TL;DR

11月15日：CI/CD初めて知る
12月初旬：k3s + Grafana環境を外部公開
期間：約2週間
使用技術：Terraform, Ansible, k3s, Grafana, Prometheus
手法：複数LLMの敵対的デバッグ

はじめに：技術メンターにAIを据える

人間がコンピュータで勝つのは不可能。
ジョンフォイノイマンじゃない限り。

重要なのは「どれだけ知識を奪えるか？」
そのための戦略を実践した記録。

学習開始前の状態

インフラ経験：学習用ベアメタルサーバーにProxmox、VMでubuntuネイティブ、マイクラ運用半年
Docker：なんか革命児…？
k8s：名前だけ知ってる
IaC：聞いたことない

10月：空白
11月：爆発
最大：1日32コミット

戦略1：AIを「メンター」ではなく「知識の簒奪対象」と再定義

従来の学習

本を読む
動画を見る
チュートリアルをやる
→ 知識の「受動的獲得」

私の手法

AIに質問を投げる
コードを受け取る
即座に実装・検証
エラーが出たら即投げる
→ とにかく手を動かす知識の「能動的略奪」

[実際のやり取り例]
「これをコーディングせよ」
→エラー発生
「エラー [ログ]」
→ 10秒後に解決策
→ 実装
→ また詰まる
→ 「エラー [ログ]」
→ 解決

戦略2：複数LLMの敵対的デバッグ

単一LLMの限界

同じ間違いを繰り返す
煮詰まると解決しない
モデル独特の味付け由来のドツボにはまる

解決策：GANsの概念を応用

Gemini（生成）: 有料、メイン
ChatGPT（検証）: 無料、レビュー
Claude(API切れの予備系)：無料、レビュー
相互に競わせて品質向上、数回試してダメなら即GAN戦術
視点を動かすのではない、世界を動かしてしまう感覚

[実例]
Gemini出力 → エラー
→ ChatGPTに投げる
→ 「ここが違う」
→ Geminiに修正依頼
→ 解決

戦略3：経済合理性の徹底

Gemini Advanced：2,900円/月
1日32コミット × 30日 = 960コミット
→ 1コミット約3円

エンジニアの学習時間を時給換算：
従来手法：1問題 = 1〜2時間
AI活用：1問題 = 5〜10分

ROI：圧倒的にペイ

成果

構成図 VM2機構成

開発期間: 2週間（初学から）

技術スタック選定理由

Proxmox VE
→ ベアメタルでの仮想化基盤。商用環境で広く採用されるKVM/LXCベースで実務再現性が高い

k3s（軽量Kubernetes）
→ フルk8sは自宅ラボでオーバースペック。k3sで本質（Pod/Service/Ingress）を押さえつつリソース効率化

Grafana + Prometheus
→ デファクトスタンダードの監視スタック。FlaskからPrometheus形式でメトリクス公開し可観測性を実装

k3s導入理由。

自宅サーバーでマイクラサーバーを公開している。ユーザーがいる以上、落とすわけにはいかない。その責任感から可用性確保のためにk3sを導入した。
この感覚の原点は、MMO全盛期に多くのゲームがUX崩壊でサービス終了に至るのを見てきた経験にある。インフラ障害がユーザー体験を破壊し、信頼を失い、最終的にサービス自体が死ぬ。その過程を知っているからこそ、「壊さないインフラ」を作りたい。

動作確認済みのダッシュボード

※セキュリティのため、外部公開URLは非公開とさせていただきます。

学んだこと

1. AIに知識量で勝とうとするな

LLMにはまず勝てない。
「引き出す力」を鍛える。
「それが正しい情報か？」リテラシーの再確認。

2. 遠慮は学習速度を殺す

「こんなに質問して...」
→ 時間の無駄
→ 有料プランなら使い倒す
→ 命令形で確実に指示を出す。推論「させない」プロンプト

3. エラーログだけ投げる勇気

説明は要らない。
ログが全て。
今のAIなら「エラー」の一言で十分。ここは推論「させていい」

4. 複数LLMで補完

一つに依存しない。
敵対的に使う。
→「以下がGeminiのコード。監査せよ」
AIのミスは別AIに見つけさせることで泥沼化回避。
副次的な効果としてコンテキストの汚染、正常コードとバグコードの混同を防げる
このコンテキスト(KVキャッシュ)マネジメントはまた別の機会に記事にしたいと思う

AI時代の学習戦略：実装ファーストで知識を定着させる

従来の学習法の限界

「完璧に理解してから実装」では、スピード競争に勝てない。
2026年以降、AI支援下では学習曲線を完全にハックできる。

実践した2段階アプローチ

⚠️ 重要な前提
AI生成コードは発表者に責任が帰属する。特にセキュリティ・倫理面の検証は
確実に実施、把握しておく必要があり、これがAI時代の新たな責務となる。

Phase 1：とにかく完走する

AIを活用して2週間強でステージング稼働まで到達
「動くもの」を最優先、理解は後回し
スコープを絞り、確実にリリース

Phase 2：逆算的な知識深化

完成後に「Why?」を徹底的に洗い出す再解釈フェーズ。

実例：Grafana iframe埋め込みの再評価

初期実装時の判断：

可視化を最速で実現するためiframe採用
オーバーエンジニアリング（自前グラフ描画）を回避

再解釈で得た気づき：

技術的トレードオフ（認証連携・レスポンシブ対応の制約）を理解
代替手段（Grafana HTTP API + Chart.js）の実装パスも把握
「今は不要」と判断できる技術選定力の獲得

この手法の本質

単なる「後付けの理論武装」ではなく：
✅ 実装経験という具体的な文脈があるから理解が深い
✅ トレードオフを実感しているから説得力がある
✅ 「適切に手を抜く」判断は、実務で最も評価されると思われる。

補足：AI活用時の注意点

AI出力には、技術的に実現可能でも法的・倫理的に問題のあるコードが
含まれる場合があります。

筆者が過去に計画した、ハードウェア性能の限界を目指す要約ローカルAIでのWebスクレイピングプロジェクトでは、
技術的には完璧なコードが生成されましたが、
利用規約違反・法的リスクを再評価した結果、プロジェクト自体を中止しました。

AIは「できる」を教えますが、「やっていい」は人間が判断する必要があります。

特にセキュリティ・個人情報・著作権領域では、必ず法的妥当性を確認してください。

結論：AI時代の学習は「作る→問う→深める」のサイクル回転速度が勝負

おわりに

「維持はすなわち後退。挑み続けろ。」

10年前に決めた座右の銘を
AI時代に再定義した記録。

次は誰が挑みハックする？