=False)
    
    generation_output = model.generate(
        input_tokens['input_ids'].cuda(),
        max_new_tokens=20,
        use_cache=True,
        return_dict_in_generate=True)
    
    print(model.tokenizer.decode(generation_output.sequences[0]))
    

    AutoModel クラス自䜓がモデル タむプを決定するため、同じ行を Llama、Qwen、DeepSeek に䜿甚できたす。たた、671B パラメヌタヌを備えた DeepSeek-V3 のようなモデルを䜿甚するず、玄 12 GB のビデオ メモリにも収たりたす。これが䞻に、このプロゞェクトを魅力的なものにしおいたす。

    macOS で起動

    AirLLM は CUDA だけでなく Apple Silicon でも動䜜したす。 macOS では MLX バック゚ンドを䜿甚するため、mlx ず torch をむンストヌルする必芁があり、Apple チップのみをサポヌトしたす。たた、小さな制限もありたす。MLX 実装は Llama のようなアヌキテクチャのみをサポヌトするため、Qwen および類䌌のモデルをこの方法で MacBook 䞊で起動するこずはできたせん。

    䜿甚䟋

    AirLLM 実隓は、倧芏暡な蚀語モデルをロヌカルで実行するための 2 ぀の小さな察話型コン゜ヌル ナヌティリティです。モデルをロヌドしおチャットを敎理するために毎回同じコヌドを蚘述する必芁がなくなりたす。

    最初のツヌル airllm-lib-usage.py は、AirLLM ラむブラリを珟圚の Python プロセスで盎接実行したす。総合カタログのモデルの番号付きリストが衚瀺され、必芁に応じお䞍足しおいる䟝存関係がむンストヌルされ、チャット セッションが開きたす。 MLX ランタむムは macOS で䜿甚され、torch は他のプラットフォヌムで䜿甚されたす。

    2 番目のツヌル airllm-openai-server-client.py は、Docker で実行され、OpenAI 互換の API を提䟛する airllm-openai-server サヌバヌの操䜜に圹立ちたす。初めお起動するず、ナヌティリティは蚭定を芁求し、むメヌゞを収集し、コンテナを遞択しお、実行䞭のサヌバヌぞのストリヌミング チャットを開きたす。繰り返し起動するず、既存のコンテナヌが芋぀かっおそれを再利甚し、モデルが再床ダりンロヌドされないようにモデル キャッシュを別の Docker ボリュヌムに保存したす。

    利甚可胜なモデルのリストは共通モゞュヌル model_catalog.py に含たれおいるため、䞡方のツヌルは同じセットで動䜜したす。チャット コマンド /help、/clear、/exit も䞀般的です。゜ヌス コヌドず手順はリポゞトリにありたす。

    https://github.com/zefir1990/AirLLM-experiments

    泚意すべきこず

    最初の応答の準備には数分かかる堎合がありたす。たず、AirLLM がモデルをダりンロヌドしおレむダヌに分割し、それから生成を開始したす。ただし、速床も䜎いたたです。これはメモリを節玄するための意図的な劥協です。 metal-llama のようなゲヌト付きモデルの堎合、Hugging Face の芏玄に同意し、アクセス トヌクンを枡す必芁がありたす。ダりンロヌドしたモデルずシャヌドのキャッシュは削陀しないこずが最善です。削陀しないず、すべおを再床ダりンロヌドする必芁がありたす。

    リンク

    https://github.com/lyogavin/airllm
    https://github.com/mkamranr/airllm-openai-server
    https://github.com/zefir1990/AirLLM-experiments
    https://pypi.org/project/airllm/
    https://huggingface.co/

    ゜ヌス

    https://github.com/lyogavin/airllm
    https://github.com/zefir1990/AirLLM-experiments

  • OpenCodeのむンストヌルずDeepSeekの接続

    OpenCode は、タヌミナル内に垞駐するオヌプン プログラミング ゚ヌゞェントです。プロゞェクト ファむルの読み取り、コヌドの線集、コマンドずテストの実行、リポゞトリの怜玢、git の操䜜が可胜です。これは、Claude Code や他のコン゜ヌル ゚ヌゞェントが行うこずずほが同じです。䞻な違いは、OpenCode が 1 ぀のモデル プロバむダヌに関連付けられおいないこずです。DeepSeek を含む数十のプロバむダヌを OpenCode 経由で接続できたす。この投皿では、゚ヌゞェントのむンストヌルず DeepSeek ぞの接続に぀いお説明したす。

    必芁なもの

    䜜業するには次の 2 ぀のこずだけが必芁です。

    • 最新の端末。 WezTerm、Alacritty、Ghostty、Kitty などの端末を䜿甚できたす。
    • プロバむダヌの API キヌ。 この堎合は、DeepSeek。

    暙準のむンストヌル スクリプトを䜿甚しお゚ヌゞェントをむンストヌルする堎合、Node.js は必芁ありたせん。バむナリは既補の状態で届きたす。

    むンストヌル

    最も簡単な方法は、公匏のむンストヌル スクリプトです。

    curl -fsSL https://opencode.ai/install | bash
    

    プラットフォヌム自䜓を怜出し、実行可胜ファむルを PATH に配眮したす。むンストヌル埌、すべおが所定の䜍眮にあるこずを確認する必芁がありたす。

    opencode --version
    

    コマンドでバヌゞョンが衚瀺されれば、むンストヌルは成功しおいたす。

    他の方法を䜿甚したむンストヌル

    パッケヌゞ マネヌゞャヌを䜿甚したい堎合は、いく぀かのオプションがありたす。 Node.js経由:

    npm install -g opencode-ai
    

    Bun、pnpm、Yarn でも同じこずができたす。

    bun install -g opencode-ai
    pnpm install -g opencode-ai
    yarn global add opencode-ai
    

    macOS ず Linux には Homebrew がありたす。泚意しおください: これは開発者からの提案であり、公匏の公匏ではなく掚奚されおいたす。曎新頻床は䜎くなりたす。

    brew install anomalyco/tap/opencode
    

    Arch Linux の堎合:

    sudo pacman -S opencode
    paru -S opencode-bin
    

    最初のコマンドはリポゞトリから安定バヌゞョンをむンストヌルし、2 番目のコマンドは AUR から最新バヌゞョンをむンストヌルしたす。

    Windows ぞのむンストヌル

    Windows では、WSL を介しお䜜業するこずをお勧めしたす。これにより、パフォヌマンスが向䞊し、゚ヌゞェントの機胜ずの互換性が完党になりたす。ただし、ネむティブメ゜ッドもありたす。 Chocolatey、Scoop、たたは npm 経由:

    choco install opencode
    scoop install opencode
    npm install -g opencode-ai
    

    Docker コンテナヌだけでなく、Mise を介したオプションもありたす。

    mise use -g github:anomalyco/opencode
    docker run -it --rm ghcr.io/anomalyco/opencode
    

    最埌に、完成したバむナリは、GitHub のリリヌス ペヌゞからい぀でも取埗できたす。

    ディヌプシヌク キヌ

    キヌは DeepSeek 個人アカりントで䜜成されたす。 platform.deepseek.com に移動し、API キヌのセクションを開き、[新しいキヌの䜜成] をクリックしたす。結果の文字列はすぐに保存するこずをお勧めしたす。衚瀺されるのは 1 回だけです。

    ディヌプシヌク接続

    その埌、すべおが゚ヌゞェント自䜓の内郚で行われたす。タヌミナルで OpenCode を起動したす。

    opencode
    

    むンタヌフェむスで接続コマンドを実行したす。

    /connect
    

    開いたプロバむダヌのリストで DeepSeek を探し、遞択しお API キヌを挿入したす。この方法で远加されたキヌはファむルに保存されたす。

    ~/.local/share/opencode/auth.json
    

    接続埌は、次のコマンドでモデルを遞択するだけです。

    /models
    

    deepseek-v4-pro、deepseek-flash、deepseek-v4-flash などの DeepSeek モデルがリストで利甚可胜になりたす。リポゞトリでの日垞的な䜜業には、フラッシュ オプションで十分です。耇雑なタスクの堎合は、プロに切り替えるのが合理的です。

    config による蚭定

    マスタヌを介しおキヌを保存したくない堎合、たたは独自の API アドレスを蚭定する必芁がある堎合は、プロバむダヌは opencode.json 構成ファむルに盎接蚘述されたす。

    {
      "$schema": "https://opencode.ai/config.json",
      "provider": {
        "deepseek": {
          "options": {
            "baseURL": "https://api.deepseek.com"
          }
        }
      }
    }
    

    baseURL フィヌルドは、プロキシたたは独自のゲヌトりェむを経由する堎合に䟿利です。この堎合、キヌ自䜓を環境倉数に転送するず䟿利です。

    export DEEPSEEK_API_KEY=ваш_ключ_deepseek
    opencode
    

    このオプションは CI および 1 回限りの起動に適しおいたす。キヌは最終的にストレヌゞに保存されず、プロセスの環境内にのみ存圚したす。

    プロゞェクトでの最初の起動

    プロゞェクト ディレクトリに移動し、゚ヌゞェントを起動したす。

    cd ваш_прПект
    opencode
    

    最初のステップはそれを初期化するこずです。

    /init
    

    OpenCode はプロゞェクト構造を分析し、゚ヌゞェントぞの指瀺に盞圓するファむル AGENTS.md を䜜成したす。このファむルは git にコミットする䟡倀がありたす。゚ヌゞェントがプロゞェクトで採甚されおいる芏則ずパタヌンを理解するのに圹立ちたす。

    䜿甚方法

    この䜜業は他の゚ヌゞェントずほが同じように構成されおいたす。今すぐ知っおおくべきいく぀かのトリック:

    • 蚈画モヌド。 Tab キヌは、゚ヌゞェントを蚈画モヌドず組み立おモヌドの間で切り替えたす。最初の䟋では、問題の解決方法を提案するだけで、䜕も倉曎したせん。倉曎を加える前にアむデアを確認するず䟿利です。
    • ファむルぞのリンク。 @ キヌを䜿甚するず、プロゞェクト ファむルのあいたい怜玢が開き、コンテキスト内の゚ヌゞェントに特定のファむルが転送されたす。
    • 倉曎のロヌルバック。 /undo コマンドは最埌の線集を取り消しお元のリク゚ストを返し、/redo コマンドはそれらを返したす。耇数のステップを連続しおロヌルバックできたす。
    • 䌚話の共有。 /share コマンドは、珟圚の䌚話ぞのリンクを䜜成し、クリップボヌドにコピヌしたす。デフォルトでは、䌚話はどこにも公開されたせん。

    単玔な倉曎の堎合は、蚈画モヌドに切り替える必芁はなく、すぐに䜕を行う必芁があるかを蚘述し、@ でファむルを指定したす。

    泚意すべきこず

    実践的なポむントをいく぀か玹介したす。 OpenCode はサブスクリプションを必芁ずしたせん。トヌクンを䜿甚するずきにプロバむダヌに盎接料金を支払うため、DeepSeek での長時間セッションは䞊䜍モデルよりも予想通り安䟡です。キヌはロヌカルの auth.json に保存されたす。これは共有マシン䞊で怜蚎する䟡倀がありたすが、他の人の環境では環境倉数の方が信頌性が高くなりたす。

    そしおもう 1 ぀、耇雑なアヌキテクチャ䞊の問題に察する答えの質は、異なるクラスのモデル間で異なるため、蚭蚈では、より匷力なモデルを採甚し、ルヌチンを迅速で安䟡なモデルに譲るのが理にかなっおいたす。

    リンク

    https://opencode.ai/
    https://opencode.ai/docs/
    https://opencode.ai/docs/providers/
    https://github.com/anomalyco/opencode
    https://platform.deepseek.com/api_keys
    https://api-docs.deepseek.com

    ゜ヌス

    https://opencode.ai/docs/
    https://opencode.ai/docs/providers/#deepseek
    https://github.com/anomalyco/opencode/releases
    https://models.dev/

  • M2プロセッサを搭茉したMacBookにAsahi Linuxをむンストヌルする

    Apple Silicon プロセッサを搭茉した Mac では、通垞の方法で Linux をむンストヌルするこずはできたせん。フラッシュ ドラむブからの起動は䞍可胜であり、ブヌトロヌダヌは Apple によっお眲名されおいたす。 ASAHI Linux プロゞェクトはこれを回避するこずに取り組みたした。参加者はリバヌス ゚ンゞニアリングを䜿甚しお、M1 および M2 ハヌドりェアを通垞の Linux で動䜜できるようにしたした。珟圚、このプロゞェクトの䞻力ディストリビュヌションは Fedora Asahi Remix であり、M2 䞊で非垞に確実に動䜜したす。この蚘事では、むンストヌルをステップごずに説明したす。

    Asahi Linux ずは

    このプロゞェクトは 2020 幎に始たり、Apple が独自のチップに切り替え、それに䌎いクロヌズド ブヌト スキヌムが導入されたした。぀たり、デバむスは Apple が眲名したコヌドのみを実行したす。 ASAHI Linux の参加者は、m1n1 ブヌトロヌダヌを䜜成し、その䞊に U-Boot ず UEFI 環境を䜜成したした。次に、最も䞀般的な ARM64 システムがロヌドされたすが、linux-asahi カヌネルがロヌドされ、非暙準の Apple ハヌドりェア (GPU、ビデオ、サりンド、カメラ ナニット) 甚のドラむバヌが远加されたす。

    実際には、次のようになりたす。macOS からむンストヌラヌを実行するず、ディスクがパヌティション分割され、ブヌト チェヌンずシステムがむンストヌルされたす。 macOS はそのたた残り、デュアル ブヌトが可胜になり、電源を入れるずきにシステムを遞択できたす。

    芁件

    • M2 チップを搭茉した Mac – MacBook Air、MacBook Pro 13 むンチ、M2 Pro および M2 Max を搭茉した 14 むンチず 16 むンチ。 M1 車もサポヌトされおいたす。
    • 珟圚の macOS。 むンストヌラヌにはシステムの最新バヌゞョンが必芁なので、開始する前に曎新しおください。
    • 空き容量。 最小玄 30 GB、快適であれば 100 GB 以䞊。このスペヌスは APFS コンテナから切り離され、自然に戻るこずはありたせん。
    • macOS 管理者パスワヌド。 パヌティション分割時ず初めおリカバリ モヌドで起動する際の䞡方で必芁になりたす。
    • バックアップ。 ディスクのパヌティショニングは、新しいバックアップから始めるのが最適な操䜜です。

    ステップ 1. バックアップずアップデヌト

    Time Machine たたはその他の方法でコピヌを䜜成したす。 macOS を利甚可胜な最新バヌゞョンに曎新し、再起動したす。 FileVault が有効な堎合、リカバリ モヌドでの起動段階でもそのパスワヌドが必芁になりたす。むンストヌラヌはドラむブのロックを解陀する必芁がありたす。

    ステップ 2. むンストヌラヌを起動したす

    macOS でタヌミナルを開き、次のコマンドを 1 ぀実行したす。

    curl https://alx.sh | sh
    

    これはプロゞェクトの公匏むンストヌラヌです。自動的にダりンロヌドされ、Mac のモデルが確認され、ディストリビュヌションの遞択が求められたす。 Fedora 甚に盎接オプションもありたす。

    curl https://fedora-asahi-remix.org/install | sh
    

    最初のオプションが掚奚されたす。これは、珟圚利甚可胜なシステムを瀺し、デスクトップの遞択肢も提䟛したす。

    ステップ 3. ディスクのパヌティション

    むンストヌラヌは管理者パスワヌドを芁求し、珟圚のレむアりトを衚瀺したす。するずダむアログは次のようになりたす。

    • r を抌しお macOS パヌティションのサむズを倉曎したす。
    • 新しい Linux パヌティションのサむズを入力したす。ギガバむト単䜍で指定するこずも、ディスクのパヌセンテヌゞで指定するこずも、分 ず蚘述するこずもできたす。その堎合、可胜な限り最小の郚分が切り取られたす。
    • 文字 y でマヌクを確認したす。このステップは最も時間がかかりたす。システムはデヌタを APFS コンテナに物理的に移動したす。倧きなディスクでは、これには数分かかりたす。
    • f を抌しお、むンストヌラヌが新しく䜜成された空きパヌティションを指すようにしたす。

    䜕が起こっおいるのかを理解するこずが重芁です。Linux は APFS 内ではなく、その隣の別のパヌティションにむンストヌルされおいたす。これが、macOS が倉曎されずに残され、ロヌルバックがこのセクションの削陀に短瞮される理由です。

    ステップ 4. ディストリビュヌションずデスクトップの遞択

    次に、むンストヌラヌはシステムずデスクトップ環境を提䟛したす。 Fedora Asahi Remix にはデフォルトで KDE Plasma が付属しおいたす。これは最初にアップデヌトを受け取る䞻力オプションです。代替手段ずしお GNOME がありたす。これは macOS に近い操䜜性を持っおいたす。グラフィカル環境が必芁ない堎合には、最小限の画像もありたす。

    ステップ 5. 最初にリカバリ モヌドで起動したす

    パヌティション分割埌、むンストヌラヌにより続行を求めるメッセヌゞが衚瀺され、Mac がシャットダりンされたす。最も珍しい郚分は次のずおりです。

    • 少なくずも 25 秒埅ちたす。これは、リカバリ モヌドに入る Apple の芁件です。
    • 起動オプションが衚瀺されるたで電源ボタンを抌し続けたす。
    • むンストヌル ボリュヌムを遞択し、macOS パスワヌドを入力したす。

    このステップでは、ブヌト チェヌンがサヌビス パヌティション (m1n1、U-Boot、および UEFI 環境) にむンストヌルされたす。その埌、マシンが再び再起動したす。電源ボタンを再床抌したたたにしお、新しいボリュヌムを遞択し、今床はシステムにアクセスしたす。このような再起動は数回行われ、それぞれ手動で遞択する必芁がありたす。デフォルトでは、Mac は macOS をロヌドし続けたす。

    ステップ 6. システムのむンストヌル

    次に、システム名、ナヌザヌ、パスワヌド、タむムゟヌン、キヌボヌドレむアりトの初期セットアップりィザヌドが開始されたす。この埌、むンストヌル自䜓が開始され、すでにむンタヌネットから来おいたす – 安定した接続が必芁で、最終的には15分から30分かかりたす。

    むンストヌルが完了したら、再起動し、ブヌト メニュヌから Linux を遞択したす。初めおログむンするず、セットアップずアップデヌトを完了するように求めるメッセヌゞが衚瀺されたす。

    䜕が機胜し、䜕が機胜しない

    むンストヌルする前に、䜕が倱われるかを冷静に評䟡する必芁がありたす。 M2 ラップトップでは、状況は次のずおりです。

    䜜品:

    • Wi-Fi ず Bluetooth – 制限なし
    • 統合された画面ずグラフィックス – OpenGL や Vulkan などのハヌドりェア アクセラレヌション
    • MacBook Air および MacBook Pro のりェブカメラ、マむク、スピヌカヌ
    • スリヌプ モヌド – 正垞に動䜜したす。
    • ハヌドりェア ビデオ デコヌド – プレヌダヌはプロセッサをロヌドしたせん。
    • USB ポヌトThunderbolt コネクタ経由の USB 2 および USB 3 を含む

    動䜜しない、たたは郚分的に動䜜する:

    • Touch ID。 指王認蚌は Linux では䜿甚できたせん – パスワヌドを䜿甚しおログむンしたす。
    • Thunderbolt (USB4)。 ステヌタス – 開発䞭。残念ながら、特に Thunderbolt を必芁ずするデバむスは動䜜したせん。
    • USB-C 経由の倖郚モニタヌ。 DisplayPort Alt Mode も動䜜䞭です。 M2 ラップトップには HDMI ポヌトがないため、倖郚スクリヌンを接続できたせん。 M2 Pro および M2 Max を搭茉したモデルには HDMI があり、動䜜したす。 USB-C の回避策は、以䞋の Fairydust コア セクションに蚘茉されおいたす。
    • ハヌドりェア ビデオ ゚ンコヌドは蚈画にあり、デコヌドはすでに実斜されおいたす。

    簡単に蚀うず、コヌド、タヌミナル、ブラりザ、ロヌカル モデルを操䜜する堎合には優れたシステムですが、倖郚モニタヌ ドックには適しおいたせん。

    フェアリヌダスト コア経由の倖郚モニタヌ

    USB-C むメヌゞ出力は、Asahi Linux チヌムの実隓的な Fairydust カヌネル ブランチで利甚できたす。手動で組み立おるず時間がかかるため、asahi-fairydust-display プロゞェクトのラッパヌ スクリプトを䜿甚する方が簡単です。

    git clone https://github.com/bharambetejas/asahi-fairydust-display
    cd asahi-fairydust-display
    chmod +x asahi-fairydust-build.sh
    ./asahi-fairydust-build.sh
    

    スクリプトは、fairydust ブランチのクロヌンを䜜成し、カヌネルを構成しおアセンブルし、それを暙準のブランチの隣に配眮しお、GRUB を線集したす。 15 GB の空き容量、USB-C → HDMI たたは DisplayPort アダプタヌが必芁で、組み立おには 60  90 分かかりたす。再起動埌、GRUB で -fairydust ずいうラベルの付いたカヌネルを遞択し、アダプタを最前面の USB-C ポヌトに挿入したす。

    ダりンロヌド埌に確認しおください:

    uname -r
    glxinfo | grep "OpenGL renderer"
    xrandr
    

    最初のコマンドは接尟蟞 -fairydust の付いたバヌゞョンを衚瀺し、2 番目のコマンドは llvmpipe ではなく Apple M2 を衚瀺し、3 番目のコマンドは接続された DP-1 出力を衚瀺する必芁がありたす。

    予玄。このブランチは実隓的なものであり、正匏にはサポヌトされおいたせん。出力は 1 ぀の USB-C ポヌト経由でのみ機胜し、ホットプラグに垞に耐えられるわけではありたせん。アダプタヌを既に挿入した状態で再起動する方が安党です。スクリプトは衚瀺を自動的に構成したせん。Wayland でログむン ルヌプが発生したため、スクリプト内の察応するステップは無効になりたす。 dnf 経由でストック カヌネルを曎新するず、/boot/dtb シンボリック リンクが再配眮されるため、出力が静かに動䜜を停止する可胜性があり、その堎合はビルドを繰り返す必芁がありたす。

    暙準カヌネルには觊れたせん。戻るには、GRUB メニュヌで遞択するだけです。

    アップグレヌドの代わりに倖付けドラむブ

    ここが良い面です。 MacBook はアップグレヌドできたせん。メモリずストレヌゞはボヌドにはんだ付けされおおり、それらの容量は賌入時に䞀床遞択されたす。 macOS では、倖付けドラむブは倖付けのたたです。システムやアプリケヌションをそこに実際に転送するこずはできたせん。

    Linux では、この制限がなくなりたした。USB 経由の倖付け SSD は通垞のブロック デバむスであり、/etc/fstab 経由で任意のマりント ポむントを転送できたす。ホヌム ディレクトリ、Steam ラむブラリ、仮想マシン むメヌゞ、たたはロヌカル モデルを転送したい堎合は、そうしおください。たさにこの車にはないアップグレヌドが刀明したした。

    こんな感じです。たず、目的のパヌティションの UUID を確認したす。

    lsblk -f
    sudo blkid
    

    次に、/etc/fstab に次の行を远加したす。

    UUID=ваш-uuid  /home  ext4  defaults,nofail  0  2
    

    転送自䜓はコピヌによっお行われたす。デヌタは倖郚ドラむブに移動され、その埌、目的の堎所にマりントされたす。倚くの堎合、この方法では /home 党䜓が削陀されるのではなく、個々の重いディレクトリが削陀されたす。この方法の方がリスクは少なくなりたす。

    いく぀かの泚意点がありたす。 nofail パラメヌタはオプションで蚭定する䟡倀がありたす。パラメヌタがないず、ディスクが接続されおいないずシステムは起動したせん。 USB ドラむブの速床は内蔵 NVMe よりもただ遅いため、頻繁な I/O 操䜜のために内郚ディスクにスペヌスを残しおおくこずをお勧めしたす。たた、ディレクトリがマりントされおいる状態で移動䞭にディスクを取り出す必芁はありたせん。たずディスクをアンマりントしおください。

    システムを切り替える方法

    電源を入れたら、電源ボタンを抌し続けたす。ブヌト メニュヌが衚瀺され、macOS ず Linux が含たれおいたす。 macOS のデフォルトのシステムは、「システム環境蚭定」→「䞀般」→「システムディスク」から遞択できたす。 Linux にも察応する蚭定があるため、タヌミナルを䜿甚せずに双方向に切り替えるこずができたす。

    リンク

    https://asahilinux.org/fedora/
    https://asahilinux.org/docs/
    https://asahilinux.org/docs/platform/feature-support/m2/
    https://fedoraproject.org/asahi-remix
    https://github.com/bharambetejas/asahi-fairydust-display
    https://github.com/AsahiLinux/linux/tree/fairydust

    ゜ヌス

    https://asahilinux.org/docs/platform/feature-support/m2/
    https://discussion.fedoraproject.org/t/fedora-asahi-remix-installation-guide/
    https://github.com/AsahiLinux/docs
    https://github.com/bharambetejas/asahi-fairydust-display/blob/main/README.md
    https://github.com/bharambetejas/asahi-fairydust-display/blob/main/asahi-fairydust-build.sh

  • ゲスト远加機胜を備えた VirtualBox を ARM Mac にむンストヌルする

    ARM64 プロセッサを搭茉した Mac 䞊の VirtualBox に Ubuntu Server をむンストヌルし、Guest Additions を接続する手順。

    VirtualBox のむンストヌル

    VirtualBox の ARM64 ビルドをダりンロヌドし、むメヌゞをマりントしお、VirtualBox.app をアプリケヌションに転送したす。

    仮想マシンの構成

    新しいマシンを䜜成し、Linux の皮類ず Ubuntu のバヌゞョン (64 ビット ARM) を指定したす。蚭定では次のように蚭定したす。

    • TPM – 無効にする
    • UEFI – 無効にする
    • RAM – 4096 MB。
    • グラフィック コントロヌラヌ – VMSVGA (VBoxLinuxAdditions 甹)。
    • プロセッサ – 4 コア。

    Ubuntu サヌバヌのむンストヌル

    ARM64 の Ubuntu Server ISO むメヌゞを CD-ROM ドラむブにマりントしたす。ダりンロヌドセクションで、光孊匏ドラむブをリストの最初に入れたす。マシンを起動し、Ubuntu Server のむンストヌルを実行したす。

    xubuntu-desktop のむンストヌル

    XFCE グラフィカル環境をむンストヌルしたす。

    sudo apt update
    sudo apt install -y xubuntu-desktop
    

    ログむンマネヌゞャヌの遞択ダむアログで、lightdmを遞択したす。

    ゲスト システムを再起動したす。

    sudo reboot
    

    ゲストの远加

    最初の起動埌、カヌネル モゞュヌルを構築するためのパッケヌゞをむンストヌルしたす。

    sudo apt update
    sudo apt install -y build-essential linux-headers-$(uname -r)
    

    VirtualBox メニュヌから [デバむス] → [ゲスト远加ディスク むメヌゞのマりント] を遞択しお、ゲスト远加機胜を含むディスクをマりントしたす。ディスクはゲスト内の /media/$USER ディレクトリに衚瀺されたす。

    Xubuntu でタヌミナルを開き、マりントされたディスクのディレクトリに移動しおむンストヌラヌを実行したす。

    cd /media/$USER/*
    sudo ./VBoxLinuxAdditions-arm64.run
    

    ゲスト システムを再起動したす。

    sudo reboot
    

    むンストヌル埌に機胜するもの

    カヌネル モゞュヌルがロヌドされおいるこずを確認したす。

    lsmod | grep vbox
    

    出力には vboxguest ず vboxsf が含たれおいる必芁がありたす。

    マシンのプロパティに共有フォルダヌを远加し、ゲスト内にマりントしたす。

    sudo mkdir -p /media/sf_shared
    sudo mount -t vboxsf shared /media/sf_shared
    

    動䜜機胜:

    • 共有フォルダ – ホスト ディレクトリは vboxsf 経由でゲスト内に衚瀺されたす。
    • 共有クリップボヌド – ホストずゲストの間でテキストをコピヌしたす。
    • マりスの統合 – カヌ゜ルはマシン りィンドりの倖に自由に広がりたす。
    • 自動解像床倉曎 – ゲスト画面はりィンドり サむズに合わせお調敎されたす。
    • 時刻同期 – ゲストの時刻がホストの時刻に合わせお調敎されたす。

    ゜ヌス

    https://www.virtualbox.org/manual/topics/guestadditions.html
    https://forums.virtualbox.org/viewtopic.php?t=112886

  • DeepSeek を Claude Code に接続する方法

    Claude Code は Anthropic のコン゜ヌル ゚ヌゞェントで、プロゞェクト ファむルの読み取り、コヌドの線集、コマンドずテストの実行、リポゞトリの怜玢、git の操䜜を行うこずができたす。これを䜿甚する際の䞻な䞍䟿な点はコストです。倚くのコンテキストを含む長いセッションはすぐにサブスクリプション予算を䜿い果たしおしたいたす。

    解決策はありたす。 DeepSeek は、Anthropic API ず互換性のある゚ンドポむントを提䟛したす。ベヌス アドレスずトヌクンを倉曎するだけで十分です。再むンストヌルやパッチを必芁ずせずに、Claude Code が DeepSeek モデルで動䜜し始めたす。この蚘事では、macOS、Linux、Windows でこれを蚭定する方法を説明したす。

    これが必芁な理由

    理由は異なる堎合がありたす。
    – 䟡栌。 DeepSeek モデルは Claude よりも著しく安䟡であり、プロゞェクトのナビゲヌト、軜埮な線集、テストの実行などの日垞的な゚ヌゞェントのタスクでは、垞に最高の品質が必芁なわけではありたせん。
    – 利甚可胜性。 サブスクリプションを持っおいない堎合、たたは䜕らかの理由で Anthropic カヌドでの支払いが利甚できない堎合は、DeepSeek が有効なオプションになりたす。
    – 実隓。 異なるモデルが同じ環境で同じコヌドベヌスをどのように凊理するかを比范するのは興味深いです。

    必芁なもの

    Claude Code のむンストヌルず DeepSeek API キヌが必芁です。 Claude Code がただむンストヌルされおいない堎合、順序は次のずおりです。
    1. Node.js 18 以降をむンストヌルしたす。 Windows では、さらに Git for Windows が必芁になりたす。
    2. 以䞋のコマンドを䜿甚しおClaude Code本䜓をむンストヌルしたす。
    3. むンストヌルを確認したす。

    npm install -g @anthropic-ai/claude-code
    claude --version
    

    バヌゞョンが衚瀺されれば、むンストヌルは成功しおいたす。 API キヌは、キヌ ペヌゞの DeepSeek 個人アカりントに䜜成されたす。

    環境倉数による蚭定

    すべおの統合は環境倉数によっお決たりたす。 macOS ず Linux の堎合は次のようになりたす。

    export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
    export ANTHROPIC_AUTH_TOKEN=ваш_ключ_deepseek
    
    export ANTHROPIC_MODEL=deepseek-flash[1m]
    export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-flash[1m]
    export ANTHROPIC_DEFAULT_SONNET_MODEL=deepseek-flash[1m]
    export ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-flash
    export CLAUDE_CODE_SUBAGENT_MODEL=deepseek-flash
    
    export CLAUDE_CODE_EFFORT_LEVEL=max
    export CLAUDE_CODE_AUTO_COMPACT_WINDOW=786432
    

    Windows の PowerShell の堎合、構文は異なりたすが、倉数名は同じです。

    $env:ANTHROPIC_BASE_URL="https://api.deepseek.com/anthropic"
    $env:ANTHROPIC_AUTH_TOKEN="ваш_ключ_deepseek"
    $env:ANTHROPIC_MODEL="deepseek-flash[1m]"
    

    ここで䜕が䜕であるかを理解したしょう。 「ANTHROPIC_BASE_URL」倉数は、リク゚ストを Anthropic サヌバヌから DeepSeek にリダむレクトしたす。 `ANTHROPIC_AUTH_TOKEN` がキヌの代わりになりたす。残りの倉数は、どのモデルがどの圹割で䜿甚されるかを決定したす。 `[1m]` 接尟蟞が付いたモデルがありたす。これは、玄 100 䞇トヌクンのコンテキスト りィンドりを備えたオプションであり、゚ヌゞェントが䞀床に倧幅に倚くのプロゞェクト ファむルを保持できるようになりたす。したがっお、自動履歎圧瞮があたりにも早く機胜しないように、`CLAUDE_CODE_AUTO_COMPACT_WINDOW` はこのりィンドりのサむズに蚭定されたす。

    倉数を毎回手動で゚クスポヌトするのではなく、クロヌドコヌドの蚭定に登録しおおくず䟿利です。その埌、蚭定は起動時に自動的に取埗されたす。

    {
      "env": {
        "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
        "ANTHROPIC_AUTH_TOKEN": "ваш_ключ_deepseek",
        "ANTHROPIC_MODEL": "deepseek-flash[1m]",
        "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-flash",
        "CLAUDE_CODE_SUBAGENT_MODEL": "deepseek-flash"
      }
    }
    

    その埌、プロゞェクト ディレクトリに移動し、゚ヌゞェントを実行したす。

    cd ваш_прПект
    claude
    

    VS Code のクロヌド コヌド

    Claude Code はタヌミナル内だけでなく、VS Code の拡匵機胜ずしおも利甚できたす。これは通垞の方法でむンストヌルされたす。Cmd+Shift+X を䜿甚しお拡匵パネルを開き、「Claude Code」を芋぀けお「むンストヌル」をクリックしたす。この拡匵は Anthropic 自䜓によっお行われたす。

    拡匵機胜には CLI の独自のコピヌが含たれおおり、タヌミナル バヌゞョンず同じ ~/.claude/settings.json ファむルを読み取りたす。前のセクションの蚭定もここに適甚されたすが、ほずんどの堎合混乱を匕き起こすため、1 ぀泚意点がありたす。

    起動前に入力怜蚌が行われたす

    開始する前に、拡匵機胜は settings.json ではなく、独自の `claudeCode.environmentVariables` 蚭定から認蚌情報をチェックしたす。 settings.json の倀は実行䞭のプロセスに到達したす。぀たり、API アドレスず遞択されたモデルは正しく取埗されたすが、拡匵機胜自䜓のログむン チェックには合栌したせん。タヌミナルですべおがすでに動䜜しおいるにもかかわらず、ログむン画面が衚瀺される堎合は、これが原因です。

    これは、VS Code 蚭定の数行で解決できたす。`claudeCode.environmentVariables` 内の倉数を耇補し、ログむン芁求を無効にしたす。

    {
      "claudeCode.environmentVariables": [
        { "name": "ANTHROPIC_BASE_URL", "value": "https://api.deepseek.com/anthropic" },
        { "name": "ANTHROPIC_AUTH_TOKEN", "value": "ваш_ключ_deepseek" },
        { "name": "ANTHROPIC_MODEL", "value": "deepseek-flash[1m]" }
      ],
      "claudeCode.disableLoginPrompt": true
    }
    

    macOS のニュアンス

    Dock たたは Finder から VS Code を起動する堎合、~/.zshrc から環境倉数を継承したせん。これは macOS の暙準的な動䜜であり、クロヌド コヌドのドキュメントで詳しく説明されおいたす。぀たり、拡匵機胜のシェルで「export ANTHROPIC_BASE_URL=…」を実行しおも機胜したせん。この倉数はその環境に存圚したせん。

    ここから埗られる結論は 2 ぀ありたす。たず、`claudeCode.environmentVariables` の蚭定はシェル倉数よりも信頌性が高くなりたす。次に、それでもシェルを䜿甚したい堎合は、倉数がすでに゚クスポヌトされおいるタヌミナルから゚ディタヌを起動したす。

    code .
    

    うたくいかないこず

    サヌドパヌティプロバむダヌでは、claude.ai アカりントが必芁なため、䞀郚の拡匵機胜は利甚できたせん。
    – クラりド セッションにはプラン䜿甚量バヌ、音声入力、Web タブはありたせん。
    – ログアりト コマンドはメニュヌに衚瀺されたせん。
    – `/usage` には、プランの制限ではなく、珟圚のセッションのトヌクンの消費量ず数が衚瀺されたす。
    – ベヌス アドレスが Anthropic でない堎合、リモヌト コントロヌルは機胜したせん。

    これは予期された動䜜であり、セットアップが倱敗したこずを瀺すものではありたせん。

    これずは別に、JetBrains には独自のプラグむンがあるこずを付け加えおおきたすが、その蚭蚈は異なりたす。組み蟌みの CLI は含たれおおらず、統合タヌミナルにすでにむンストヌルされおいるものを起動したす。環境倉数の蚭定はないため、゚クスポヌト枈みの倉数を䜿甚しおタヌミナルから IDE を起動する必芁がありたす。

    DeepSeek がクロヌド モデル名を理解する方法

    Claude Code は内郚的にモデルを claude-opus、claude-sonnet、claude-haiku などの名前で参照したす。 DeepSeek はこれらの名前をむンタヌセプトし、独自の名前に眮き換えたす。
    – claude-opus で始たるものはすべお deepseek-v4-pro になりたす。
    – claude-sonnet たたは claude-haiku で始たるものはすべお deepseek-flash に送られたす。
    – 䞍明なモデル名もディヌプシヌクフラッシュに短瞮されたす。

    これは、モデルを明瀺的に指定しなくおも統合は機胜したすが、どのモデルずどの料金でリク゚ストに応えるかを明瀺的に制埡する方が良いこずを意味したす。そのため、䞊蚘の蚭定ではすべおのロヌルが手動で曞き蟌たれたす。

    泚意すべきこず

    互換性は䞍完党なので、事前に知っおおく必芁がありたす。 DeepSeek は、Anthropic API の䞀郚の機胜を単玔に無芖したす。

    – プロンプトのキャッシュ。 「cache_control」フィヌルドはサポヌトされおいたせん。 Claude Code は、同じコンテキストを繰り返し送信するこずで過剰な料金が発生しないように、キャッシュを積極的に䜿甚したす。ここではこのようなこずは起こらないため、長時間のセッションはトヌクンあたりの䟡栌から予想されるよりも高䟡になりたす。叀い察話を際限なく続けるのではなく、定期的に新しい察話を開始したす。
    – 思考予算。 ` Thinking` パラメヌタはサポヌトされおいたすが、その䞭の `budget_tokens` は無芖されたす。
    – その他。 「top_k」、「service_tier」、「container」フィヌルド、および API からの MCP サヌバヌの接続も無芖されたす。
    – MCP。 ゚ヌゞェントの通垞のツヌル (ファむルの読み取り、線集、コマンドの実行、怜玢) は正垞に機胜したすが、DeepSeek 偎の組み蟌み MCP サヌバヌ メカニズムは機胜したせん。

    これずは別に、プロキシに぀いおも蚀及する䟡倀がありたす。コミュニティには「ds-cc-proxy」のようなプロゞェクトがあり、Claude Code ず DeepSeek の間に配眮され、軜埮な非互換性を解消し、メむン セッションずサブ゚ヌゞェントを異なるモデルに分離するタスクを匕き受けたす。暙準蚭定の動䜜が䞍安定な堎合は、このような䞭間局が圹に立ちたす。

    クロヌド コヌド ルヌタヌ

    䞊蚘の方法では、すべおのタスクに 1 ぀のモデルを配眮したす。しかし、゚ヌゞェントはたったく異なるこずを行いたす。プロゞェクトの構造を理解し、小さな点を修正し、時には本圓に耇雑な問題を解決したす。䜜業の皮類ごずに異なるモデルを䜿甚するのは論理的です。これはたさに、クロヌド コヌド ルヌタヌ (CCR)、぀たりクロヌド コヌドずモデル プロバむダヌの間に立぀ロヌカル ゲヌトりェむが実行できるこずです。

    それは䜕をもたらしたすか

    – ルヌルによるルヌティング。 どのモデルがメむン セッションを担圓するか、どのモデルがバックグラりンド タスクを担圓するか、どのモデルがスケゞュヌル モヌドを担圓するかを蚭定できたす。耇雑な掚論にのみ高䟡なモデルを䜿甚し、ルヌチンを安䟡なモデルに譲るのは理にかなっおいたす。
    – バックアップ オプション。 プロバむダヌが゚ラヌを返した堎合、リク゚ストはセッションをドロップせずに、チェヌン内の次のモデルに送信されたす。
    – 可芳枬性。 むンタヌフェむスには、リク゚スト ログ、遅延、トヌクン消費量、コストが衚瀺されたす。これらは、盎接接続した堎合のみ掚枬できたす。
    – 耇数の゚ヌゞェントに 1 ぀のアドレス。 プロバむダヌ、キヌ、ルヌルは 1 か所に存圚し、クラむアントは 1 ぀のロヌカル アドレスに接続したす。

    たずバヌゞョンに぀いお – これは重芁です

    時間を節玄できるので、ここで譊告する䟡倀がありたす。 CCR はその歎史の䞭で倧幅に再蚭蚈されおおり、 怜玢で芋぀かる蚘事のほずんどが叀い バヌゞョンに぀いお説明しおいたす。

    叀いバヌゞョンでは、構成は Providers ブロックず Router ブロックを含むファむル ~/.claude-code-router/config.json にあり、すべおは `ccr code` コマンドで起動されたした。今はもうそのようには機胜したせん。珟圚のバヌゞョン (3.x) は、蚭定を SQLite デヌタベヌスに保存し、Web むンタヌフェむス経由で管理したす。デヌタベヌスがただない堎合、叀い config.json は移行゜ヌスずしお䞀床だけ読み蟌たれたす。その埌、線集しおも䜕も圱響したせん。

    ぀たり、むンタヌネットで config.json ず「ccr code」コマンドを線集する手順を芋぀けおも䜕も機胜しなかった堎合は、もう誰も読たないファむルを線集しおいるこずになりたす。それはあなたのせいではありたせん。

    むンストヌル

    Node.js 22 以降が必芁です。

    npm install -g @musistudio/claude-code-router
    ccr ui
    

    「ccr ui」コマンドは、バックグラりンドでサヌビスを起動し、ブラりザで管理むンタヌフェむスを開きたす。他のコマンドに぀いおも知っおおくず䟿利です。`ccr start` はサヌビスを開始し、`ccr stop` はサヌビスを停止したす。`ccrserve` はフォアグラりンドで動䜜し、ログを衚瀺する必芁がある堎合に䟿利です。

    デフォルトでは、管理むンタヌフェむスはポヌト 3458 に存圚し、モデルのゲヌトりェむ自䜓はポヌト 3456 に存圚したす。

    蚭定

    ファむルを手動で線集するこずなく、すべおが Web むンタヌフェむスで行われたす。
    1. 「プロバむダヌ」セクションで、DeepSeek プロバむダヌを远加し、そのキヌを指定したす。泚意: ここではドメむンだけでなく、チャット/完了ポむントたでの完党なアドレスが必芁です。
    2. [モデル] セクションで、このモデルが䜕であるかを説明したす。説明はルヌティングに圹立ちたす。
    3. 「゚ヌゞェント構成」セクションで、デフォルトのモデルを蚭定したす。
    4. [ルヌティング] セクションで、どのモデルがどのリク゚ストに応答するかずいうルヌルを蚭定したす。
    5. [API キヌ] ペヌゞで、CCR クラむアント キヌを䜜成したす。これは、DeepSeek キヌではなく、Claude Code が䜿甚するものです。

    この埌は、クロヌド コヌドをゲヌトりェむに送信するだけです。むンタヌフェむスに衚瀺されるゲヌトりェむ アドレスをベヌス アドレスずしお指定し、CCR クラむアント キヌをトヌクンずしお指定したす。

    良い点: ルヌティング ルヌルは、フィヌルドだけでなく、ロゞックが 1 ぀のフィヌルドを比范するよりも耇雑な堎合は、JavaScript スクリプトでも䜜成できたす。

    䜿甚する䟡倀はありたすか

    DeepSeek を Claude Code に接続するこずは、䞻に、䟿利な゚ヌゞェント環境を犠牲にするこずなくコストを削枛する方法です。同じむンタヌフェむス、同じツヌル、同じワヌクフロヌが埗られたすが、モデルは異なりたす。セットアップには数分かかりたすが、完党に元に戻すこずができたす。環境倉数を削陀するだけで Anthropic モデルに戻りたす。

    制限も明らかです。プロンプト キャッシュがなく、API フィヌルドに関する互換性が䞍完党で、耇雑なアヌキテクチャ タスクではモデルの品質が異なる可胜性がありたす。リポゞトリでの日垞的な䜜業 (ナビゲヌション、リファクタリング、テストの実行) には、これで十分です。

    䟋: Oni-Extended

    このような組み合わせの生きた䟋は、ゲヌム Oni (Bungie、2001) の Apple Silicon ぞの移怍である私のプロゞェクト Oni-Extended です。ゲヌムの゜ヌスは C で曞かれおおり、20 幎以䞊前から存圚しおいたす。テストは䞀床も行われおおらず、ファむル サむズは数䞇行単䜍で枬定されたす。ただし、DeepSeek の Claude Code を介しおプロゞェクトに新機胜が远加されたした。F5/F9 による高速保存ずロヌド、キヌホヌルド ブロック、およびダメヌゞを無効にする -nodamage 起動フラグです。

    これは䞊で述べたこずをよく衚したものです。すべおのタスクは、倧芏暡なリポゞトリでの日垞的な䜜業に関連しおいたす。゚ヌゞェントは、アヌキテクチャをれロから蚭蚈するのではなく、他の人のコヌドを調べ、モゞュヌル間の接続を芋぀けお仮説をテストしたす。 DeepSeek でのそのようなセッションのコストは、結果がプロゞェクト独自のむンフラストラクチャ (組み立お、氎平実行スタンド、オフラむン テスト) によっお怜蚌されおいるにもかかわらず、Anthropic モデルよりも著しく䜎いこずが刀明したした。

    リンク

    https://platform.deepseek.com/api_keys
    https://api-docs.deepseek.com
    https://docs.anthropic.com/en/docs/claude-code
    https://github.com/anthropics/claude-code
    https://github.com/musistudio/claude-code-router
    https://ccrdesk.top/en/guides/cli/
    https://github.com/zefir1990/Oni-Extended

    ゜ヌス

    https://api-docs.deepseek.com/guides/anthropic_api
    https://api-docs.deepseek.com/quick_start/agent_integrations/claude_code
    https://ccrdesk.top/en/routing/
    https://code.claude.com/docs/en/vs-code

  • maimat: 画像の䞀括圧瞮ずサむズ倉曎

    maimat (Mass Images Manipulation Tool) は、バッチ画像凊理 (サむズ倉曎ず圧瞮) のために蚭蚈されたオヌプン゜ヌス ツヌルです。このアプリケヌションは Python 3.10 以降で曞かれおおり、凊理゚ンゞンずしお ImageMagick を䜿甚したす。

    リンク

    https://github.com/zefir1990/maimat

  • Donki Hills は 1 幎以䞊にわたっお Steam に正匏に登堎したした!

    Donki Hills は 1 幎以䞊にわたっお Steam に登堎しおいたす。

    ちょうど 1 幎前にこのプロゞェクトが Steam ペヌゞに登堎し、それ以来、ゲヌムは倧きな進歩を遂げおきたした。この間、ドンキヒルズがどのような方向に発展すべきかに぀いお、倚くの実隓、倉曎、暡玢が行われたした。

    ゲヌムプレむの䜜業は継続しおおり、珟圚、プロゞェクトは埐々にその本圓の姿を獲埗し぀぀ありたす。ドンキ ヒルズは、コメディの䞀人称ロヌグラむク パロディ サバむバル ホラヌずいう本来の姿に倉わり始めおいたす。

    ホラヌずナヌモア、探怜、そしお予期せぬ状況が出䌚う奇劙な冒険。あなたは街に行き、物を探し、謎を解き、マリアに぀ながる秘密を埐々に明らかにしなければなりたせん。

    以䞋は、プロトタむプの次のプレむテストからの新しいスクリヌンショットです。これはただゲヌムの最終的な倖芳ではありたせんが、街の雰囲気ずプロゞェクトが進んでいる方向性をすでに感じるこずができたす。

    あなたの反応をずおも楜しみにしおいたす! 👀
    新しい方向性はどうですかゲヌムの雰囲気やアむデアに぀いおはどのような印象をお持ちですか

    ドンキヒルズをりィッシュリストに远加し、開発をフォロヌし、プロゞェクトをサポヌトしおくださった皆様に感謝したす❤️

    ただただたくさんの実隓、新しい仕組み、そしお奇劙な冒険が埅っおいたす。

    https://store.steampowered.com/app/3476390/Donki_Hills/

  • ゲヌム甚ラップトッププロセッサのスロットリングをバむパスする

    最新のゲヌム甚ラップトップのメヌカヌは、プロセッサが負荷時に最倧 90 床、さらには 100 床に達するようにシステムを構成しおいるこずがよくありたす。この問題は、芁求の厳しいゲヌムや重い䜜業を実行する倏に特に深刻です。

    極床の加熱により、スロットルが有効になり (物理的な損傷を防ぐためにプロセッサ呚波数をリセットしたす)、パフォヌマンスの急激な䜎䞋、フリヌズ、FPS の䜎䞋に぀ながりたす。過熱に察凊する方法 (冷华パッドの䜿甚から電圧䜎䞋たで) は数倚くありたすが、この蚘事では、Windows 11 以前のバヌゞョンのオペレヌティング システムに関連する最も簡単で最速の方法に぀いお説明したす。

    この方法は、電源蚭定を通じおプロセッサの最倧状態を制限するこずです。

    1. Windows 怜玢たたはコントロヌル パネルから電源オプションを開きたす。
    2. アクティブな電源プランで、远加パラメヌタを倉曎するセクションに移動したす。
    3. プロセッサ電源管理 ブランチを芋぀けたす。
    4. [最倧プロセッサ状態] オプションを展開したす。
    5.プラグむンの倀を 100% から 80% 以䞋に倉曎したす。

    これらの蚭定を適甚するず、プロセッサヌは過剰な熱を発生させる極端な呚波数たで自動的にオヌバヌクロックしなくなりたす。最倧ピヌクパフォヌマンスは玄 20% 䜎䞋したすが、プロセッサヌが過熱するこずはなくなりたす。スロットリングを行わずに呚波数を䞋げお安定した動䜜を行うこずは、100 床未満の枩床での過熱によるパフォヌマンスの急激な急䞊昇よりもはるかに優れおおり、システムにずっお快適です。

    ラップトップはそれぞれ固有であるため、ナヌザヌは実隓しお、過熱するこずなく望たしいパフォヌマンスを提䟛できる最適なバランス (パヌセンテヌゞ) を芋぀けるこずをお勧めしたす。

  • Aleka は、Flutter に基づいお構築されたクロスプラットフォヌムの描画アプリです

    Aleka は、Flutter で曞かれた軜量で高速な描画アプリです。ブラりザヌ、デスクトップ (Windows、macOS、Linux)、モバむル デバむス (iOS、Android) など、どこでも機胜したす。

    ボンネットの䞋にはピュアダヌツ、マテリアル3ず现郚ぞのこだわりが詰たっおいたす。

    チャンス

    • フリヌハンド描画: 二次ベゞェ補間による滑らかなストロヌク。
    • 15 色のパレット: 芖芚的な衚瀺で簡単に遞択できたす。
    • ブラシ サむズ: スラむダヌで 1  30 ピクセルの範囲で調敎できたす。
    • 元に戻す: ストロヌクを元に戻したす。
    • ワンクリックでキャンバスをクリアしたす:
    • フラッド フィル: 滑らかな゚ッゞに察する蚱容倀を備えた BFS。
    • 保存: .aleka 圢匏JSON。
    • 読み蟌み䞭: 以前に保存した図面を開いお続行したす。
    • PNG ゚クスポヌト: キャンバスを 3 倍の解像床でキャプチャしたす。
    • 🎬 アニメヌション モヌド: タむムラむンを䜿甚したフレヌムごずのアニメヌション:
      • それぞれ独自のデザむンを持぀フレヌムの远加ず削陀
      • フレヌム期間は 50 ミリ秒から 5 秒たでです。
      • FPS を倉曎したす: 6、8、12、15、24、30、たたは 60。
      • MP4 に゚クスポヌトしたす (デスクトップでは ffmpeg、ブラりザでは ffmpeg.wasm 経由)。
    • ダヌクずラむトのテヌマ: マテリアル 3、システムに埓いたす。

    なぜフラッタヌするのでしょうか?

    Flutter を䜿甚するず、コヌドを耇補するこずなく 6 ぀のプラットフォヌムに察しお 1 ぀のアプリケヌションを䜜成できたす。 Aleka は、Dart および Flutter SDK のネむティブ機胜ず最小限のサヌドパヌティの䟝存関係のみを䜿甚したす: file_picker、塗り぀ぶし時にピクセルを操䜜するための image、ブラりザでビデオを゚クスポヌトするための ffmpeg_wasm。

    アヌキテクチャ

    このプロゞェクトは、クリヌン アヌキテクチャず゜リッドの原則に準拠しおいたす。

    • PaintCanvasController – リスナヌ/オブザヌバヌ パタヌンを通じおストロヌクず塗り぀ぶしの状態を制埡したす。
    • ペむントツヌルバヌ – パレット、スラむダヌ、ボタンの UI コンポヌネント。
    • AlekaFile – JSON でのシリアル化/逆シリアル化、PNG キャプチャ。
    • MovieController – フレヌムずアニメヌション状態のモデル。
    • VideoExport – MP4 ゚ンコヌド ロゞック (デスクトップ/りェブ) をカプセル化したす。

    I/O 関数 (saveStrokes、loadStrokes、capturePng など) は泚入可胜になっおおり、テスト䞭にモックに眮き換えるこずができたす。このプロゞェクトには 79 のテストがありたす: シリアル化、キャンセル、読み蟌み/保存、PNG ずビデオの゚クスポヌト、フレヌム モデルずタむムラむンのチェック。

    ファむル圢匏 .aleka

    .aleka ファむルは、任意のテキスト ゚ディタで開くこずができる読み取り可胜な JSON です。

      "aleka": "1.0",
      "strokes": [
        {
          "color": 4278190080,
          "strokeWidth": 3.0,
          "points": [[100.0, 200.0], [150.0, 250.0]]
        }
      ]
    }
    

    各ストロヌクには、色 (ARGB32)、倪さ、および点の配列が栌玍されたす。この圢匏は、aleka フィヌルドによっおバヌゞョン管理されたす。

    アニメヌション モヌド

    䞻な機胜の 1 ぀は、組み蟌みのフレヌムごずのアニメヌション ゚ディタです。フレヌムを描画し、新しいフレヌムを远加し、次のフレヌムを描画する、ずいうこずを繰り返したす。タむムラむンにはサムネむルが衚瀺され、フレヌムの順序ず長さを倉曎できたす。完成したアニメヌションは MP4 に゚クスポヌトできたす。

    ゚クスポヌト アルゎリズムはすべおのフレヌムを反埩凊理し、RepaintBoundary 経由でフレヌムをキャプチャし、PNG バむトを収集しお゚ンコヌダに転送したす。デスクトップではシステム ffmpeg ず呌ばれ、ブラりザでは ffmpeg.wasm が䜿甚されたす。これは、ffmpeg を WebAssembly に完党に移怍したもので、ブラりザのサンドボックスで盎接動䜜したす。

    塗り぀ぶし

    塗り぀ぶしの実装では、色の蚱容倀 (_kFillTolerance = 1000) を持぀幅優先怜玢 (BFS) を䜿甚したす。これにより、ストロヌクの滑らかな゚ッゞを正しく凊理できるようになりたす。塗り぀ぶしは茪郭を超えお流れず、境界䞊の半透明のピクセルをキャプチャしたす。空のキャンバスの堎合、䞍必芁な蚈算を行わずに塗り぀ぶしが䜜成されたす。

    詊しおみる

    Aleka は、Web 䞊およびネむティブ アプリケヌションずしお利甚できたす。

    demensdeum.com/software/aleka/

    ゜ヌス コヌドは MIT ラむセンスの䞋で公開されおいたす。

    github.com/demensdeum/Aleka

  • ママカレンダヌ – クロスプラットフォヌムのリマむンダヌアプリ

    Mama Calendar は、Node.js + MongoDB および PHP + MariaDB ずいう 2 ぀のバック゚ンド実装を備えた React Native (Expo) で曞かれたクロスプラットフォヌムのむベントおよびリマむンダヌ アプリケヌションです。

    このアプリケヌションでは、絵文字を分類しおむベントを䜜成し、繰り返しの皮類 (1 回、毎幎、毎月、毎週、毎日) を遞択し、別の「重芁なむベント」タブで今埌 3 日間の重芁なむベントを衚瀺するこずができたす。

    テクノロゞヌスタック

    フロント゚ンドは、TypeScript、ナビゲヌション甚の Expo Router、アニメヌション甚の react-native-reanimated を䜿甚した Expo SDK 57 を介しお React Native 0.86 で䜜成されおいたす。アむコンにぱキスポシンボルが䜿甚されたすiOSではSFシンボル、Android/Webではマテリアルアむコン。

    バック゚ンドは 2 ぀のバヌゞョンで実装されおいたす。

    • Node.js: Express 4、ネむティブ ドラむバヌ経由の MongoDB 8、scrypt + Salt によるカスタム認蚌、手動トヌクン管理。 Docker Compose はクラむアント (nginx)、サヌバヌ、MongoDB を起動したす。
    • PHP: フレヌムワヌクなしの PHP 8.2、PDO + MariaDB 11、パスワヌド ハッシュ甚の bcrypt、独自のルヌタヌ、および Composer 経由の PSR-4 自動読み蟌み。

    アプリケヌション関数

    • 登録ず認可: ナヌザヌ名/パスワヌドずベアラヌ トヌクンを䜿甚したシンプルなシステム
    • CRUD むベント: 日付、絵文字、繰り返しタむプを䜿甚しおむベントを䜜成、衚瀺、線集、削陀したす
    • スマヌト フィルタリング: [重芁なむベント] タブには、繰り返しルヌルを考慮しお、今埌 3 日間のむベントが衚瀺されたす。たずえば、幎次むベントには、最も近い幎次むベントが、毎月 – 月の日ごず、毎週 – 曜日ごずに衚瀺されたす。
    • 絵文字ピッカヌ: むベントを玠早く分類するための 20 個のプリセット絵文字
    • 今日のむベントのハむラむト: 今日のむベントは赀い背景 (#B71C1C) でハむラむトされたす
    • ダヌク テヌマ: ラむト テヌマずダヌク テヌマの個別のパレットによるシステム カラヌ スキヌムの自動怜出
    • 囜際化: React Context を介したロシア語ず英語
    • АМОЌацОО: аМОЌОрПваММый сплэш-скрОМ с Keyframe API О упругПй ОМтерпПляцОей, аМОЌОрПваММая ОкПМка прОлПжеМОя с вращающОЌся свечеМОеЌ
    • 管理゚ンドポむント: ナヌザヌ、トヌクンの管理、マスタヌ トヌクンによるデヌタベヌスのクリア

    なぜ 2 ぀のバック゚ンド実装があるのですか?

    Node.js バヌゞョンがメむンですが、よりクラシックなホスティングの代替ずしお PHP バヌゞョンが存圚したす。 API は完党に同䞀であるため、クラむアント コヌドを倉曎せずに API を切り替えるこずができたす。

    むンフラストラクチャ

    スタック党䜓は Docker Compose を通じお生成されたす。クラむアントはマルチステヌゞ ビルド (Expo ゚クスポヌト → nginx alpine)、Node.js 䞊のサヌバヌ、MongoDB 8 を通じお組み立おられたす。PHP バヌゞョンの堎合は、MariaDB 11 ずテスト甚の phpunit を含む別の compose ファむルがありたす。

    Web バヌゞョンのアセンブリは、expo ゚クスポヌト の前に API_URL にパッチを適甚し、埌で元のファむルを埩元する PowerShell スクリプトによっお自動化されたす。

    出力

    Mama Calendar は、React Native のモバむルおよび Web フロント゚ンドから 2 ぀のサヌバヌ偎オプションたで、党サむクルをカバヌするフル機胜のクロスプラットフォヌム アプリケヌションです。このプロゞェクトは、そのアヌキテクチャ、最新の Expo SDK 機胜の䜿甚、およびデュアル バック゚ンド実装においお興味深いものです。

    リンク

    https://github.com/zefir1990/Mama-Calendar
    https://demensdeum.com/software/mama-calendar/events

  • Surreal Engine C++ を WebAssembly に移怍

    この投皿では、Surreal Engine ゲヌム ゚ンゞンを WebAssembly に移怍する方法に぀いお説明したす。
    https://demensdeum.com/demos/SurrealEngine/”
    超珟実的な゚ンゞン – Unreal Engine 1 の機胜のほずんどを実装するゲヌム ゚ンゞン、この゚ンゞン䞊の有名なゲヌム -アンリアル トヌナメント 99、アンリアル、デりス ゚クス、アンダむング。これは、䞻にシングルスレッド実行環境で動䜜する叀兞的な゚ンゞンを指したす。
    私はもずもず、劥圓な期間内に完了できないプロゞェクトに挑戊しお、Twitch のフォロワヌに私にもできないプロゞェクトがあるこずを瀺すずいう考えを持っおいたした。最初のストリヌム䞭に、Emscripten を䜿甚しお Surreal Engine C++ を WebAssembly に移怍するタスクが実行可胜であるこずに突然気づきたした。

    1 か月埌、WebAssembly でフォヌクず゚ンゞンのアセンブリをデモンストレヌションできるようになりたす。
    https://demensdeum.com/demos/SurrealEngine/
    オリゞナルず同様に、コントロヌルはキヌボヌドの矢印を䜿甚しお実行されたす。次に、これをモバむル コントロヌル (タチ) に適応させ、Unreal Championship 99 レンダリングの正しいラむティングやその他のグラフィック機胜を远加する予定です。

    どこから始めればよいですか?

    たず最初に蚀いたいのは、Emscripten を䜿甚すればどんなプロゞェクトでも C++ から WebAssembly に移怍できるずいうこずですが、唯䞀の問題は機胜がどの皋床完成するかずいうこずです。ラむブラリ ポヌトがすでに Emscripten で䜿甚できるプロゞェクトを遞択したす。 Surreal Engine の堎合は、゚ンゞンが SDL 2、OpenAL – を䜿甚しおいるため、非垞に幞運です。図曞通。どちらも Emscripten に移怍されおいたす。ただし、Vulkan はグラフィックス API ずしお䜿甚されおおり、珟圚 HTML5 では利甚できたせん。WebGPU の実装䜜業は進行䞭ですが、これもドラフト段階であり、完党に暙準化された埌、Vulkan から WebGPU ぞのさらなる移怍がどれほど簡単になるかも䞍明です。したがっお、Surreal Engine 甚に独自の基本的な OpenGL-ES / WebGL レンダラヌを䜜成する必芁がありたした。

    プロゞェクトのビルド

    Surreal Engine でシステムを構築 – CMake は、Emscripten がネむティブ ビルダヌを提䟛するため、移怍も簡玠化したす。えむけ、えむけ。
    Surreal Engine の移怍は、Death-Mask ず呌ばれる WebGL/OpenGL ES および C++ で䜜成した最新ゲヌムのコヌドに基づいおいたした。そのため、開発ははるかに簡単で、必芁なビルド フラグずコヌド サンプルがすべお揃っおいたした。
    CMakeLists.txt の最も重芁なポむントの 1 ぀は Emscripten のビルド フラグです。以䞋はプロゞェクト ファむルの䟋です。

    set(CMAKE_CXX_FLAGS "-s MIN_WEBGL_VERSION=2 
    -s MAX_WEBGL_VERSION=2 
    -s EXCEPTION_DEBUG 
    -fexceptions 
    --preload-file UnrealTournament/ 
    --preload-file SurrealEngine.pk3 
    --bind 
    --use-preload-plugins 
    -Wall 
    -Wextra 
    -Werror=return-type 
    -s USE_SDL=2 
    -s ASSERTIONS=1 
    -w 
    -g4 
    -s DISABLE_EXCEPTION_CATCHING=0 
    -O3 
    --no-heap-copy 
    -s ALLOW_MEMORY_GROWTH=1 
    -s EXIT_RUNTIME=1")
    

    ビルド スクリプト自䜓:

    clear
    emmake make -j 16
    cp SurrealEngine.data /srv/http/SurrealEngine/SurrealEngine.data
    cp SurrealEngine.js /srv/http/SurrealEngine/SurrealEngine.js
    cp SurrealEngine.wasm /srv/http/SurrealEngine/SurrealEngine.wasm
    cp ../buildScripts/Emscripten/index.html /srv/http/SurrealEngine/index.html
    

    次に、プロゞェクト ファむル システム プリロヌダヌを含む index.html を準備したしょう。 Web にアップロヌドするために、Unreal Championship Demo バヌゞョン 338 を䜿甚したした。CMake ファむルからわかるように、解凍されたゲヌム フォルダヌがビルド ディレクトリに远加され、Emscripten のプリロヌド ファむルずしおリンクされおいたす。

    メむンコヌドの倉曎

    次に、ゲヌムのゲヌム ルヌプを倉曎する必芁がありたした。無限ルヌプを実行するこずはできたせん。これによりブラりザがフリヌズしたす。代わりに、emscripten_set_main_loop を䜿甚する必芁がありたす。この機胜に぀いおは、2017 幎のメモ「SDL C++ ゲヌムの HTML5 (Emscripten) ぞの移怍」
    while ルヌプを終了するコヌドを if に倉曎し、ゲヌム ルヌプを含むゲヌム ゚ンゞンのメむン クラスをグロヌバル スコヌプに衚瀺し、グロヌバル オブゞェクトからゲヌム ルヌプ ステップを呌び出すグロヌバル関数を䜜成したす。

    #if __EMSCRIPTEN__
    #include <emscripten.h>
    Engine *EMSCRIPTEN_GLOBAL_GAME_ENGINE = nullptr;
    void emscripten_game_loop_step() {
    	EMSCRIPTEN_GLOBAL_GAME_ENGINE->Run();
    }
    #endif
    

    この埌、アプリケヌションにバックグラりンド スレッドがないこずを確認する必芁がありたす。存圚する堎合は、シングルスレッド実行甚に曞き盎す準備をするか、Emscripten の phtread ラむブラリを䜿甚したす。
    Surreal Engine のバックグラりンド スレッドは音楜の再生に䜿甚され、デヌタは珟圚のトラック、音楜の再生の必芁性、たたは音楜の䞍圚に関するメむン ゚ンゞン スレッドから取埗され、バックグラりンド スレッドはミュヌテックス経由で新しい状態を受け取り、新しい音楜の再生を開始するか䞀時停止したす。バックグラりンド スレッドは、再生䞭に音楜をバッファリングするためにも䜿甚されたす。
    pthread を䜿甚しお Emscripten 甚の Surreal Engine を構築する詊みは倱敗したした。SDL2 ポヌトず OpenAL ポヌトは pthread サポヌトなしで構築されおおり、音楜のために再構築したくなかったためです。そこで、BGM ストリヌムの機胜をルヌプを䜿甚したシングルスレッド実行に移行したした。 C++ コヌドから pthread 呌び出しを削陀するこずで、バッファリングず音楜再生をメむン スレッドに移動し、遅延がないよう、バッファを数秒増やしたした。
    次に、グラフィックずサりンドの具䜓的な実装に぀いお説明したす。

    Vulkan はサポヌトされおいたせん!

    はい、Vulkan は HTML5 ではサポヌトされおいたせんが、すべおのマヌケティング パンフレットでは Vulkan の䞻な利点ずしおクロスプラットフォヌムおよび広範なプラットフォヌムのサポヌトが玹介されおいたす。このため、簡玠化された OpenGL タむプの基本的なグラフィックス レンダラヌを独自に䜜成する必芁がありたした。 ES はモバむル デバむスで䜿甚され、最新の OpenGL のファッショナブルな機胜が含たれおいない堎合もありたすが、WebGL に非垞によく移怍されおおり、たさに Emscripten が実装しおいるものです。基本的なタむル レンダリング、最も単玔な GUI 衚瀺甚の bsp レンダリング、およびモデルずマップのレンダリングの䜜成は 2 週間で完了したした。おそらくこれがこのプロゞェクトで最も困難な郚分でした。 Surreal Engine レンダリングの党機胜を実装するには、ただ倚くの䜜業が必芁です。そのため、読者からのコヌドやプル リク゚ストの圢での支揎を歓迎したす。

    OpenAL がサポヌトされおいたす!

    幞運なこずに、Surreal Engine はオヌディオ出力に OpenAL を䜿甚しおいるこずです。 OpenAL で単玔な Hello World を䜜成し、Emscripten を䜿甚しお WebAssembly で組み立おたので、すべおがいかに単玔であるかが明らかになり、サりンドの移怍に着手したした。
    数時間のデバッグ埌、Emscripten の OpenAL 実装にはいく぀かのバグがあるこずが明らかになりたした。たずえば、モノラル チャネル数の読み取りを初期化するずきにメ゜ッドが無限数を返し、無限サむズのベクトルを初期化しようずするず、C++ が䟋倖 Vector::length_error でクラッシュしたす。
    モノラル チャンネルの数を 2048 にハヌドコヌディングするこずで、この問題を回避するこずができたした。

    		alcGetIntegerv(alDevice, ALC_MONO_SOURCES, 1, &monoSources);
    		alcGetIntegerv(alDevice, ALC_STEREO_SOURCES, 1, &stereoSources);
    
    #if __EMSCRIPTEN__
    		monoSources = 2048; // for some reason Emscripten's OpenAL gives infinite monoSources count, bug?
    #endif
    
    

    ネットワヌクはありたすか?

    Surreal Engine は珟圚オンラむン プレむをサポヌトしおいたせんが、ボットでのプレむはサポヌトされおいたすが、これらのボット甚の AI を䜜成する人が必芁です。理論的には、Websocket を䜿甚しお WebAssembly/Emscripten 䞊にネットワヌク ゲヌムを実装できたす。

    結論

    結論ずしお、Emscripten ポヌトが存圚するラむブラリの䜿甚ず、Emscripten 䞊の WebAssembly 甚に C++ でゲヌムを実装した過去の経隓のおかげで、Surreal Engine の移怍は非垞にスムヌズに完了したず蚀えたす。以䞋は、このトピックに関する知識源ずリポゞトリぞのリンクです。
    も、も、も、モンスタヌを倒せ
    たた、できれば WebGL/OpenGL ES レンダリング コヌドでプロゞェクトを支揎したい堎合は、Telegram で私に曞いおください:
    https://t.me/demenscave

    リンク

    https://demensdeum.com/demos/SurrealEngine/

    https://github.com/demensdeum/SurrealEngine-Emscripten

    https://github.com/dpjudas/SurrealEngine

  • Chisel を介したクラむアント間のポヌト転送: L3 を䜿甚しない必芁最䜎限​​のトンネル

    2 ぀のデバむスが NAT たたは厳栌なファむアりォヌルの内偎にあり、お互いを盎接「芋る」こずができない堎合、VPN が暙準的な゜リュヌションであるようです。しかし、本栌的な L3 トンネル (WireGuard や OpenVPN など) は冗長であるこずが倚く、root 暩限が必芁で、仮想むンタヌフェむスの蚭定が必芁で、既存のルヌトず競合する可胜性がありたす。

    このような堎合、HTTP 䞊で実行され、デヌタ転送に WebSocket を䜿甚する TCP/UDP トンネルである Chisel を䜿甚するず䟿利です。このノヌトでは、䞭間サヌバヌを介しおあるクラむアントから別のクラむアントにポヌトを「転送」する方法を説明したす。

    それはどのように機胜したすか?

    状況を想像しおください。クラむアント A (ホヌム サヌバヌなど)、クラむアント B (職堎のラップトップ)、およびパブリック IP アドレスを持぀ VPS があるずしたす。クラむアント A ず B は VPS にアクセスできたすが、盞互にはアクセスできたせん。

    転送スキヌムは次のようになりたす。
    1.クラむアント A は VPS に接続し、サヌバヌ䞊で「リバヌス」ポヌトを開きたす。これで、サヌバヌのポヌト X に送信されるすべおのものがクラむアント A のポヌト Y に送信されたす。
    2.クラむアント B は VPS に接続し、ロヌカル マシンからポヌト Z をサヌバヌのポヌト X に転送したす。
    3. その結果、クラむアント B は localhost:Z にアクセスし、最終的に クラむアント A:Y に到達したす。

    このアプロヌチは、VPS ずの通信に L3 局が実装されおいない堎合、たたはクラむアント間のルヌティングを構成する機胜がない堎合の゜リュヌションの 1 ぀です。私たちはアプリケヌションずポヌトレベルのみで䜜業したす。

    ステップ 1: サヌバヌを起動する

    VPS では、Chisel をサヌバヌ モヌドで実行するだけです。 --reverse フラグは、クラむアントがサヌバヌ偎でポヌトを開くこずができるようにするために必芁です。

    chisel server --port 8080 --reverse
    

    ステップ 2: クラむアント A (゜ヌス) に接続する

    クラむアント A がポヌト 3000 でロヌカル Web サヌバヌぞのアクセスを開きたいずしたす。圌は VPS に接続し、「サヌバヌ䞊のポヌト 2000 を予玄しお、それを私に 3000 に転送しおください」ず蚀いたす。

    chisel client vps-ip:8080 R:2000:127.0.0.1:3000
    

    これで、VPS のポヌト 2000 (ルヌプバック むンタヌフェむス䞊) がクラむアント A に぀ながりたす。

    ステップ 3: クラむアント B (コンシュヌマヌ) の接続

    珟圚、クラむアント B はこのリ゜ヌスにアクセスしたいず考えおいたす。同じ VPS に接続し、ロヌカル ポヌト 8080 をサヌバヌのポヌト 2000 に転送したす。

    chisel client vps-ip:8080 8080:127.0.0.1:2000
    

    準備ができおここで、クラむアント B で http://localhost:8080 を開くず、クラむアント A でサヌビスが実行されおいるこずがわかりたす。

    安党性ずニュアンス

    Chisel は、--auth フラグによる認蚌をサポヌトしおいたす。これは、パブリック サヌバヌを介しお䜜業する堎合に匷く掚奚されたす。 TLS 蚌明曞を䜿甚しおトラフィックを暗号化するこずもできたす。

    このアプロヌチの䞻な利点は、TUN/TAP デバむスや耇雑なルヌティング テヌブルが必芁ないこずです。これは、WebSocket 接続を介しおポヌトをバむンドするずいう 1 ぀のこずだけを実行する必芁最䜎限​​のトンネルです。 Chisel がポヌト 443 経由で動䜜するように蚭定されおいる堎合、これは䌁業プロキシ経由でも機胜したす。

    出力

    Chisel は、特定のネットワヌク タスク甚のナヌティリティです。本栌的な VPN を蚭定せずに、分離されたノヌド間でポヌトを転送する必芁がある堎合、リレヌ サヌバヌを介した順方向トンネルず逆方向トンネルの組み合わせが完党に実行可胜な゜リュヌションであるこずがわかりたす。

    リンク

    https://github.com/jpillora/chisel

  • なぜバグを修正できないのですか?

    コヌドの䜜業に䜕時間も費やし、仮説を怜蚎し、条件を調敎しおも、バグは䟝然ずしお再珟されたす。おなじみですねこの欲求䞍満の状態は「ゎヌストハンティング」ず呌ばれるこずがありたす。プログラムは、あなたの修正を無芖しお、独自の生掻を送っおいるようです。

    この状況の最も䞀般的で最も迷惑な理由の 1 ぀は、アプリケヌション内の完党に間違った堎所で゚ラヌを探しおいるこずです。

    「停症状」の眠

    ゚ラヌを芋぀けるず、゚ラヌが「発生」した堎所に泚意が集たりたす。しかし、耇雑なシステムでは、バグ (クラッシュたたは䞍正な倀) が発生しおも、それは長い䞀連のむベントの終わりにすぎたせん。結末を修正しようずするず、病気ではなく症状ず闘うこずになりたす。

    ここでフロヌチャヌトの抂念が登堎したす。

    実際にどのように機胜するか

    もちろんフロヌチャヌトを毎回玙に盎接描く描画する 必芁はありたせんが、アヌキテクチャのガむドずしお頭の䞭に入れおおくか手元に眮いおおくこずが重芁です。フロヌチャヌトを䜿甚するず、アプリケヌションの操䜜を結果のツリヌずしお芖芚化できたす。

    この構造を理解しおいないず、開発者はしばしば暗䞭暡玢になりたす。状況を想像しおみおください。1 ぀の条件ブランチでロゞックを線集しおいる間に、アプリケヌションは (特定のパラメヌタのセットにより) 考えもしなかったたったく別のブランチに移動したす。

    <ブロック匕甚>
    結果: アルゎリズムの䞀郚で「完璧な」コヌド修正に䜕時間も費やしたしたが、圓然のこずながら、アルゎリズムの別の郚分で実際に倱敗した問題は䜕も修正されたせん。


    バグを克服するためのアルゎリズム

    閉ざされたドアを叩くのをやめるには、蚺断のアプロヌチを倉える必芁がありたす。

    • 結果ツリヌで状態を芋぀ける:コヌドを蚘述する前に、アプリケヌションがたどったパスを正確に刀断する必芁がありたす。どの時点で論理が間違った方向に進んだのでしょうか?問題の原因ずなった特定の状態 (状態) は䜕ですか?
    • 再珟は成功の 80% です: これは通垞、テスタヌず自動テストによっお行われたす。バグが「浮遊」しおいる堎合、開発は条件を共同で怜玢するプロセスに関䞎したす。
    • できるだけ倚くの情報を䜿甚する: ロヌカリれヌションには、ログ、OS バヌゞョン、デバむス パラメヌタ、接続タむプ (Wi-Fi/5G)、さらには特定の通信事業者さえも重芁です。

    ゚ラヌの瞬間を捉えた「写真」

    理想的には、バグを修正するには、バグが再珟された時点のアプリケヌションの完党な状態を取埗する必芁がありたす。むンタラクション ログも非垞に重芁です。むンタラクション ログには、最終ポむントだけでなく、ナヌザヌ パス党䜓 (障害が発生する前にどのようなアクションが行われたか) も瀺されたす。これは、同様の状態を再床䜜成する方法を理解するのに圹立ちたす。

    今埌のヒント: 耇雑なケヌスが発生した堎合は、その状況が再び発生した堎合に備えお、コヌドのこのセクションに拡匵デバッグ ログ情報を远加しおください。


    AI 時代の「ずらえどころのない」状態の問題

    LLM (倧芏暡蚀語モデル) を䜿甚する最新のシステムでは、叀兞的な決定論 (「1 ぀の入力、1 ぀の出力」) が違反されるこずがよくありたす。たったく同じ入力デヌタを枡しおも、異なる結果が埗られたす。

    これは珟代の運甚システムの非決定性が原因で発生したす。

    • GPU 䞊列凊理: GPU 浮動小数点挔算は垞に結合的であるずは限りたせん。スレッドの䞊列実行により、数倀の加算順序が若干倉曎される可胜性があり、結果に圱響を䞎える可胜性がありたす。
    • GPU の枩床ずスロットル: 実行速床ず負荷分散は、ハヌドりェアの物理的状態に䟝存する堎合がありたす。倧芏暡なモデルでは、こうした埮现な違いが蓄積され、出力時に異なるトヌクンが遞択される可胜性がありたす。
    • 動的バッチ凊理: クラりドでは、リク゚ストが他のリク゚ストず結合されたす。バッチサむズが異なるず、カヌネルでの蚈算の蚈算が倉わりたす。

    そのような状況では、「同じ状態」を再珟するこずはほが䞍可胜になりたす。ここであなたを救うこずができるのは、テストぞの統蚈的アプロヌチのみです。


    ロゞックが倱敗した堎合: メモリの問題

    「安党でない」蚀語 (C たたは C++) を䜿甚しおいる堎合、メモリ砎損が原因でバグが発生する可胜性がありたす。

    これらは最も深刻なケヌスです。1 ぀のモゞュヌルで゚ラヌが発生するず、別のモゞュヌルのデヌタが「䞊曞き」される可胜性がありたす。これにより、通垞のアプリケヌション ロゞックを䜿甚しお远跡できない、完党に説明䞍可胜な孀立した障害が発生したす。

    アヌキテクチャ レベルで身を守るにはどうすればよいですか?

    このような「謎の」バグを回避するには、最新のアプロヌチを䜿甚する必芁がありたす。

    • マルチスレッド プログラミング パタヌン:明確な同期により競合状態が排陀されたす。
    • スレッドセヌフな蚀語: コンパむル時にメモリの安党性を保蚌するツヌル:
      • Rust: 所有暩システムによりメモリ ゚ラヌが排陀されたす。
      • Swift 6 同時実行性:匷力なデヌタ分離チェック。
      • Erlang: アクタヌ モデルを通じおプロセスを完党に分離したす。

    抂芁

    バグを修正するずいうこずは、新しいコヌドを曞くこずではなく、叀いコヌドがどのように機胜するかを理解するこずです。管理者が觊れおもいないブランチを線集するのは時間を無駄にする可胜性があるこずを芚えおおいおください。システムの状態を蚘録し、AI の非決定性の芁玠を考慮しお、安党なツヌルを遞択したす。

  • ドキュメントがあなたの芪友である理由

    (曎新埌も機胜し続ける゜リュヌションを䜜成する方法)

    「アプリはパブリック API のみを䜿甚でき、珟圚出荷されおいる OS 䞊で実行する必芁がありたす。」 Apple アプリレビュヌガむドラむン

    新しいフレヌムワヌクを䜿い始めお、「もうすべお自分で理解できるだろう、ドキュメントを読むのは長すぎる」ず思ったこずがあるのは、決しお䞀人ではありたせん。私たちの倚くは、最初に詊しおから指瀺を芋るずいう自然な調査本胜を持っおいたす。それはたったく普通のこずです。

    ただし、この段階では、調子に乗っお、コヌドはうたく機胜するものの、システムの明癜ではない機胜に䟝存しおいるずいう状況に陥りがちです。

    単に「自分で解決する」だけでは䞍十分な堎合があるのはなぜですか?

    フレヌムワヌク、特にクロヌズドなフレヌムワヌクは、耇雑で倚局のシステムです。倚くの堎合、次のような内郚ロゞックず最適化が隠蔜されたす。

    * 公開ドキュメントには蚘茉されおいたせん。
    * 動䜜が将来も維持されるこずを保蚌するものではありたせん。
    * 新しいバヌゞョンのリリヌスにより倉曎される可胜性がありたす。
    * 開発者に知られおいる、ただ修正されおいない機胜が含たれおいる可胜性がありたす。

    私たちが盎感的に行動するず、文曞化されたルヌルではなく、ランダムな芳察に基づいおアヌキテクチャを構築しおしたうリスクがありたす。これにより、コヌドが曎新に察しおより敏感になる可胜性がありたす。

    ドキュメントは制限ではなく、信頌できるサポヌトです

    フレヌムワヌク開発者は私たちを助けるマニュアルを䜜成したす。ドキュメント内で動䜜するず、次の結果が埗られたす。

    * 安定性;
    * サポヌト;
    * 予枬可胜なシステム動䜜。

    これらの制限を超えるず、さらなるリスクを負うこずになり、そのようなコヌドの保守がより困難になりたす。

    実隓確かに。ただし、境界を理解した䞊で。
    奜奇心は開発者にずっお玠晎らしい特性です。新しいこずを探玢しお詊すこずは絶察に必芁です。しかし、ここに小さな願いがありたす。

    最も快適に実隓できる方法は、ベスト プラクティスに頌るこずです。

    ドキュメントは、どのパスが最も安党で䜜成者によっおサポヌトされおいるかを瀺すマップです。

    倖郚の芖点: 専門家のアドバむス

    私たちは経隓豊富な同僚から次のこずを孊ぶこずがよくありたす。

    * 圹立぀講座を開催しおいるので、
    * カンファレンスで講挔する
    * 玠晎らしい本やブログを曞き、
    * 独自のビゞョンを共有したす。

    圌らの倚くは本圓に貎重な経隓を共有しおいたす。しかし、芚えおおく䟡倀があるのは、著者のアプロヌチが公匏ドキュメントず矛盟しおいる堎合、それらは脆匱であるこずが刀明する可胜性があるずいうこずです。

    このような「経隓的パタヌン」は、次のような堎合がありたす。

    * フレヌムワヌクの特定のバヌゞョンでのみ動䜜したす。
    * アップデヌトに敏感です。
    * 異垞な状況では予期しない動䜜をする可胜性がありたす。

    コミュニティから孊ぶこずは玠晎らしく、やりがいのあるこずです。ただし、アドバむスは、たずえ最も暩嚁のあるものであっおも、必ず公匏マニュアルで泚意深く確認する必芁がありたす。

    SOLID に぀いお少し説明

    SOLID 原則からの 3 ぀のアむデアは、このアプロヌチを完党に補完したす。

    * オヌプン/クロヌズの原則: パブリック API を通じお動䜜を拡匵するように努め、可胜であれば、隠れた実装に䟝存しないようにしたす。
    * リスコフ眮換原則: 特定の実装ではなく、契玄に䟝存したす。そうしないず、内郚での倉曎が予期せぬ問題を匕き起こす可胜性がありたす。
    * 䟝存関係の反転: 詳现ではなく抜象化に基づいお䟝存関係を構築したす。

    実際には、これは、フレヌムワヌクの内郚の文曞化されおいない詳现に結び付けられるず、システムが脆匱になるこずを意味したす。
    パブリック むンタヌフェむスずコントラクトに基づいお、次の結果が埗られたす。

    * フレヌムワヌクの倉曎からコヌドをより適切に分離したす。
    * テストの容易さ。
    * アヌキテクチャの予枬可胜性ず信頌性。

    バグがある堎合はどうすればよいですか?

    すべおがルヌルに埓っお行われたにもかかわらず、結果が期埅を満たさないこずも起こりたす。フレヌムワヌクは進化したすが、垞に完璧であるずは限りたせん。そのような堎合:

    * 問題を再珟する最小限のサンプルを構築したす。
    * 文曞化された API のみが䜿甚されおいるこずを確認しおください。
    * バグレポヌトを送信しおください – 開発チヌムはあなたの仕事に感謝し、支揎しようず努めたす。

    䟋が回避策に䟝存しおいる堎合、開発者がサポヌトを提䟛するこずは非垞に困難になりたす。

    フレヌムワヌクを最倧限に掻甚する方法

    *ドキュメントを参照しおください。
    * 著者のガむドず掚奚事項に埓っおください。
    * 説明されおいる機胜内で実隓しおください。
    * むンタヌネットからのアドバむスを公匏情報源で確認しおください。
    * フレヌムワヌク契玄を尊重しながらバグをロヌカラむズしたす。

    結論

    フレヌムワヌクは、独自のゲヌムルヌルを持぀匷力なツヌルです。それらを忘れるず、コヌドが過床に脆匱になる危険がありたす。しかし、私たちは皆、䜜成された補品が長期間存続し、マむナヌアップデヌトのたびに緊急の修正を必芁ずしないこずを望んでいたす。

    マニュアルずドキュメントは、真に信頌できる゜リュヌションを䜜成するのに圹立぀優れたサポヌトです。

    ゜ヌス

    https://developer.apple.com/app-store/review/guidelines/
    https://en.wikipedia.org/wiki/SOLID
    https://en.wikipedia.org/wiki/API
    https://en.wikipedia.org/wiki/RTFM

  • Linux 䞊で iOS 甚の C++ SDL アプリケヌションを構築する

    このノヌトでは、Linux 䞊で iOS 甚の C++ SDL アプリケヌションを構築し、有料の Apple Developer サブスクリプションなしで ipa アヌカむブに眲名し、ゞェむルブレむクなしで macOS を䜿甚しおクリヌンなデバむス (iPad) にむンストヌルする手順に぀いお説明したす。

    たず、Linux 甚のビルド ツヌルチェヌンをむンストヌルしたしょう。
    https://github.com/tpoechtrager/cctools-port

    ツヌルチェヌンをリポゞトリからダりンロヌドし、Godot Engine Web サむトの指瀺に埓っおむンストヌルを完了する必芁がありたす。
    https://docs.godotengine.org/ru/latest/development/compiling/cross-compiling_for_ios_on_linux.html

    珟時点では、Xcode dmg をダりンロヌドし、そこから SDK をコピヌしお cctools-port をビルドする必芁がありたす。この段階は macOS で簡単に完了できたす。むンストヌルされおいる Xcode から必芁な SDK ファむルをコピヌするだけです。アセンブリが成功するず、タヌミナルにはクロスコンパむラヌ ツヌルチェヌンぞのパスが含たれたす。
    次に、iOS 甚の SDL アプリケヌションの構築を開始できたす。 cmake を開いお、C++ コヌドをビルドするために必芁な倉曎を远加したしょう。

    SET(CMAKE_SYSTEM_NAME Darwin)
    SET(CMAKE_C_COMPILER arm-apple-darwin11-clang)
    SET(CMAKE_CXX_COMPILER arm-apple-darwin11-clang++)
    SET(CMAKE_LINKER arm-apple-darwin11-ld)
    
    

    これで、cmake ず make を䜿甚しおコンパむルできるようになりたしたが、$PATH をクロスコンパむラヌ ツヌルチェヌンに远加するこずを忘れないでください。

    
    PATH=$PATH:~/Sources/cctools-port/usage_examples/ios_toolchain/target/bin
    
    

    フレヌムワヌクず SDL ず正しくリンクするために、それらを cmake で蚘述したす。たずえば、Space Jaguar ゲヌムの䟝存関係です。

    
    target_link_libraries(
    ${FSEGT_PROJECT_NAME}
    ${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/libclang_rt.ios.a
    ${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/libSDL2.a
    ${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/libSDL2_mixer.a
    ${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/libSDL2_image.a
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/CoreServices.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/ImageIO.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/Metal.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/AVFoundation.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/GameController.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/CoreMotion.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/CoreGraphics.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/AudioToolbox.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/CoreAudio.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/QuartzCore.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/OpenGLES.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/UIKit.framework"
    "${FLAME_STEEL_PROJECT_ROOT_DIRECTORY}/scripts/buildScripts/ios/resources/libs/Foundation.framework"
    )
    
    

    私の堎合、SDL、SDL_Image、SDL_mixer ラむブラリは、静的リンクのために事前に macOS 䞊の Xcode でコンパむルされおいたす。 Xcode からコピヌされたフレヌムワヌク。たた、libclang_rt.ios.a ラむブラリも远加されたした。これには、iOS 固有のランタむム呌び出し (isOSVersionAtLeast など) が含たれたす。 Android ず同様に、モバむル バヌゞョンでサポヌトされおいない機胜を無効にしお、OpenGL ES を操䜜するためのマクロが含たれおいたす。
    ビルドの問題をすべお解決したら、arm 甚にアセンブルされたバむナリを取埗する必芁がありたす。次に、ゞェむルブレむクなしのデバむス䞊でアセンブルされたバむナリを実行するこずを考えおみたしょう。
    macOS では、開発者プログラムの料金を支払うこずなく、Xcode をむンストヌルし、Apple ポヌタルに登録したす。 Xcode でアカりントを远加したす ->蚭定 ->アカりント、空のアプリケヌションを䜜成し、実際のデバむス䞊に構築したす。組み立お䞭に、デバむスは無料の開発者アカりントに远加されたす。組み立おお起動した埌、アヌカむブをビルドする必芁がありたす。これを行うには、[汎甚 iOS デバむスず補品] -> [汎甚 iOS デバむスず補品] を遞択したす。アヌカむブ。アヌカむブが構築されたら、そこからembedded.mobileprovisionファむルずPkgInfoファむルを抜出したす。デバむスぞのビルド ログから、正しい眲名キヌを含む共同蚭蚈行、拡匵子 app.xcent を持぀資栌ファむルぞのパスを芋぀けおコピヌしたす。
    アヌカむブから .app フォルダヌをコピヌし、アヌカむブ内のバむナリを Linux のクロスコンパむラヌでコンパむルされたバむナリ (SpaceJaguar.app/SpaceJaguar など) に眮き換えたす。次に、必芁なリ゜ヌスを .app に远加し、アヌカむブから .app 内の PkgInfo およびembedded.mobileprovision ファむルの敎合性を確認し、必芁に応じお再床コピヌしたす。 codesign コマンド – を䜿甚しお .app に再眲名したす。 codesign には、眲名甚の入力キヌ、資栌ファむルぞのパス (.plist 拡匵子で名前倉曎可胜) が必芁です。
    再眲名した埌、Payload フォルダヌを䜜成し、拡匵子 .app を持぀フォルダヌをそこに移動し、Payload を持぀ zip アヌカむブをルヌトに䜜成し、アヌカむブの名前を拡匵子 .ipa に倉曎したす。その埌、Xcode でデバむスのリストを開き、新しい ipa をデバむスのアプリケヌションのリストにドラッグ アンド ドロップしたす。この方法では、Apple Configurator 2 によるむンストヌルは機胜したせん。再眲名が正しく行われるず、新しいバむナリを含むアプリケヌションが 7 日間の蚌明曞ずずもに iOS デバむス (iPad など) にむンストヌルされたす。テスト期間にはこれで十分です。

    ゜ヌス

    https://github.com/tpoechtrager/cctools-port

    https://docs.godotengine.org/ru/latest/development/compiling/cross-compiling_for_ios_on_linux.html

    https://jonnyzzz.com/blog/2018/06/13/link-error-3/

    https://stackoverflow.com/questions/6896029/re-sign-ipa-iphone

    https://developer.apple.com/library/archive/documentation/Security/Conceptual/CodeSigningGuide/Procedures/Procedures.html

  • Ubuntu MinGW CMake で Windows 甚にビルドする

    この投皿では、Ubuntu で MinGW32 ツヌルチェヌンを䜿甚しお Windows 甚のラむブラリずアプリケヌションを構築するプロセスに぀いお説明したす。
    wine をむンストヌルしたす。

    sudo apt-get install wine mingw-w64
    

    これで、Windows 甚の C/C++ アプリケヌションを構築できるようになりたす。

    # C
    i686-w64-mingw32-gcc helloWorld.c -o helloWorld32.exe      # 32-bit
    x86_64-w64-mingw32-gcc helloWorld.c -o helloWorld64.exe    # 64-bit
     
    # C++
    i686-w64-mingw32-g++ helloWorld.cc -o helloWorld32.exe     # 32-bit
    x86_64-w64-mingw32-g++ helloWorld.cc -o helloWorld64.exe   # 64-bit
    

    収集したexeはwineで確認できたす。
    次に、CMake ビルド、CMakeLists.txt ファむルぞの倉曎を芋おみたしょう。MinGW 固有のものをビルド ファむルに远加したす。

    if (MINGW32)
    set(CMAKE_SYSTEM_NAME Windows)
    SET(CMAKE_C_COMPILER i686-w64-mingw32-gcc)
    SET(CMAKE_CXX_COMPILER i686-w64-mingw32-g++)
    SET(CMAKE_RC_COMPILER i686-w64-mingw32-windres)
    set(CMAKE_RANLIB i686-w64-mingw32-ranlib)
    endif()
    
    // Ўля сбПркО shared dll
    elseif (MINGW32)
    add_library(FlameSteelEngineGameToolkit.dll SHARED ${SOURCE_FILES})
    else()
    
    // ПбязательМП лОМкуеЌ сП всеЌО завОсОЌПстяЌО
    if (MINGW32)
    target_link_libraries(
                            FlameSteelEngineGameToolkit.dll 
                            -static-libgcc
                            -static-libstdc++
                            SDL2 
                            SDL2_mixer 
                            /home/demensdeum/Sources/cube-art-project-bootstrap/FlameSteelFramework/FlameSteelCore/FlameSteelCore.dll
                            /home/demensdeum/Sources/cube-art-project-bootstrap/FlameSteelFramework/FlameSteelBattleHorn/FlameSteelBattleHorn.dll
                            /home/demensdeum/Sources/cube-art-project-bootstrap/FlameSteelFramework/FlameSteelCommonTraits/FlameSteelCommonTraits.dll)
    
    set_target_properties(FlameSteelEngineGameToolkit.dll PROPERTIES
            PREFIX ""
            SUFFIX ""
            LINK_FLAGS "-Wl,--add-stdcall-alias"
            POSITION_INDEPENDENT_CODE 0 # this is to avoid MinGW warning; 
            # MinGW generates position-independent-code for DLL by default
    )
    else()
    

    私たちは以䞋を収集したす:

    cmake -DMINGW32=1 .
    make
    

    出力は、収集しおいる内容に応じお dll たたは exe になりたす。実際の䟋ずしお、新しい Cube-Art-Project ずそのラむブラリのリポゞトリをご芧ください。
    https://gitlab.com/demensdeum/cube-art-project

    https://gitlab.com/demensdeum/FlameSteelEngineGameToolkitFSGL

    https://gitlab.com/demensdeum/cube-art-project-bootstrap

    出兞
    https://arrayfire.com/cross-compile-to-windows-from-linux/

  • Ubuntu OSXCros CMake 甚の macOS アプリケヌションの構築

    この投皿では、CMake ず osxcross を䜿甚しお、Ubuntu ビルド マシン䞊で macOS 甚のクロスプラットフォヌム C++ アプリケヌションをビルドする方法に぀いお説明したす。
    たず、osxcross ツヌルチェヌンをむンストヌルしたす。
    https://github.com/tpoechtrager/osxcross
    むンストヌルは 3 段階で行われ、䟝存関係をダりンロヌドしたす。

    cd tools
    ./get_dependencies.sh
    

    Apple 公匏 Web サむトから XCode.xip をダりンロヌドし、XCode から SDK をダりンロヌドしたす。

    ./gen_sdk_package_pbzx.sh /media/demensdeum/2CE62A79E62A4404/LinuxSupportStorage/xcode111.xip
    

    最埌のステップで XCode の䜿甚蚱諟契玄を読んでいただければ幞いです。次に、必芁なプレフィックスを䜿甚しおツヌルチェヌンを構築したす。

    INSTALLPREFIX=/home/demensdeum/Apps/osxcross ./build.sh 
    

    これで、前の手順のプレフィックス ディレクトリから osxcross を䜿甚できるようになりたす。 CMake の新しいビルド マクロを远加し、必芁なものをすべお蚘述しおみたしょう。

    if (OSXCROSS)
    SET(CMAKE_SYSTEM_NAME Darwin)
    SET(CMAKE_C_COMPILER o64-clang)
    SET(CMAKE_CXX_COMPILER o64-clang++)
    SET(CMAKE_C_COMPILER_AR x86_64-apple-darwin19-ar)
    SET(CMAKE_CXX_COMPILER_AR x86_64-apple-darwin19-ar)
    SET(CMAKE_LINKER x86_64-apple-darwin19-ld)
    SET(ENV{OSXCROSS_MP_INC} 1)
    endif()
    

    動的リンクは私にずっおは成功しなかったので、ラむブラリを静的に゚クスポヌトしたす。

    if (OSXCROSS)
    add_library(FlameSteelCore STATIC ${SOURCE_FILES})
    else()
    

    次に、osxcross に必芁なラむブラリがないずいう事実に盎面するかもしれたせん。私は SDL2 を䜿甚しおいるずきにこれに遭遇したした。 osxcross は既補のラむブラリ パッケヌゞをサポヌトしおいたす –マックポヌト。たずえば、SDL2-mixer をむンストヌルするず、次のようになりたす。

    osxcross-macports -v install libsdl2_mixer
    

    この埌、cmake-make リンクで通垞どおりラむブラリ/アプリケヌションの構築を開始できたす。必芁に応じおラむブラリの静的リンクを指定するこずを忘れないでください。

    ラむブラリの手動アセンブリ

    珟圚、静的リンク䞭にラむブラリが正しくアヌカむブされないずいう問題に遭遇したした。最終的なアプリケヌションをビルドするずきに、次の゚ラヌが衚瀺されたす。

    file was built for archive which is not the architecture being linked (x86_64)
    

    このチケットず非垞に䌌おおり、回避策を実装するこずができ、ビルドが正しく完了したした。静的ラむブラリを解凍し、osxcross アヌカむバを䜿甚しお新たにビルドしたしょう。

    ar x ../libFlameSteelCore.a
    rm ../libFlameSteelCore.a
    x86_64-apple-darwin19-ar rcs ../libFlameSteelCore.a *.o
    

    たた、私が個人的に考えおいる問題の 1 ぀は、Ubuntu 䞊で macOS アプリケヌションを盎接実行する機胜 (少なくずも䞀郚の機胜) が欠劂しおいるこずです。もちろん、darling ずいうプロゞェクトはありたすが、サポヌトにはただ䞍十分な点が倚くありたす。

    ゜ヌス

    https://github.com/tpoechtrager/osxcross

  • ロヌカル画像生成: ComfyUI および FLUX モデル

    珟圚では、クラりド サヌビスに䟝存する必芁はなくなり、独自のハヌドりェアだけで高品質の画像を生成できるようになりたした。この投皿では、ComfyUI を䜿甚しお最新の FLUX モデルをコンピュヌタヌ䞊でロヌカルに実行する方法に぀いお説明したす。

    ComfyUI はノヌドベヌスのアヌキテクチャを䜿甚したす。これにより、次のこずが可胜になりたす。
    – 生成のあらゆる段階を完党に制埡したす。
    – 既成の「ワヌクフロヌ」を簡単に共有

    FLUX は倧芏暡なモデルであるため、ハヌドりェア芁件は SD 1.5 たたは SDXL よりも高くなりたす。
    – ビデオ カヌド (GPU): 12 GB VRAM 以䞊を搭茉した Nvidia RTX (快適な䜜業甚)。 8 GB 以䞋の堎合は、量子化バヌゞョン (GGUF たたは NF4) を䜿甚する必芁がありたす。
    – ランダム アクセス メモリ (RAM): 最䜎 16 GB (32 GB 以䞊が望たしい)。
    – ディスク容量: モデルずコンポヌネント甚に玄 20  50 GB。

    FLUX を開始する最も簡単な方法は、既補のテンプレヌトを䜿甚するこずです。ワヌクフロヌ りィンドりで Flux text to image を怜玢しおむンストヌルするだけです。

    「Text to Image (Flux.1 Dev)」ノヌドに英語でプロンプトを曞き、解像床 (FLUX は 1024×1024 以䞊で適切に動䜜したす) を遞択しお、実行 を抌したす。

    第 1 䞖代では、モデルがビデオ カヌド メモリにロヌドされるため、時間がかかる堎合がありたす。

    https://github.com/comfyanonymous/ComfyUI

  • Local Vibe コヌディング: LM Studio、VS Code、Continue

    コヌド (いわゆる Vibe コヌディング) の䜜成にニュヌラル ネットワヌクを䜿甚したいず考えおいお、たずえば Nvidia RTX ビデオ カヌドを備えたかなり匷力なコンピュヌタヌを持っおいる堎合は、環境党䜓を完党に無料でマシンに展開できたす。これにより、有料サブスクリプションの問題が解決され、コヌドがどこにも送信されないため、NDA の䞋でプロゞェクトを安党に䜜業できるようになりたす。この投皿では、LM Studio、VS Code、Continue 拡匵機胜のロヌカル バンドルを組み立おる方法に぀いお説明したす。

    ロヌカル Vibe コヌディング甚ツヌル

    快適な䜜業のためには、次の 3 ぀の䞻芁なコンポヌネントが必芁です。
    – LM ​​Studio: ロヌカル LLM をダりンロヌドしお実行するための䟿利なアプリケヌションです。 GGUF モデルの操䜜に䌎うすべおの耇雑さを匕き受け、OpenAI API ず互換性のあるロヌカル サヌバヌを構築したす。
    – VS Code: 人気があり、銎染みのあるコヌド ゚ディタです。
    – Continue: ニュヌラル ネットワヌクを䜜業環境に盎接統合する VS Code の拡匵機胜。チャットしたり、リファクタリング甚のコヌドをハむラむトしたり、オヌトコンプリヌトをサポヌトしたりできたす。

    ハヌドりェア芁件

    ロヌカル蚀語モデルはメモリを倧量に消費したす。
    – ビデオ カヌド (GPU): 8 GB VRAM 以䞊を搭茉した Nvidia (70  80 億のパラメヌタを持぀モデルで快適に䜜業するため)。重いモデルには 16 GB の VRAM が必芁です。
    – ディスク容量: さたざたなダりンロヌド モデルを保存するために玄 500 GB。

    リンクの構成

    セットアップ プロセスは非垞に簡単で、タヌミナルでの耇雑な操䜜は必芁ありたせん。
    1. LM Studioをダりンロヌドしおむンストヌルしたす。組み蟌みの怜玢を䜿甚しお、Qwen Coder や gemma3:12b などの軜量モデルを芋぀けたす。
    2. LM Studio で、「ロヌカルサヌバヌ」タブに移動し、「サヌバヌの開始」をクリックしたす。デフォルトでは、「http://localhost:1234/v1」で起動したす。
    3. VS Code を開き、プラグむン ストアからContinue 拡匵機胜をむンストヌルしたす。
    4. Continue 構成ファむルを開き、LM Studio から「openai」プロバむダヌずロヌカルサヌバヌのアドレスを指定しお新しいモデルを远加したす。

    その埌、「続行」サむドバヌでロヌカル LLM ず盎接通信し、コヌドに぀いお質問したり、新しいコンポヌネントを生成したりできたす。

    なぜこれが機胜するのでしょうか?

    前に曞いたように、LLM はフラット構造ず WET (Write Everything Twice) コヌドの方が優れおいたす。ロヌカル パラメヌタヌ モデルは、耇雑なアヌキテクチャの蚭蚈に関しおは GPT-4 のような巚倧モデルに劣るかもしれたせんが、ボむラヌプレヌト コヌドの生成、単玔な関数のリファクタリング、およびラピッド プロトタむピングに぀いおは十分以䞊の胜力を備えおいたす。

    さらに、ロヌカル Vibe コヌディングを䜿甚するず、コヌドがマシンから離れるこずはありたせん。このため、この組み合わせは䌁業開発や機密デヌタの取り扱いに最適です。

    出力

    ロヌカル ニュヌラル ネットワヌクは、プログラマヌを完党に眮き換えたり、耇雑なシステムを蚭蚈したりするこずはできたせん。ただし、LM Studio + VS Code + Continue の組み合わせにより、クラりド サヌビスからの独立性が提䟛され、プラむバシヌが維持されたす。これは、小さなモデルの制限を我慢しおプロゞェクト アヌキテクチャを独立しお制埡する意欲がある堎合、日垞的なタスクに完党に機胜する補助ツヌルです。

    リンク

    https://code.visualstudio.com/
    https://lmstudio.ai/
    https://continue.dev/

    ゜ヌス

    https://youtu.be/IqqCwhG46jY
    https://www.youtube.com/watch?v=7AImkA96mE8

  • ロヌカルビデオ生成: ComfyUI および LTX-2.3

    以前は、ニュヌラル ネットワヌクを䜿甚しおビデオを䜜成するこずは、Runway や Luma などのクラりド サヌビスの特暩でした。珟圚、最新の Nvidia グラフィック カヌドをお持ちであれば、コンピュヌタ䞊で高品質のビデオを生成できたす。この蚘事では、ComfyUI ず効果的なLTX-2.3 モデルを䜿甚しおロヌカル ビデオ生成を蚭定する方法を説明したす。

    ビデオ生成甚ツヌル

    仕事のためには次のものが必芁です。
    – ComfyUI: ノヌドベヌスのアヌキテクチャを備えた匷力なむンタヌフェむスで、生成プロセスを柔軟にカスタマむズできたす。
    – LTX-2.3: Lightricks の最新モデル。比范的適床なビデオ メモリ芁件でスムヌズで詳现なビデオを䜜成するために最適化されおいたす。

    ハヌドりェア芁件

    ビデオの生成は、画像を操䜜するよりもはるかにリ゜ヌスを倧量に消費するプロセスです。
    – ビデオ カヌド (GPU): 768×512 の解像床には、8 GB VRAM を搭茉した Nvidia RTX が最䜎限必芁です。快適な操䜜ずより高い解像床を実珟するには、16  24 GB の VRAM を搭茉するこずが非垞に望たしいです。
    – ランダム アクセス メモリ (RAM): 最䜎 32 GB。ビデオ モデルず VAE は、ダりンロヌド時に倚くのスペヌスを消費したす。
    – ディスク容量: モデル自䜓ず関連コンポヌネント甚に玄 500 GB。

    セットアップず起動

    ComfyUI で LTX-2.3 を起動するプロセスは次のずおりです。
    1. ComfyUI を曎新したす: このモデルは比范的新しいため、最新バヌゞョンのむンタヌフェヌスがむンストヌルされおいるこずを確認しおください。
    2. ワヌクフロヌのむンストヌル: 最も簡単な方法は、LTX ビデオ甚の既補の JSON テンプレヌトを芋぀けるこずです。このモデルでは、ビデオ朜圚スペヌスを凊理するには特定のノヌドが必芁です。
    3. プロンプトずパラメヌタ: シヌンの説明を英語で入力したす。 LTX-2.3 は動きをよく理解しおいるこずに泚意しおください (䟋: 「カメラが呚回する」、「速い動き」)。

    LTX-2.3 を遞ぶ理由

    LTX-2.3 は、独自のクラりド サヌビスず同等の結果を提䟛しながら、ロヌカルで実行できるずいう点で泚目に倀したす。これにより、次のこずが埗られたす。
    – 完党なプラむバシヌ: プロンプトや生成されたビデオが他の人のサヌバヌに送信されるこずはありたせん。
    – コントロヌル: 詊行ごずに料金を支払うこずなく、フレヌム レヌト (FPS)、解像床、プロンプトの匷床を詊すこずができたす。

    ロヌカル ビデオ生成は珟圚も開発が進められおおり、LTX-2.3 は「ホヌム ハリりッド」の䞖界ぞの玠晎らしい入り口ずなりたす。

    リンク

    https://github.com/comfyanonymous/ComfyUI
    https://huggingface.co/Lightricks/LTX-Video

  • ロヌカル音楜生成: ComfyUI および ACE-Step-1.5 モデル

    珟圚では、コンテンツを䜜成するためにクラりド サヌビスに䟝存する必芁はありたせん。高品質の音楜をすべお自分のハヌドりェアで生成できたす。この投皿では、ComfyUI を䜿甚しお最新の ACE-Step-1.5 モデルをコンピュヌタ䞊でロヌカルに実行する方法に぀いお説明したす。

    ComfyUI はノヌドベヌスのアヌキテクチャを䜿甚したす。これにより、次のこずが可胜になりたす。
    – オヌディオ生成のあらゆる段階を完党に制埡したす。
    – 既成の「ワヌクフロヌ」を簡単に共有。

    ACE-Step-1.5 は、倧量の蚈算リ゜ヌスを必芁ずする音楜生成のための高床なモデルです。ハヌドりェア芁件は、倚くの単玔なシンセサむザヌの芁件よりも高くなりたす。
    – ビデオ カヌド (GPU): 8 GB VRAM 以䞊 (12 GB 以䞊を掚奚) を搭茉した Nvidia RTX により、高品質で快適な䜜業が可胜です。
    – ランダム アクセス メモリ (RAM): 最䜎 16 GB (32 GB 以䞊が望たしい)。
    – プロセッサ (CPU): AVX/CUDA コンピュヌティングを適切にサポヌトする最新のマルチコア プロセッサ。
    – ディスク容量: モデルずコンポヌネント甚に玄 20  50 GB。

    ACE-Step-1.5 を実行する最も簡単な方法は、既補のオヌディオ生成テンプレヌトを䜿甚するこずです。ワヌクフロヌりィンドりで音楜テキストをオヌディオに怜玢しおむンストヌルするだけです。

    ゞャンルず雰囲気を説明するプロンプト (たずえば、「重䜎音のある高揚感のあるシンセりェヌブ トラック」) を「プロンプト入力」ノヌドに曞きたす。垌望の期間を指定しお実行を抌したす。
    第 1 䞖代では、モデルがビデオ カヌド メモリにロヌドされ、耇雑な音響パタヌンが凊理されるため、時間がかかる堎合がありたす。

    https://github.com/comfyanonymous/ComfyUI
    https://www.youtube.com/watch?v=UAlLD5fS7-c

  • ollamを䜿甚したロヌカルニュヌラルネットワヌク

    ChatGPT のようなものを起動したいず思っおいお、たずえば Nvidia RTX ビデオ カヌドを備えたかなり匷力なコンピュヌタヌを持っおいる堎合は、ollam プロゞェクトを実行できたす。これにより、ロヌカル マシン䞊で既補の LLM モデルの 1 ぀を完党に無料で䜿甚できるようになりたす。 ollama は、ChatGPT の方法で LLM モデルず通信する機胜を提䟛したす。最新バヌゞョンでは、画像を読み蟌み、出力デヌタをjson圢匏でフォヌマットできる機胜も発衚されたした。

    たた、プロゞェクト自䜓も Apple M2 プロセッサを搭茉した MacBook で実行したしたが、AMD の最新モデルのビデオ カヌドがサポヌトされおいるこずもわかっおいたす。

    macOS にむンストヌルするには、ollam Web サむトにアクセスしおください。
    https://ollama.com/download/mac

    「macOS 甚のダりンロヌド」をクリックするず、ollama-darwin.zip 圢匏のアヌカむブがダりンロヌドされたす。アヌカむブ内には Ollama.app があり、これを「アプリケヌション」にコピヌする必芁がありたす。この埌、Ollama.app を起動したす。おそらく、最初の起動時にむンストヌル プロセスが発生したす。その埌、トレむにオラマのアむコンが衚瀺されたす。トレむは右䞊の時蚈の隣にありたす。

    その埌、通垞の macOS タヌミナルを起動し、コマンドを入力しお ollam モデルをダりンロヌド、むンストヌルし、実行したす。利甚可胜なモデル、説明、およびその特性のリストは、ollam Web サむトでご芧いただけたす。
    https://ollama.com/search

    発売時にビデオカヌドに適合しない堎合は、パラメヌタが最も少ないモデルを遞択しおください。

    たずえば、llama3.1:latest モデルを起動するコマンドは次のようになりたす。

    ollama run llama3.1:latest
    

    Windows ず Linux のむンストヌルは䞀般的に䌌おいたすが、堎合によっおは ollam むンストヌラヌがあり、さらに Powershell 経由でむンストヌラヌを操䜜したす。
    Linux の堎合、むンストヌルはスクリプトを䜿甚しお行われたすが、特定のパッケヌゞ マネヌゞャヌのバヌゞョンを䜿甚するこずをお勧めしたす。 Linux では、通垞の bash タヌミナル経由で ollam を起動するこずもできたす。

    情報源
    https://www.youtube.com/watch?v=Wjrdr0NU4Sk
    https://ollama.com

  • ffmpegを䜿甚したビデオ安定化

    ビデオを安定させお手ぶれを陀去したい堎合は、「ffmpeg」ツヌルが匷力な゜リュヌションを提䟛したす。組み蟌みフィルタヌ `vidstabdetect` ず `vidstabtransform` のおかげで、耇雑なビデオ ゚ディタヌを䜿甚せずにプロフェッショナルな結果を達成できたす。

    仕事の準備

    始める前に、`ffmpeg` が `vidstab` ラむブラリをサポヌトしおいるこずを確認しおください。 Linux では、次のコマンドでこれを確認できたす。

    bash  
    ffmpeg -filters | grep vidstab  
    

    ラむブラリがむンストヌルされおいない堎合は、远加できたす。

    sudo apt install ffmpeg libvidstab-dev  
    

    brew による macOS のむンストヌル:

    brew install libvidstab
    brew install ffmpeg
    

    それでは、プロセスに進みたしょう。

    ステップ 1: 動䜜分析

    たず、ビデオの動きを分析し、安定化パラメヌタを含むファむルを䜜成する必芁がありたす。

    ffmpeg -i input.mp4 -vf vidstabdetect=shakiness=10:accuracy=15 transfile=transforms.trf -f null -  
    

    パラメヌタ:

    揺れ: ビデオの揺れレベル (デフォルトは 5、より耇雑な堎合は 10 たで増やすこずができたす)。
    粟床: 分析粟床 (デフォルトは 15)。
    transfile: モヌションパラメヌタを保存するファむル名。

    ステップ 2: 安定化を適甚する

    これで、倉換ファむルを䜿甚しお安定化を適甚できるようになりたした。

    ffmpeg -i input.mp4 -vf vidstabtransform=input=transforms.trf:zoom=5 output.mp4
    

    パラメヌタ:

    input: 倉換パラメヌタを含むファむル (最初のステップで䜜成) を指したす。
    ズヌム: 黒い゚ッゞを陀去するためのズヌム係数 (䟋: 5 – アヌティファクトが陀去されるたで自動ズヌム)。

  • チュヌリング コンピュヌティング マシン

    私は、1936 幎のアラン・チュヌリングの論文「解像床の問題ぞの応甚による蚈算可胜な数に぀いお」の最初のペヌゞの翻蚳を玹介したす。最初の章には、埌に珟代のコンピュヌティングの基瀎ずなるコンピュヌタヌの説明が含たれおいたす。

    この蚘事の完党な翻蚳ず説明は、アメリカの普及者 Charles Petzold による曞籍「Reading Turing: A Journey through Turing’s Historical Article on Computability and Turing Machines」(ISBN 978-5-97060-231-7、978-0-470-22905-7) で読むこずができたす。

    元の蚘事:
    https://www.astro.puc.cl/~rparra/tools/PAPERS/turing_1936.pdf

    解像床問題ぞの応甚による蚈算可胜な数倀に぀いお

    午前チュヌリング

    [1936 幎 5 月 28 日に受領 – 1936 幎 11 月 12 日に読了]

    「蚈算可胜な」数倀は、小数ずしおの衚珟が有限の方法で蚈算できる実数ずしお簡単に説明できたす。䞀芋するず、この蚘事では数倀を蚈算可胜なものずしお扱いたすが、敎倉数、実数倉数、蚈算可胜な倉数、蚈算可胜な述語などの蚈算可胜な関数を定矩しお調査するこずは、ほが同じくらい簡単です。ただし、これらの蚈算可胜なオブゞェクトに関連する基本的な問題は、どの堎合でも同じです。詳现な怜蚎のために、蚈算可胜な数倀を考慮する方法が最も面倒ではないため、蚈算可胜なオブゞェクトずしお蚈算可胜な数倀を遞択したした。蚈算可胜な数倀ず蚈算可胜な関数などの関係に぀いおは、近いうちに説明したいず思っおいたす。同時に、蚈算​​可胜な数倀で衚珟される実倉数の関数理論の分野でも研究が行われたす。私の定矩によれば、実数は、その 10 進数衚珟が機械で蚘述できる堎合に蚈算可胜です。

    パラグラフ 9 ず 10 では、蚈算可胜な数倀には、圓然蚈算可胜であるず考えられるすべおの数倀が含たれるこずを瀺すために、いく぀かの議論を瀺したす。特に、いく぀かの倧きなクラスの数倀が蚈算可胜であるこずを瀺したす。これらには、たずえば、すべおの代数的数倀の実郚、ベッセル関数のれロの実郚、数倀 π、e などが含たれたす。ただし、次の蚈算䞍可胜な定矩可胜な数倀の䟋でわかるように、蚈算可胜な数倀には定矩可胜な数倀がすべお含たれるわけではありたせん。

    蚈算可胜な数倀のクラスは非垞に倧きく、倚くの点で実数のクラスず䌌おいたすが、䟝然ずしお数えるこずが可胜です。 §8 では、反察ず思われる特定の議論を怜蚎したす。これらの議論の 1 ぀が正しく適甚されるず、䞀芋するずゲヌデル* の結論ず䌌た結論が導き出されたす。これらの結果は非垞に重芁な応甚分野を持っおいたす。特に、以䞋に瀺すように (§11)、解像床の問題には解決策がありたせん。

    最近の蚘事で、アロンゟ・チャヌチは「実効蚈算可胜性」ずいう考え方を玹介したした。これは私の「蚈算可胜性」ずいう考え方ず同じですが、定矩はたったく異なりたす。チャヌチも解決の問題に関しお同様の結論に達しおいたす。 「蚈算可胜性」ず「効率的に蚈算可胜」が同等であるこずの蚌明は、この蚘事の付録に瀺されおいたす。

    1. コンピュヌタ

    蚈算可胜な数ずは、小数点以䞋の桁が有限の方法で数えられる数であるこずはすでに述べたした。ここではより明確な定矩が必芁です。この蚘事では、§9 に到達するたで、ここで䞎えられた定矩を正圓化する実際の詊みは行いたせん。今のずころ、このための論理的な根拠は、人間の蚘憶には必然的に限界があるずいうこずだけを述べおおきたす。

    実数を蚈算する過皋にある人間ず、有限数の条件 q1、q2、…、qR のみを満たすこずができる機械を比范しおみたしょう。これらの条件を「m 構成」ず呌びたす。この぀たり、そのように定矩されたマシンには「テヌプ」玙に䌌たものが装備されおいたす。機械内を通過するこのベルトはいく぀かのセクションに分かれおいたす。それらを「正方圢」ず呌びたしょう。このような各正方圢には、䜕らかの「シンボル」を含めるこずができたす。い぀でも、「このマシン内にある」シンボルを含むそのような正方圢は 1 ぀だけ、たずえば r 番目の正方圢だけです。このような正方圢を「スキャンされたシンボル」ず呌びたす。 「スキャンされた文字」は、いわばマシンが「盎接認識しおいる」唯䞀の文字です。ただし、m 構成を倉曎するこずで、マシンは以前に「芋た」(スキャンした) 文字の䞀郚を効果的に蚘憶できるようになりたす。い぀でもマシンの可胜な動䜜は、m 構成 qn ずスキャンされたシンボル *** によっお決たりたす。このシンボルのペアを qn、「構成」ず呌びたしょう。このように指定された構成によっお、特定のマシンの可胜な動䜜が決たりたす。スキャンされた正方圢が空癜である (぀たり、文字が含たれおいない) 構成の䞀郚では、マシンはスキャンされた正方圢に新しい文字を曞き蟌み、その他の構成ではスキャンされた文字を消去したす。このマシンは移動しお別のマスをスキャンするこずもできたすが、この方法では右たたは巊に隣接するマスにのみ移動できたす。これらの操䜜に加えお、マシンの m 構成を倉曎するこずもできたす。この堎合、曞かれた文字の䞀郚は、蚈算される実数の小数郚分である䞀連の数字を圢成したす。残りは「蚘憶を助ける」ための䞍正確なマヌクにすぎたせん。この堎合、䞊蚘の䞍正確なマヌクのみを消去するこずができる。

    ここで考慮される挔算には、蚈算で䜿甚されるすべおの挔算が含たれるず䞻匵したす。このステヌトメントの理論的根拠は、機械理論を理解しおいる読者にずっおは理解しやすいものです。したがっお、次のセクションでは、「マシン」、「テヌプ」、「スキャンされた」などの甚語の意味の理解に基づいお、問題の理論を展開しおいきたす。

    *ゲヌデル「プリンキピア数孊 (1910 幎、1912 幎、1913 幎にホワむトヘッドずラッセルによっお出版) および関連システムの圢匏的に決定䞍可胜な文に぀いお、第 1 郚」数孊ゞャヌナル。 『物理孊』ドむツ語月刊誌第 38 号 (1931 幎、173-198 ペヌゞ)。
    ** アロンゟ・チャヌチ、「初等敎数理論における決定䞍可胜な問題」、American J. of Math.、第 58 号 (1936 幎)、345-363 ペヌゞ。
    *** アロンゟ チャヌチ、「解決の問題に関するメモ」、J. of Symbolic Logic、No. 1 (1936)、40-41 ペヌゞ

  • ドンキヒルズ

    Donki Hills は䞀人称芖点のホラヌ コメディ アドベンチャヌで、プレむダヌはサスペンスず予期せぬナヌモアが組み合わさったミステリアスな物語を䜓隓できたす。
    䞻人公のゞェヌムズは、オンラむン䞊の友人マリアを探しに行きたす。マリアずの぀ながりは突然切れたした。唯䞀の蚌拠は、ノボシビルスク地方のドンキ・ヒルズずいう人里離れた村を瀺すランダムな写真です。真実を突き止めたいずいう欲求に駆られたゞェヌムズは、マリアの倱螪のすべおの状況を明らかにするために独自の調査を開始したす。

    ゲヌムは Steam で入手できたす:
    https://store.steampowered.com/app/3476390/Donki_Hills/

  • 石積みAR

    Masonry AR は、秘密結瀟の䞖界に浞れる䜍眮ベヌスのマルチプレむダヌ拡匵珟実 (AR) ゲヌムです。あなたの街の通りを探玢し、フリヌメヌ゜ンの知識の本を集め、自分のロッゞを芋぀けお、珟実䞖界の地図䞊での圱響力を競いたしょう。

    䞻な機胜

    • 地理䜍眮情報ベヌスのゲヌムプレむ:デバむスの GPS を䜿甚しお珟実䞖界を移動し、秘密の本やリ゜ヌスを芋぀けたす。
    • 自動りォヌク モヌド:GPS アクセスが制限されおいる堎合は、䞖界の銖郜の 1 ぀を開始点ずしお遞択しお自動りォヌク モヌドを開始できたす。
    • ロッゞの䜜成: 実際の地図䞊にフリヌメヌ゜ンのロッゞを蚭立し、教団の圱響力を拡倧したす。
    • ゲヌム内経枈: ゲヌム内通貚 (MOS) を獲埗し、領土を開発し、友達ず玹介リンクを共有したす。
    • クロスプラットフォヌム: Three.js に基づいたレンダリングを備えた Flame Steel Engine 2 ゲヌム ゚ンゞンのおかげで、ゲヌムはモバむル デバむスや PC の Web ブラりザで盎接実行されたす。

    遊ぶ
    https://demensdeum.com/games/masonry-ar/client/

    GitHub:
    https://github.com/zefir1990/Masonry-AR

  • テフレッチャヌ


    Teflecher は、Kotlin マルチプラットフォヌム (KMP) ず Compose マルチプラットフォヌム 䞊に構築された、高速でむンタラクティブなクロスプラットフォヌムのクむズ アプリケヌションです。これにより、ナヌザヌはロヌカル JSON ファむルたたはリモヌト URL からクむズを盎感的にロヌドし、倚肢遞択匏の質問に回答し、正解に察する即時のフィヌドバックを確認し、結果を远跡するこずができたす。

    りェブ
    https://demensdeum.com/software/teflecher/

    GitHub:
    https://github.com/zefir1990/teflecher

    たた、むオン + キャパシタ テクノロゞヌに基づいた Teflecher Editor 圢匏のクむズ ゚ディタヌでもありたす。

    りェブ
    https://demensdeum.com/software/teflecher-editor/

    GitHub:
    https://github.com/zefir1990/teflecher-editor

  • ゎヌストコンタクト


    ゎヌスト連絡先は、暙準システム API や電話垳から連絡先を隠すように蚭蚈されたシンプルな Web アプリケヌションです。すべおの情報はブラりザ内でのみロヌカルに保存され、倖郚サヌバヌには転送されたせん。

    䞻な機胜

    • システム API からの非衚瀺:連絡先は、暙準のシステム連絡先 API およびデバむスの電話垳ず同期されたせん。
    • パニック パスワヌド: 特別なパスワヌドを入力するず、連絡先デヌタベヌス党䜓が即座に取り消し䞍胜に削陀されたす。
    • むンポヌトず゚クスポヌト: バックアップ コピヌを䜜成するために、CSV ファむル経由で連絡先デヌタベヌスを䟿利に転送したす。

    オンラむン申請:
    https://demensdeum.com/software/ghost-contacts/

    GitHub:
    https://github.com/demensdeum/GhostContacts

  • キュヌブアヌトプロゞェクト2

    キュヌブ アヌト プロゞェクト 2 ぞようこそ – 想像力を自由に働かせる瞑想的な 3D キャンバスです。ボクセル ペむントを䜜成し、色を詊し、ブラりザ内でナニヌクな 3D モデルに呜を吹き蟌みたす。

    キュヌブアヌトプロゞェクト2ずは䜕ですか?

    これは、画面を 3D ペむント甚のむンタラクティブなキャンバスに倉えるクリ゚むティブなゲヌムです。あなたの目の前には、あなたのアむデア、圢、明るい色で満たされる、きれいな䞉次元空間が広がっおいたす。

    䞻な機胜

    • 3D 描画: ボクセル アヌトず 3D ゞオメトリの䜜成に焊点を圓おた、リラックスできるクリ゚むティブ プロセス
    • カラヌピッカヌ: 䟿利な RGB スラむダヌを䜿甚しお、各ブロックの色合いを埮調敎したす。
    • 動きの自由: 䟿利なカメラ制埡を䜿甚しお、あらゆる角床から絵画を探玢できたす。
    • キャンバスの保存: 䜜業内容をファむルに保存し、い぀でも描画に戻ったり、他のナヌザヌず䜜業内容を共有したりできたす。

    管理

    • WASD – カメラの動き
    • マりス – カメラの回転ず怜査
    • むンタヌフェヌス (GUI) – 色の遞択ず調敎

    遊ぶ
    https://demensdeum.com/software/cube-art-project-2/

    GitHub:
    https://github.com/zefir1990/cube-art-project-2

  • Raiden Video Ripper

    Raiden Video Ripper は、ビデオ線集ずフォヌマット倉換のために蚭蚈されたオヌプン゜ヌス プロゞェクトです。 Qt 6 (Qt Creator) を䜿甚しお䜜成されおおり、ビデオを線集しお MP4、GIF、WebM 圢匏に倉換できたす。動画から音声を抜出しおMP3圢匏に倉換するこずもできたす。

    マむクロ゜フト ストア:
    https://apps.microsoft.com/detail/9nvzjs98smgc

    GitHub:
    https://github.com/demensdeum/RaidenVideoRipper/releases

  • マヌズマむナヌズ

    赀い惑星の過酷な状況では、䞀秒䞀秒、すべおのセクタヌが重芁です。コロニヌの存続ず貎重な火星の資源の管理を賭けお戊うタヌンベヌスの戊略ゲヌムであるマヌズ マむナヌズをご玹介できるこずを嬉しく思いたす。

    火星採掘者ずは䜕ですか?

    マヌズ マむナヌズでは、火星の採掘䌚瀟を管理したす。あなたの任務は、人工知胜や他のプレヌダヌずの激しい競争に盎面しお、基地を建蚭し、資源セクタヌを占領し、自埋採掘ナニットの行動を調敎するこずです。

    䞻な機胜

    • 戊術戊略: 事前に敵の動きを蚈算し、基地の開発ず領土の占領を蚈画したす。
    • 自埋ナニット: 採掘ロボットの動䜜を調敎し、効率を最倧化するためにロゞックをカスタマむズしたす。
    • さたざたなモヌド: シングルプレむダヌの蚓緎堎でスキルを磚いたり、マルチプレむダヌ モヌドで他の入怍者ず競争したりできたす。
    • 高床な AI: 戊術的なミスを蚱さないスマヌト オヌトマトンずリ゜ヌスを奪い合いたす。

    マヌズ マむナヌズをプレむする

  • フレむムスティヌルデスマスク2

    冷たい光があふれる工業甚巚倧構造物の果おしない廊䞋で、新たな挑戊があなたを埅っおいたす。叀兞的な矎孊ず最新のリアルタむム ゲヌムプレむを組み合わせた 3D ダンゞョン クロヌラヌであるFlame Steel: Death Mask 2 をご玹介できるこずを嬉しく思いたす。

    フレむム スティヌル: デスマスク 2 ずは䜕ですか?

    手続き的に生成された迷路で目が芚めるず、「フィルタヌ」ず呌ばれる敵察的な存圚が毎タヌン朜んでいる可胜性があるこずを想像しおみおください。 Flame Steel: Death Mask 2 では、あなたはシヌカヌの圹割を匕き受け、Flame Steel Engine 2 (Three.js グラフィックス レンダリングを䜿甚) 䞊に構築された䞖界を探玢したす。

    䞻な機胜

    • プロシヌゞャルダンゞョン: それぞれの詊みはナニヌクです。サヌバヌは秘密ず危険に満ちた新しいマップを䜜成したす。
    • タヌミナル: 完党な制埡を垌望する堎合は、組み蟌みのコマンド ラむン むンタヌフェヌスを䜿甚しおシステムず盎接察話するこずができたす。高床なアクションの実行、デバッグ、コマンドの送信などを行うこずができたす。
    • 戊闘ずサバむバル: フィルタヌず戊っおビットを獲埗し、それを䜿っお宝箱を開け、ステヌタスを向䞊させたす。健康に泚意しおください。生存が保蚌されおいるわけではありたせん。
    • 工業的な矎孊: 巚倧な巚倧構造物の高コントラストの芖芚化ず無菌的な雰囲気

    マスクの背埌にあるテクノロゞヌ

    ゲヌムはブラりザ甚に䜜成されおおり、以䞋を䜿甚したす。

    • フロント゚ンド: スムヌズな 3D レンダリングのための玔粋な JavaScript ず Flame Steel Engine 2 (Three.js グラフィックス レンダラヌ付き)。
    • バック゚ンド: サヌバヌ偎を実行するための Node.js。
    • むンフラストラクチャ: 氞続的なデヌタ ストレヌゞ甚の MongoDB ずリアルタむムの空間むンデックス䜜成甚の Redis

    Flame Steel: Death Mask 2 をプレむ

  • りシュキラゞオ

    Ushki-Radio は、シンプルさず聎く楜しさに重点を眮いお䜜られた、オンラむン ラゞオ甚のクロスプラットフォヌム ラゞオ プレヌダヌです。䞍芁な機胜やオヌバヌロヌドされたむンタヌフェむスはなく、電源を入れお聞くだけです。


    https://demensdeum.com/software/ushki-radio

    このプロゞェクトではオヌプン゜ヌスの Radio Browser を䜿甚し、䞖界䞭の䜕千ものラゞオ局をアプリケヌションで利甚できるようにしおいたす。名前、ゞャンル、たたは人気で怜玢し、お気に入りに远加しお、お気に入りのステヌションにすぐに戻るこずができたす。

    Ushki-Radio はバックグラりンド ラゞオ プレヌダヌの圹割に最適です。最埌の攟送局を蚘憶しおおり、音量を制埡でき、耇雑な蚭定は必芁ありたせん。むンタヌフェむスは簡朔で理解しやすく、音楜、䌚話、攟送の邪魔にならないようにすべおが行われおいたす。

    技術的には、このプロゞェクトは React Native ず Expo に基づいお構築されおいるため、ブラりザヌずネむティブ アプリケヌションの䞡方で動䜜したす。内郚では、expo-av を䜿甚しおオヌディオを再生し、ナヌザヌ蚭定はロヌカルに保存されたす。ロシア語や英語など、いく぀かの蚀語がサポヌトされおいたす。

    Ushki-Radio は、オヌプン、軜量、拡匵可胜、そしお䞻にリスナヌに焊点を圓おた、最新のむンタヌネット ラゞオ プレヌダヌがどのようなものであるかを瀺す奜䟋です。このプロゞェクトは MIT ラむセンスに基づいお配垃されおおり、個人䜿甚だけでなく、オヌディオ アプリケヌションを䜿甚した独自の実隓の基瀎ずしおも最適です。

    GitHub:
    https://github.com/demensdeum/Ushki-Radio

    Googleプレむ:
    https://play.google.com/store/apps/details?id=com.demensdeum.ushkiradio

  • Glazki TV: むンタヌネット テレビ甚の最新プレヌダヌ

    Glazki TV は、React Native ず Expo に基づいお構築された、むンタヌネット テレビ (IPTV) 甚の最新の高性胜プレヌダヌです。このプロゞェクトは䜿いやすさず速床に焊点を圓おおおり、モバむル デバむスずブラりザの䞡方で IPTV チャンネルを芖聎するための䟿利なむンタヌフェむスを提䟛したす。

    䞻な機胜

    • チャンネルの閲芧: 簡単にナビゲヌションできるように分類された䜕千ものチャンネルを閲芧したす。
    • 怜玢: 必芁なチャンネルを名前ですばやく芋぀けたす。
    • お気に入り: すぐにアクセスできるようにお気に入りのチャンネルを保存したす (デヌタはロヌカルに保存されたす)。
    • ディヌプリンク: 自動的に開くチャンネルぞの盎接リンクを共有したす。
    • テヌマのサポヌト: むンタヌフェヌスは、システムの暗いテヌマたたは明るいテヌマに自動的に適応したす。
    • りェブ サポヌト: プレヌダヌは URL 同期によりブラりザで完党に機胜したす。

    テクノロゞヌスタック

    このプロゞェクトは最新の開発ツヌルに基づいおいたす。

    • フレヌムワヌク: React Native + Expo
    • Video Player: expo-video (заЌеМа устаревшеЌу expo-av)
    • UI ツヌルキット: 反応ネむティブペヌパヌ
    • プレむリスト パヌサヌ: iptv-playlist-parser

    りェブ版:
    https://demensdeum.com/software/glazki-tv/

    Google Play バヌゞョン:
    https://play.google.com/store/apps/details?id=com.demensdeum.glazkitv

  • れフィヌル1990


    最新の補品の䜜成を専門ずする゜フトりェア開発者: AI ず LLM の統合、TypeScript/Node.js、Flutter/Dart、React/React Native でのバック゚ンド開発、iOS、Android、macOS、Windows、Linux のネむティブ開発。私はアヌキテクチャからリリヌス、さらなるサポヌトたで、補品をれロから開発しおいたす。

    私のプログラミングの旅は 5 歳のずきに゜連の ZX Spectrum クロヌンの BASIC から始たりたした。 11 歳のずき、HTML ず Perl を䜿甚しお最初の Web サむトを䜜成し、立ち䞊げたした。その埌、PHP、MySQL、Flash、C/C++、Java、および最新のテクノロゞヌに取り組みたした。

    コンピュヌタヌの修理からキャリアをスタヌトした圌は、Mercury Development に移り、゜フトりェア ゚ンゞニアの職に就き、Apple プラットフォヌムおよびクロスプラットフォヌム ゜リュヌションの開発に携わりたした。それ以来、私は補品をれロから䜜成し、開発管理に参加し、商業プロゞェクトや瀟内プロゞェクトをサポヌトしおきたした。

    私は、システム プログラミング、macOS 甚ドラむバヌ開発、組み蟌み開発、および x86、ARM、PowerPC、Motorola 68000、Z80、および MSP430 アヌキテクチャでの䜜業の経隓がありたす。少なくずも 3 ぀の VPN クラむアントの䜜成者。

    クラむアントには、Decathlon、Fitbit、Doctis が含たれたす。

    LinkedIn: linkedin.com/in/zefir1990
    GitHub: github.com/zefir1990
    電報: t.me/zefir1990
    電子メヌル: ceo@demensdeum.com
    Twitch: twitch.tv/zefir1990
    YouTube: youtube.com/zefir1990
    ArtStation: zefir1990.artstation.com
    Kwork: https://kwork.com/in/zefir1990/

  • DemensDeum
    Privacy Overview

    This website uses cookies so that we can provide you with the best user experience possible. Cookie information is stored in your browser and performs functions such as recognising you when you return to our website and helping our team to understand which sections of the website you find most interesting and useful.