何の考察か
直近の Slack #2_開発_広聴ai で nishio と tokoroten が「Claude を広聴AIに繋ぐ」話を断続的にしている。本ページは、その一連の発言を 3 層に切り分け、現行コードと公式 docs に照らして feasibility と設計上の切り分けを整理する。結論を先に書くと、「Claude 対応」で解けるのは pipeline の LLM ステップ(extraction / labelling)だけで、クラスタリングの中核である embedding は Claude では解けない(openai-siwc-token-sharing-docs-2026-10-12 の SIWC と同じ壁)。
ソースと鮮度
- Slack:
digitaldemocracy2030/slack-logsのmirror/(synced_at=2026-10-17T10:28 UTC、window 75日)を 2026-10-17 に読解。対象 channel は#2_開発_広聴ai。関連 root 発言は 10-05 / 10-07 / 10-12 / 10-13 / 10-16。 - コード:
work/kouchou-ai/main 083593ba(2026-10-16)。packages/analysis-core/src/analysis_core/services/llm.pyのrequest_to_chat_ai/request_to_embedを一次参照。 - 公式 docs: Anthropic Embeddings docs と Max/Team API credits support 記事を 2026-10-17 に取得。
Slack の発言は 3 層に分かれている
同じ「Claude を繋ぐ」でも、層が違う 3 つの話が混ざっている。混同すると「Claude 対応すれば OpenAI 不要」と早合点しやすい。
- (A) Claude Code をオーケストレータとして使う(nishio)
- 10-05: Codex のおかげでデータ分析が楽。Web の pipeline は「データを入れて結果が出る」形に単純化せざるを得ないが、AI Agent がアドホックに pipeline を組めれば「結果を見て一部を絞り込んで再分析/再利用」がやり放題。
- 10-07: ただし良い精度で回すには Codex か Claude Code の課金が要る。ローカル LLM が無償で agentic にこなせるのは半年〜1年先の肌感。
- 10-13: OpenAI API を置いていない環境で Claude Code に「広聴AIで分析して」と言ったら、ローカルモデルで embedding して Claude 自身がクラスタ命名をして完了させた。OpenAI API を使わない経路が「爆誕」した。
- (B) サブスク枠で LLM コストを賄う
- 10-12(nishio): 広聴AI に Sign in with ChatGPT を付けると Codex の weekly limit で分析できる説。→ 同スレで「embedding が対象外なのでダメという結論」。これは既に openai-siwc-token-sharing-docs-2026-10-12 に filing 済み。
- 10-16(tokoroten): Claude の Max プランに API の無料トークンが付くので、これを広聴AI に突っ込みたい → Claude 対応したい。続けて Max/Team の monthly API credits docs と embeddings docs を共有し「Claude はエンベディングもあるな」。
- (C) pipeline に first-class な Anthropic provider を足す(tokoroten 10-16「Claude 対応したいな」)
- これは (A) の「エージェントが外から回す」とは別の、
provider="anthropic"を llm-providers に追加するコード変更の話。
- これは (A) の「エージェントが外から回す」とは別の、
(A) は使い方(usage mode)、(C) はコード変更で、課金経路も別物。ここを分けないと議論が噛み合わない。
現状のコード — Claude 分岐は存在しない
main 083593ba で grep -rilE 'anthropic|claude' を packages/analysis-core/src と apps/api/src に掛けると 0 件。provider 抽象の現状は以下。
| ステップ | 対応 provider | Claude |
|---|---|---|
chat(extraction / labelling)request_to_chat_ai | openai / azure / local / openrouter / gemini | 無し |
embedding request_to_embed | local(sentence-transformers, is_embedded_at_local) / azure / openai / gemini / local(Ollama) | 無し |
- embedding は chat とは独立に provider 分岐している。
openrouterの embedding はNotImplementedError。is_embedded_at_local=Trueなら sentence-transformers でキー不要・ローカル完結(例paraphrase-multilingual-mpnet-base-v2、768次元、CPU 可)。offline-local-clustering がこの経路。 - chat 側に
anthropicを足すのは、既存のgemini分岐(628–637 行)と同型で素直。apps/api/src/services/llm_pricing.pyなどの価格表追加も要る。
技術的な核心: embedding の壁は Claude でも消えない
(B)(C) の肝は embedding。ここで tokoroten の「Claude はエンベディングもあるな」は docs の誤読である。
- Anthropic Embeddings docs の本文は明言している: “Anthropic does not offer its own embedding model.”(Anthropic は自前の embedding モデルを提供しない)。ページの残りは Voyage AI (by MongoDB) というサードパーティの使い方で、
VOYAGE_API_KEYと MongoDB Atlas の課金が要る。つまりあの docs は「Claude の embedding API」ではなく「embedding をやるなら他社を使え」というガイド。 - したがって openai-siwc-token-sharing-docs-2026-10-12 の SIWC が当たったのと同じ壁に当たる: LLM 側(labelling / extraction)は Claude で賄えても、embedding は Claude では賄えない。選択肢は (1) ローカル embedding(sentence-transformers、無償)、(2) Voyage / OpenAI / Gemini など別 provider のキー、のどちらか。
Max API credits の経済性(実際に効く範囲)
tokoroten の「Max の無料トークンを突っ込む」案を support 記事で裏取りすると:
- 金額: Max 5x = $100/月、Max 20x = $200/月(Team は seat 課金、pool 上限 $500/月)。
- 効く先: Messages API / Batches / Console / Managed Agents / Agent SDK。→
provider="anthropic"を足して広聴AI が Messages API を直接叩けば、extraction / labelling のコストをこの credit で賄える。 - 効かない先: interactive Claude Code、Bedrock / Vertex / Foundry 経由。→ (A) の「Claude Code に回してもらう」usage は Claude Code のサブスク枠を食う話で、この API credit とは別勘定。
- rollover 無し、毎月失効。Voyage は記事に記載なし(= MongoDB 側の別課金で、この credit では賄えないと見るべき)。
つまり (C)「Claude 対応 + Max credit」は LLM ステップの実質無料化としては筋が通るが、embedding 分は credit 外。embedding をローカルにすれば「LLM は Max credit・embedding は無償ローカル」で OpenAI キー無しの経路が成立する(これが 10-13 で Claude Code が偶発的に実演した構成に一致する)。
2 つの「Claude」経路を分けて評価
| (A) Claude Code = オーケストレータ | (C) in-pipeline provider="anthropic" | |
|---|---|---|
| 実体 | usage mode(外から CLI/agent が analysis-core を駆動) | コード変更(provider 分岐追加) |
| コード変更 | 不要(10-13 で実証済み) | 要(chat 分岐 + 価格表) |
| 課金 | Claude Code サブスク枠 | Anthropic API credit(Max $100/$200)/ 従量 |
| embedding | ローカル(Claude Code が選んだ) | 別途ローカル or 他社キー |
| 誰が使える | frontier agent を持つ開発者・研究者(cli / usage-modes の研究者層) | WebUI/API 利用者全般(自治体含む) |
| 位置づけ | offline-local-clustering + ラベリングを Claude が担う一般化 | llm-providers への provider 追加、#285 の範疇 |
- (A) は既に動く。10-13 の「爆誕」は新機能ではなく、offline-local-clustering(ローカル embedding + 階層クラスタリング)に、ラベリングを Claude Code 自身が肩代わりする形を足しただけ。つまりキー不要ルートは設計上すでに存在していて、Claude Code がそれを end-to-end で実演したという理解が正確。coding-agents の「nishio が分析実務で Claude Code を多用」の一例。
- (C) は #285「利用可能な LLM を増やす」の自然な一項目。自治体向けの動機は #255「OpenAI が使えないケースのケア」にある通り、コストだけでなく「ChatGPT の政治利用 NG が売り込みの障害になりうる」= provider 中立性。#255 の現案は Azure / Gemini / OpenRouter / LiteLLM で、Claude はまだ挙がっていないので、同じ列に足す提案になる。
設計上の切り分けと最小実装
「Claude 対応」を 1 個の塊として実装せず、LLM provider と embedding provider を分けて扱うのが現コードとも整合する。
- chat provider に
anthropicを追加(request_to_chat_aiにgeminiと同型の分岐、ANTHROPIC_API_KEY、価格表)。extraction / labelling が Claude で回り、Max API credit で賄える。 - embedding は Claude に持たせない。既定を
is_embedded_at_local=True(ローカル無償)にするか、OpenAI/Gemini/Voyage のいずれかを選ばせる。「Claude で全部」はできないことを UI/docs に明示。 - キー不要プリセット =
provider=anthropic(labelling)+is_embedded_at_local(embedding)。これが 10-13 で Claude Code が自動選択した構成の、WebUI/API からの再現にあたる。
引き継ぐ caveats
- ローカル embedding / 小型モデルの意味忠実性: 小型ローカルモデルで他言語の短文から意見抽出すると、主張の主体が逆転するなど意味が書き換わる観察がある(local-llm-extraction-faithfulness-2026-10-05)。「キー不要で回った」ことと「出力が正しい」ことは別。
- 決定性: step 関数直呼び経路は
random_stateを取らず乱数固定できない(offline-local-clustering)。採用判断の比較実験では experiment-methodology に従い factor を 1 つだけ変える。 - 指定カテゴリ分類との関係: provider を変えても、llm-grouping-supervised-classification の「その他」受け皿必須などラベリング側の原則は不変。
- 政治利用ポリシー: #255 の動機が「ChatGPT 政治利用 NG」である以上、Claude を足す際も Anthropic 側の利用規約(政治用途の可否)を provider 選定時に確認する必要がある(本ページでは未確認、要 follow-up)。
Open Questions
- (C) を #285 / #255 のどちらで追跡するか。embedding を別軸で扱う以上、「LLM を増やす(#285)」と「OpenAI 不可ケアの provider 列(#255)」の両方に跨る。
- embedding の既定を「ローカル無償」にするか「別社キー」にするか。精度(local-llm-extraction-faithfulness-2026-10-05)× コスト × 一貫性のトレードオフ。
- Max API credit の weekly/monthly 枠と rate が、自治体スケール(数千〜数万コメント)の labelling に耐えるか(docs に rate 記載なし。SIWC と同じ未確認点)。
- Anthropic の政治用途ポリシーが広聴AI の売り込み先(政党・自治体)と整合するか。
Updates
-
2026-10-17: nishio が「embedding はローカルモデル、オーケストレーションを Opus 等がやる形式」を有力と表明(本 repo チャット)。これは本ページ (A)+ローカル embedding。設計上の含意を整理:
- コストと価値の配分が合う: embedding は大量・機械的(ローカル無償で可)、判断(抽出の是非・クラスタ解釈・命名・drill down)は少量・高価値(Opus)。OpenAI キー依存の痛点(#255)はまさに embedding 側で、単なるコスト回避でなくフロンティア推論の投下先として正しい。
- 「オーケストレーション」は 2 解釈で productization が分岐: (i) エージェントがアドホックに駆動(研究者/CLI 層・非決定的・課金は Claude Code サブスク枠で Max API credit 対象外)/ (ii) in-pipeline の Opus provider+ローカル embedding(WebUI/API 層・決定的・配布可・Messages API なので Max credit 対象)。tokoroten の無料枠狙いに合うのは (ii)。基盤(ローカル embedding)は共有で、上に乗る層が違うだけ。nishio の言い回しは (i) 寄りだが、目的(無料枠 vs アドホック力)で選ぶ。
- 律速は embedding 品質(ラベリングではない): 出力構造は vector に乗るため、Opus を上に置いても壊れた構造は命名で救えない。現 main の
request_to_local_embedはparaphrase-multilingual-mpnet-base-v2(768d) にハードコード(選択不可)。#450 は既定 embedding に不満、#516 が embedding×次元圧縮の調査。→ この形式を良くする実体は (a) ローカル embedding model の選択可能化(e5-large / bge-m3 等)、(b) ローカル vs OpenAI embedding の同一 corpus クラスタ比較を 1 本(experiment-methodology)。 - Opus はクラスタ単位に留めるのがコスト安全: per-comment 抽出を Opus に投げると N に比例して credit を食う。per-comment は機械的/ローカルに寄せ、Opus は cluster-level の命名・overview・判断に充てる(小型 LLM の抽出不忠実(local-llm-extraction-faithfulness-2026-10-05)回避にもなる)。
- 上記により Open Question「embedding 既定(ローカル無償 vs 他社キー)」は nishio lean = ローカル寄り(ただし品質検証を前提)。
-
2026-10-17(実装・検討): 両形式を具体実装し、key 無しで回る範囲を実行確認した。結果・数値・再現手順・Anthropic 固有の確定事項は claude-provider-experiment-output-2026-10-17 に集約(コードは worktree branch
claude-provider-experiment98cf5677 未 push、artifact はraw/experiments/claude-local-embed-opus-2026-10-17/)。要点:- (ii) in-pipeline
provider="anthropic"と (i) orchestrator harness を実装。実anthropic.typesmock test 3 件+既存 47 件 green・ruff clean。kaito 997 件をローカル埋め込みで key 無し完走(L1 silhouette≈0.06、要同指標比較)。 - 検討の結論: 両形式とも成立、基盤(ローカル埋め込み)は共有。(ii)=配布可・Max credit 対象の WebUI/自治体向け、(i)=アドホック再分析が効く研究者向け。律速はやはり embedding 品質で provider 追加(容易)では解けない。前提作業は embedding model の選択可能化(現状ハードコード) と
factor_under_test = embedding providerだけ変える clean experiment(experiment-methodology)。live labelling 品質は key 入手後に (i) の harness で測れる。
- (ii) in-pipeline