こんにちは、学びの探求者です。

普段は note で活動しています。

2025年のQiitaアドベントカレンダーでは、
「ノーコード／ローコードで、自分のコンテンツ基盤を自動化していく」
をテーマに、25日間の仕組みづくりを記録していきます。
完走まであと2日間です！！

今日はクリスマスイブ。
ふと、こんなことを思いました。

「今の世の中って、どれくらい楽しい気分に溢れてるのかな〜」

SNSを眺めて“なんとなく”感じるのも楽しいけど、せっかくならデータっぽく見たい。
そこで「検索 → LLMで解釈 → ワクワク度を数値化」みたいな小さな仕組みを作ってみることにしました。

なぜこれを作ったか（そして、なぜTavilyになったか）

最初は、いわゆる Google検索API を使おうとしていました。
ただ、個人でちょっと試したいだけなのに、設定・制限・準備…が地味に重い。

「じゃあ軽めにいこう」と思って次に考えたのが DuckDuckGo。
ところが今度は、実装の段階でエラーにハマってしまい、前へ進めないんです。
別に設定も難しくない、API認証もない……
どうやら、これはよくあるらしいです。

そこで見つけたのが Tavily Search でした。
“AI向けの検索”をうたっていて、Difyのワークフローにも載せやすそうでした。

結果として今回は、検索を入口にして「ワクワク度」を“文章”じゃなく“JSON”で出すところまで一気に進められました。

検索は「どれが最強か」より、
自分の目的に対して “詰まらずに動くか” が大事だった、という話です。

技術スタックの選定

Dify（Workflow）：ノーコードで「検索→分析→構造化→出力」をつなぐ土台
Tavily Search（検索）：Google APIで詰まり、DuckDuckGoでもエラーになった結果、“AI用途前提の検索”として採用
LLMノード（分析の中核）：検索結果から“空気感”を読み解き、ポジ／ネガを定量・定性でレポート化

アプリの設計図（ワークフロー）

やったことはシンプルです。

Tavilyで「最新の空気感」を拾う
LLMでポジ/ネガ要素を判定して要約
JSONとして構造化して出力

Pythonで可視化（ワードクラウドなど）は、ワークフロー外でやっちゃいました😓

LLMノードで使ったプロンプト

# Role
あなたは、Web上の膨大な情報から世論の動向を読み解く、プロのトレンドアナリストです。

# Task
提供された検索結果をもとに、入力されたキーワードに関する「現在の世の中の空気感」を分析し、ポジティブ・ネガティブの両面から客観的かつ洞察に満ちたレポートを作成してください。
# Output Format

## 📊 センチメント分析
- **ポジティブ（期待・満足）:** [0-100]%
- **ネガティブ（不安・不満）:** [0-100]%
- **全体的なトーン:** [例：二極化している、非常に期待が高い、等]

## 🟢 ポジティブな側面の要約（期待・支持）
- [検索結果から読み取れる、肯定的な意見や期待されているポイントを箇条書きで]

## 🔴 ネガティブな側面の要約（懸念・課題）
- [検索結果から読み取れる、懸念点、リスク、不満などの課題を箇条書きで]

## 💡 インサイトと今後の予測
- [単なる要約ではなく、なぜそのような反応になっているのかの背景を分析]
- [これから数ヶ月、このキーワードに関するトレンドがどう動くかの予測]

## 🎯 推奨アクション
- [このトレンドを踏まえ、ユーザーが今取るべき行動や注意点のアドバイス]

実行結果：2025年12月23日のリアル（例）

今回はキーワードを「クリスマスプレゼント」に寄せて実行してみました。
LLMノード（トレンドアナリスト役）に、Tavilyの検索結果テキストを渡してセンチメントとインサイトを出力します。

ポジティブ：75%
ネガティブ：25%
キーワード：
インサイト：
今年のクリスマスプレゼントに関する検索結果は、特に相手別や予算別の選び方が注目されており、個々の好みやライフスタイルに合わせたギフト選びが重視されている。また、デジタルギフトや体験ギフトの人気も高まっていることから、従来の物理的なプレゼントに加え、便利さや特別感を求める傾向が見られる。

この結果からの“軽い考察”

この結果って、言い換えると「プレゼント＝サプライズ勝負」から、
“失敗しない設計（相手別×予算別）”へ寄っている感じがしますね。

まとめ：AI時代の検索は「リンクを探す」から「材料を供給する」へ

今回いちばん腑に落ちたのは、検索の役割が変わってきていることでした。

以前の検索：人が読むためのリンク集（上位をクリックして、自分で読む）
AI時代の検索：LLMが判断するための材料供給（拾って、要約して、意思決定に使う）

だから大事になるのは「どの検索が最強か」より、目的に対して“詰まらずに材料が取れるか”なんだと思います。
そして材料は、SEO的に綺麗な文章よりも、判断に必要な要素が濃く入っている（データ密度が高い）ことが効いてきます。

今回のように、検索結果をLLMに渡して、最終的にJSONで固定できると、
「今日の空気感」を比較できるデータに変換できる。
これが、私にとっての “AI時代の検索” でした。