はじめに
「Zenn記事をAIで自動生成したい」——でも、Anthropic API(Claude)を使うとコストがかさみます。
私は GLM-5.1 + MiniMax-M2.7 の組み合わせで、Zenn記事の半自動パイプラインを構築しました。
本記事では、Anthropic SDK → OpenAI SDK への移行を含む構築過程を解説します。
パイプライン構成
Anthropic → OpenAI SDK移行
Before: Anthropic SDK
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-sonnet-4-6",
messages=[{"role": "user", "content": prompt}]
)
課題: コストが高い。月額$220のMaxプランでも使用量制限がある。
After: OpenAI SDK(GLM/MiniMax共通)
from openai import OpenAI
# GLM-5.1
glm_client = OpenAI(
api_key=os.environ["GLM_API_KEY"],
base_url="https://api.z.ai/api/anthropic/v1" # Z.AI(OpenAI互換エンドポイント)
)
# MiniMax-M2.7
minimax_client = OpenAI(
api_key=os.environ["MINIMAX_API_KEY"],
base_url="https://api.minimax.chat/v1"
)
メリット: OpenAI SDK 1つで複数プロバイダーに対応。GLMは月額$160で60x Pro使用量。
各ステップの実装
Step 1: トピック抽出(MiniMax)
def extract_topics(client, tech_trends: str) -> list[dict]:
response = client.chat.completions.create(
model="MiniMax-M2.7",
messages=[{
"role": "user",
"content": f"以下のトレンドからZenn記事のトピックを3つ提案:\n{tech_trends}"
}]
)
return parse_topics(response.choices[0].message.content)
MiniMaxを使う理由: トピック抽出は「大量処理・低精度でも可」なタスク。コスト効率重視。
Step 2: 記事生成(GLM-5.1)
def generate_article(client, topic: dict) -> str:
response = client.chat.completions.create(
model="glm-5.1",
messages=[{
"role": "system",
"content": "あなたはZenn技術記事の執筆者です。"
}, {
"role": "user",
"content": f"以下のトピックでZenn記事を書いて:\n{topic}"
}],
max_tokens=4096
)
return response.choices[0].message.content
GLMを使う理由: 記事生成は品質重視。GLM-5.1が最もコスパが良い。
Step 3: Zenn用Markdown変換
def to_zenn_format(article: str, topic: str) -> str:
return f"""---
title: "{topic}"
emoji: "📝"
type: "tech"
topics: ["ai", "automation", "github", "llm"]
published: false
---
{article}
"""
Step 4-5: 通知・Issue作成
# Discord通知
requests.post(DISCORD_WEBHOOK_URL, json={
"content": f"📝 新規記事ドラフト: {topic}"
})
# GitHub Issue作成
gh = Github(GITHUB_TOKEN)
repo = gh.get_repo("fukukei23/zenn")
repo.create_issue(
title=f"新規記事: {topic}",
body=f"ドラフト生成完了。レビュー後にpublished: trueに変更。"
)
つまずいたポイント
MiniMax 404エラー
# ❌ 間違い
base_url="https://api.minimax.chat/v1/text/chatcompletion_v2"
# ✅ 正しい
base_url="https://api.minimax.chat/v1"
# modelパラメータで "MiniMax-M2.7" を指定
GLM APIのbase_url
GLM APIはAnthropic互換エンドポイントを提供:
# Anthropic SDK互換
base_url="https://api.z.ai/api/anthropic/v1"
# しかしOpenAI SDKからもアクセス可能(非公式)
GitHub Secretsの設定
4つのSecretsが必要:
GLM_API_KEY
MINIMAX_API_KEY
PERSONAL_ACCESS_TOKEN
DISCORD_WEBHOOK_URL
コスト比較
| 構成 | 月額コスト | 生成可能記事数 |
|---|---|---|
| Anthropic Sonnet API従量 | ~$50/月 | 10本 |
| GLM + MiniMax サブスク | $160/月(共用) | 無制限 |
サブスクのGLMを使えば、記事生成のコストは実質ゼロ(他の開発と共用)。
まとめ
- OpenAI SDKでマルチプロバイダー対応 — GLMもMiniMaxも同じSDKで呼び出し可能
- タスク別モデル使い分け — 抽出はMiniMax(低コスト)、生成はGLM(高品質)
- サブスク活用で実質ゼロコスト — API従量課金より圧倒的に安い
関連記事
- AIコードレビューの幻覚を3LLM合意で検証 — マルチLLM活用の別事例
- 公務員が20リポジトリで生き残る戦略 — LLMルーティングを支える開発戦略
- SSOT300件の意思決定ログから学んだ教訓 — 記事生成パイプラインの記録運用
この記事はClaude Code(GLM-5.1)と一緒に書きました。
本記事は個人Zennでも公開しています。