shirokuronoir

ローカルLLMに任せる3つのブログ作業

ローカルLLMに任せる3つのブログ作業

ローカルLLMに任せる3つのブログ作業

ブログ自動化でローカルLLMを使う目的は、すべてを無料にすることではありません。外部へ送らなくてよい処理を手元へ戻し、高性能モデルを使う回数と、公開前に人が見る範囲を明確にすることです。

先に結論

今回の実測から、ローカルLLMへ任せやすい作業は次の3つでした。

1. 収集見出しの一次分類

2. タグと記事候補の下書き

3. 秘密情報や内部表現の公開前チェック補助

反対に、最新情報の調査、複数出典の統合、読ませる本文の仕上げはホスト型モデルが向いています。重複判定と公開可否は、ローカルモデルだけで確定しないほうが安全です。

手元の環境で試した結果

Windows上のOllama 0.30.11と`gpt-oss:20b`を使い、その日に収集したAI・テック見出し8件を5カテゴリへ分類しました。モデルは20.9B、MXFP4、ローカル保存サイズは約13.8GBです。

成功した実行の結果は次のとおりです。

| 項目 | 実測値 |

|—|—:|

| 入力 | 8見出し、230 token |

| 出力 | 753 token |

| 処理時間 | 9.69秒 |

| 生成速度 | 約81.97 token/s |

| 結果形式 | JSON |

分類は8件とも目視上妥当でした。ただし、データサイエンス向けと営業向けのAI活用記事を同じシリーズとしてまとめる指示には反応せず、重複グループは空でした。

最初の試行では出力上限を300 tokenにしたため、推論だけで上限を使い切り、最終回答が空になりました。ローカルで動くことと、運用設定が簡単であることは別です。推論モデルでは、出力上限、タイムアウト、JSON検証、失敗時の扱いまで決める必要があります。

任せる作業1: 見出しの一次分類

RSSやニュースAPIから集めた見出しを、AI製品、開発、セキュリティ、ハードウェアなどへ振り分ける処理は、ローカルLLMと相性がよいです。

  • 入力が短い
  • 正解候補をカテゴリとして限定できる
  • 失敗しても公開面へ直接影響しない
  • 同じ形式を繰り返し処理できる

分類結果は公開判断に使わず、「次に詳しく読む記事を減らす」ために使います。カテゴリ外やJSON不正は未分類へ戻せば、誤分類を無理に採用せずに済みます。

任せる作業2: タグと記事候補の下書き

記事タイトルを確定する前の候補作り、タグ候補、読者の悩み別の分類もローカルで十分です。ここでは完成度より、候補を早く複数出すことを優先します。

一方、検索意図、直近の競合記事、一次情報の更新状況は手元のモデルだけでは確認できません。公開タイトルと本文はWeb上の一次情報を確認できるモデルへ渡し、引用元と事実関係を再検証します。

任せる作業3: 公開前チェック補助

公開HTMLへ変換した後に、次のようなパターンを検査する補助にも使えます。

  • ローカルパスや内部URI
  • 認証情報を示す語の周辺
  • 管理画面や未公開環境へのリンク
  • 内容がない見出し
  • 断定に対して出典がない段落

ただし、モデルへ実際の認証情報を見せて検査してはいけません。正規表現や専用スキャナーで機械的に止めた後、残った公開原稿だけをモデルへ渡します。

費用とプライバシーの考え方

OpenAIの公式説明では、自己管理環境で動かすgpt-ossへ送ったデータは、OpenAIへ明示的に共有したり管理されたホスティングを利用したりしない限り、OpenAIでは処理されません。また、モデルの重みにはAPIの従量課金はありません。

ただし無料運用ではありません。PC本体、メモリ、ストレージ、電力、モデル更新、障害対応の費用が残ります。OpenAIも、自己ホストが安くなる場合がある一方、保守まで含めるとAPIのほうが効率的な場合があると案内しています。

判断基準は「1 tokenがいくらか」だけではなく、次の3点です。

  • 外部へ送らない価値があるデータか
  • 毎日繰り返す軽い処理か
  • モデル管理に使う時間を回収できるか

このブログでの振り分け

現在の運用では、次の境界が現実的です。

| 処理 | 担当 |

|—|—|

| 見出し分類、タグ候補、形式チェック | ローカルLLM |

| 最新情報の検索、一次情報の比較、本文の統合 | ホスト型LLM |

| 重複投稿の確定、出典確認、公開操作 | 人間の確認を含む公開ゲート |

ローカルLLMを導入しても、すべてを置き換える必要はありません。短く、繰り返しが多く、失敗時に戻せる仕事から移すと、費用とプライバシーの両方を調整しやすくなります。

関連記事

出典

1. Introducing gpt-oss / OpenAI

2. OpenAI open-weight models (gpt-oss) / OpenAI Help Center

3. gpt-oss / Ollama