LLMコスト、エージェント、およびコーディングツール | オリジナル、AI翻訳

Home 2025.08 English 中文 日本語 Español हिंदी Français Deutsch العربية 繁體中文

---

目次

1. LLM APIコストの最適化
   • 最初はコスト効率の良いモデルから始める
   • 不要なハイエンドモデルの使用を避ける
   • 単純なタスクにはNLPライブラリを優先
   • 効率化のために特化エージェントを構築
   • テストを通じてモデルを比較
2. DeepseekとMistralのAPI使用状況
   • DeepSeekはキャッシュミスでコストが変動
   • Mistralの費用は出力トークンが支配的
   • Grokの価格設定は入力トークンに有利
   • タスクの複雑さでトークン使用量が変化
   • 価格は公開レートに準拠
3. 汎用エージェント vs 特化エージェント
   • 汎用エージェントは複雑さに弱い
   • 特化エージェントは特定分野で優れる
   • ワークフローツールは柔軟性に限界
   • カスタムPythonエージェントで制御性向上
   • 利便性と機能性のトレードオフ
4. エンジニア視点のAIコーディングツール考察
   • ブランドより実用性を重視
   • VSCode + Copilotの安定性を評価
   • Claude Codeの差分表示が印象的
   • 文法ツールは手動検証が必要
   • 盲目的採用より実験を優先

LLM APIコストの最適化

2025.08

出典: openrouter.ai

出典: openrouter.ai

トークン使用量を最適化する際は、まずコスト効率の高いモデルから始めることを推奨します。問題が発生した場合にのみ、より高機能なモデルに切り替えましょう。Mistral、Gemini Flash、DeepSeekは一般的に経済的ですが、Claude Sonnetは高価になりがちです。以下のルーター表示におけるClaude Codeの利用方法を理解することが重要です。

最近、私はこの原則を無視して高額なコストを支払う経験をしました。最大使用量を確認するために無理に利用していましたが、これは合理的なアプローチではなく単純な計算ミスです。例えば、本当にSonnet 4が必要か？必ずしもそうではありません。Anthropicの先進モデルでOpenRouterで高評価ですが、Sonnet 4と3.5の違いは明確に理解できていません。

Replit創業者Amjad Masadのインタビューから学んだことは、多くのタスクでは高度なモデルが不要だということです。理想はLLM APIを完全に回避することですが、HanLPのようなNLPライブラリは中国語処理などの単純タスクに効果的です。

さらに、最初から効率的に処理するカスタムエージェントを開発できます。Claude Codeが常に最適解とは限りません。モデル間の差異を理解するには、実際に使用して比較するのが有効です。Gemini 2.5 Flashを利用したところ、Sonnet 4よりも能力が劣ると感じました。

数日後、以下の設定を活用しています。longContextThresholdパラメータが重要で、Claude Code使用時には定期的にコンソールをクリアするか再起動すると良いでしょう。コーディング時にはロングコンテキスト閾値に達しやすいです。

{
  "PROXY_URL": "http://127.0.0.1:7890",
  "LOG": true,
  "Providers": [
    {
      "name": "openrouter",
      "api_base_url": "https://openrouter.ai/api/v1/chat/completions",
      "api_key": "",
      "models": [
        "moonshotai/kimi-k2",
        "anthropic/claude-sonnet-4",
        "anthropic/claude-3.5-sonnet",
        "anthropic/claude-3.7-sonnet:thinking",
        "anthropic/claude-opus-4",
        "google/gemini-2.5-flash",
        "google/gemini-2.5-pro",
        "deepseek/deepseek-chat-v3-0324",
        "deepseek/deepseek-chat-v3.1",
        "deepseek/deepseek-r1",
        "mistralai/mistral-medium-3.1",
        "qwen/qwen3-coder",
        "openai/gpt-oss-120b",
        "openai/gpt-5",
        "openai/gpt-5-mini",
        "x-ai/grok-3-mini"
      ],
      "transformer": {
        "use": [
          "openrouter"
        ]
      }
    }
  ],
  "Router": {
    "default": "openrouter,openai/gpt-5-mini",
    "background": "openrouter,google/gemini-2.5-flash",
    "think": "openrouter,qwen/qwen3-coder",
    "longContext": "openrouter,deepseek/deepseek-chat-v3.1",
    "longContextThreshold": 2000,
    "webSearch": "openrouter,mistralai/mistral-medium-3.1"
  }
}

---

汎用エージェント vs 特化エージェント

2025.08

Manusは汎用AIエージェントツールと謳われていますが、実際には十分に機能しないでしょう。

速度が遅く、不要な処理が多いため非効率的です。また、複雑な問題や弱点に直面するとタスク失敗の可能性が高まります。

特化エージェントは特定のタスクに最適化されているため優れています。SpringのようなWeb開発フレームワークやVue/Reactなど数十のデータベース/フレームワークが存在します。

DifyはAIによるワークフロー接続に重点を置き、ドラッグ&コネクト方式で定義します。情報・データ・プラットフォーム間の連携に多くの作業が必要です。

私もPythonコードリファクタリングエージェントや文法修正エージェントなどシンプルなエージェントを構築しました。コードは柔軟性が高く、Difyがカバーできる範囲は限定的です。

ManusはVNC方式で処理内容を表示しますが、コードやテキストのアップロードが必要で不便です。DifyはMIT Scratchのようなビジュアルプログラミングに似ています。

教育用のScratchがPythonほど普及しないのと同じく、Difyにも制約があります。Manusは単純タスクを処理できますが、弱点に触れると失敗します。

プログラマーとしては、Pythonで垂直型エージェントを構築するのが最適です。プロンプトとコンテキストを設定することでLLM APIの出力を安定させられます。

ManusやDifyもLLM APIを使用していますが、既存ツールの利便性はあります。Twitterボット構築なら、Difyがオープンソース技術より便利かもしれません。

---

エンジニア視点のAIコーディングツール考察

2025.08

最近Claude Codeの実行に成功したので、ツール選定の経緯を共有します。AI Tool Tipsも収集しました。

Claude Codeの採用は遅れました。Claude Codeは2025年2月末にリリースされましたが、中国のVisaカード非対応やClaude Code Routerの登場まで試せませんでした。

Gemini CLIは2025年7月に試みましたが、コード修正に失敗し断念。AiderやCursorも使用しましたが、VSCodeプラグインの不具合やElectronベースの課題からCopilotに回帰しました。

現在はOpenRouter経由のGrok 3 betaをカスタム設定したVSCodeのCopilotプラグインを使用しています。Claude Codeは習慣を変えませんが、差分表示(git diff風)による編集確認の簡便さは高く評価しています。ただし文法修正ツールは自動化の目的に反して手動確認が必要な点が課題です。

数日間の使用で、Claude Codeのコード修正能力には感銘を受けました。

出典: 自作スクリーンショット

出典: 自作スクリーンショット

出典: 自作スクリーンショット

---

DeepseekとMistralのAPI使用状況

2025.01.25

DeepSeek

1ヶ月で1,500万トークン使用し約23.5CNYの費用が発生しました。1日あたりの使用状況:

タイプ	トークン
入力(キャッシュヒット)	946,816
入力(キャッシュミス)	2,753,752
出力	3,100,977

計算式:
0.94 * 0.1 + 2.75 * 1 + 3.10 * 2 = 11.83

タスクによって入力(キャッシュミス)と出力がコストを左右します。DeepSeek API料金と一致する結果です。

出典: 自作スクリーンショット

Mistral

料金体系:

モデル	入力(100万トークンあたりUSD)	出力(100万トークンあたりUSD)
mistral-large-2411	2	6
mistral-small-latest	0.2	0.6

1日あたりの使用状況(モデル: mistral-large-2411):

タイプ	トークン	コスト(USD)
合計	772,284	3.44
出力	474,855	2.85
入力	297,429	0.59

mistral-small-2409モデルでは1,022,407トークン使用。入力340,802トークン、出力681,605トークンと仮定すると、総コストは0.48USD。コンソール表示の0.43USDとほぼ一致します。

Grok

モデル	入力(100万トークンあたりUSD)	出力(100万トークンあたりUSD)
grok-2-latest	2	10

---

Back Donate