llm-task-router: 薄い ModelRouter で記事生成ワークフローを回す

Posted at 2026-06-17

ChatGPT や Claude に大きなプロンプトを 1 回投げて記事を書かせる方法は手軽です。ですが、実際に運用してみると、構成・執筆・レビュー・改稿の責務が 1 つの出力に混ざりやすく、再実行や部分修正、モデル切り替えが難しくなりがちです。

この記事では、記事生成を brief → outline → draft → review → final のような小さなタスクに分解し、タスクごとに適したモデルへルーティングする TypeScript CLI llm-task-router を紹介します。インストールから最初の記事生成、レビュー・改稿・評価の違い、Qiita / Zenn / blog / note の切り替え、設計上のこだわりまでを、MVP としての現実的な使いどころに絞って整理します。

本記事の内容は、執筆時点の llm-task-router の挙動を前提にしています。MVP 段階のツールは CLI オプション、出力ファイル名、runId の生成規則などが今後変わる可能性があります。実際に使う際は --help、README、パッケージのリリースノートをあわせて確認してください。

本記事は、Claude Code + llm-task-router で作成しました。

0. 対象バージョンと参照先

再現性のため、まず前提を明記します。

対象パッケージ: @rex0220/llm-task-router
確認対象: npm view @rex0220/llm-task-router version で取得できる公開版
参照先:
- npm: https://www.npmjs.com/package/@rex0220/llm-task-router
- リポジトリ / README: パッケージページから参照

手元では、まず次の 3 つを確認しておくと安全です。

npm view @rex0220/llm-task-router version
npx @rex0220/llm-task-router --help
npx @rex0220/llm-task-router article:create --help

たとえば --help を見ると、少なくとも article:create / article:review / article:resume / article:revise / article:evaluate / article:export といったサブコマンドの存在を自分の環境で確認できます。

この記事では README / --help / 実行結果をもとに、現バージョンの挙動として説明しています。将来の変更可能性はありますが、本文中では「現時点の仕様」として書きます。

1. 単発プロンプトの限界と、ステップを分けたくなった理由

ChatGPT や Claude に「この記事を書いて」と単発で依頼する運用は、最初の体験としてはとても良いです。短時間で、それらしいアウトプットが返ってきます。

ただ、少し本気で使い始めると限界が見えてきます。

長い 1 本のプロンプトに責務を詰め込むと、次のようなものが混ざりやすくなります。

何を書くかの整理
読者像や前提の定義
見出し構成の設計
本文の執筆
技術レビュー
言い回しの調整
最終チェック

この状態だと、出力が微妙だったときに「何が悪かったのか」を切り分けにくくなります。構成が悪いのか、ドラフトが雑なのか、レビューが弱いのかが見えません。

さらに、部分修正もしづらいです。

たとえば「構成だけやり直したい」「レビューだけ別モデルにしたい」と思っても、単発運用ではまた全体を投げ直しがちです。

記事生成を workflow として扱うなら、やはりステップを分けた方が観察しやすいです。brief / outline / draft / review / final のように分けておけば、

どこで品質が落ちたか見やすい
途中成果物を残せる
部分再実行しやすい
タスクごとにモデルを変えられる

という利点があります。

llm-task-router は、全自動で完成品を出すことよりも、人が介入しやすい中間成果物を残すことを優先しています。

このツールは現状 MVP 段階です。万能な自動執筆器というより、実務向けの下敷きを整える CLI として捉えるのがちょうどよいです。

2. llm-task-router とは: 薄い ModelRouter という発想

llm-task-router は、複数の LLM プロバイダをタスク単位で切り替えながら記事生成を進める TypeScript CLI です。

ポイントは「薄い ModelRouter」という立ち位置です。

ここでいう「薄い」とは、重いオーケストレーション基盤や複雑なエージェントシステムを作るのではなく、

各ステップを明示する
タスク名を固定する
モデル選択を設定ファイルに寄せる
CLI とファイル出力で観察可能にする

という設計を指します。

進捗表示名・内部タスク名・コマンドの対応

進捗表示のラベル、内部タスク名、コマンド上の役割を 1 つの表にすると次のようになります。

進捗表示名	内部タスク名	主に使われるコマンド	役割
`brief`	`article_brief`	`article:create`	記事の狙い・読者・方針を固める
`outline`	`outline`	`article:create`	見出し構成を作る
`draft`	`draft_markdown`	`article:create`	Markdown の下書きを作る
`review`	`technical_review`	`article:create`, `article:review`	技術的なレビューを行う
`final`	`rewrite`	`article:create`, `article:resume`, `article:revise`	レビュー結果を反映して最終稿を書く
`-`	`final_review`	`article:evaluate`	`final.md` を評価する

ここで特に紛らわしいのが final と final_review です。

進捗表示の final は、最終稿を書き直す rewrite タスク
final_review は、最終稿を審査する評価専用タスク

であり、別物です。

この設計の良いところは、モデル選択・フォールバック・温度・最大トークン数をコードではなく config/models.yaml で管理できることです。

たとえば構造は次のようになります。

providers:
  openai:
    api_key_env: OPENAI_API_KEY
  anthropic:
    api_key_env: ANTHROPIC_API_KEY

prices:
  openai:
    example-openai-model:
      input_usd_per_1m_tokens: 0.40
      output_usd_per_1m_tokens: 1.60
  anthropic:
    example-anthropic-model:
      input_usd_per_1m_tokens: 3.00
      output_usd_per_1m_tokens: 15.00

tasks:
  article_brief:
    primary:
      provider: openai
      model: example-openai-model
    fallback:
      - provider: anthropic
        model: example-anthropic-model
    temperature: 0.3
    max_tokens: 2000

  outline:
    primary:
      provider: anthropic
      model: example-anthropic-model
    temperature: 0.4
    max_tokens: 3000

  draft_markdown:
    primary:
      provider: anthropic
      model: example-anthropic-model
    fallback:
      - provider: openai
        model: example-openai-model
    temperature: 0.5
    max_tokens: 6000

  technical_review:
    primary:
      provider: openai
      model: example-openai-model
    temperature: 0.2
    max_tokens: 2500

  rewrite:
    primary:
      provider: anthropic
      model: example-anthropic-model
    temperature: 0.4
    max_tokens: 6000

  final_review:
    primary:
      provider: openai
      model: example-openai-model
    temperature: 0.1
    max_tokens: 2500

このようにしておくと、「構成は A モデルが得意」「レビューは B モデルにしたい」といった切り替えが設定変更だけで済みます。

既存のオーケストレーション基盤とどう違うか

ここでいう「薄い」は、単に機能が少ないという意味ではありません。意図的に責務を絞っています。

たとえば LangChain や LlamaIndex のような基盤は、エージェント、ツール呼び出し、メモリ、外部データ連携などを含む広い問題を扱えます。一方で、記事生成のように

ステップが比較的固定されている
途中成果物をファイルで残したい
人手レビューを前提にしたい
モデル切り替えを設定だけで済ませたい

という用途では、もっと薄い CLI の方が扱いやすい場面があります。

llm-task-router は、汎用エージェント基盤を目指すのではなく、記事生成という狭いユースケースに絞って、再現性と観察性を優先する設計です。

3. インストールと初期セットアップ

使い始める前に、まず Node.js 環境を用意します。

現バージョンを使う前提では、package.json の engines に書かれている最小バージョン以上を使ってください。実際の値は次で確認できます。

npm view @rex0220/llm-task-router engines

現バージョンの engines.node は >=20 なので、Node.js 20 以上を使ってください。曖昧に「最近の LTS」を選ぶより、パッケージ定義に合わせる方が安全です。

まずはバージョンを確認します。

node -v
npm -v

環境差で詰まりやすい場合は、nvm などで Node.js を管理しておくと楽です。

グローバルインストールの最小手順は次の通りです。

npm install -g @rex0220/llm-task-router

# init で config/ と .env.example が生成される
llm-task-router init

cp .env.example .env

グローバルインストールを避けたい場合は、npx で試す形でも始められます。

npx @rex0220/llm-task-router init

インストール後の実行コマンド名は llm-task-router です。

llm-task-router init を実行すると、現在のディレクトリに config/ と .env.example がコピーされます。その後、.env.example を元に .env を作成し、利用するプロバイダの API キーを設定します。

CLI は現在ディレクトリ基準で以下を読み込みます。

config/models.yaml
config/profiles/
config/criteria/
.env

出力先は runs/ です。

config/models.yaml では、主に次の 3 つを定義します。

providers
prices
tasks

特に providers では api_key_env というキー名を使います。環境変数名をここに寄せておくことで、コード側に秘密情報の扱いを持ち込みにくくしています。

サンプル設定に入っているモデル ID や価格は、執筆時点の例として扱ってください。モデル名は廃止・改名されることがあり、価格も更新されます。実運用では各プロバイダの公式ドキュメントや pricing ページで最新のモデル ID / 料金を確認してから config/models.yaml を編集するのが安全です。

4. 最初の記事を作る: `article:create` と `runs/` の見方

最初の 1 本を作るには article:create を使います。

llm-task-router article:create --topic "AIが解釈しやすい中間言語を設計する"

--topic と --topic-file はどちらか一方が必須です。両方指定するとエラーになり、両方とも省略してもエラーになります（暗黙のデフォルトや対話プロンプトはありません）。

デフォルトの --profile は qiita です。必要に応じて zenn / blog / note に切り替えられます。

llm-task-router article:create \
  --topic "AIが解釈しやすい中間言語を設計する" \
  --profile zenn

`runId` の生成規則

--topic-file を使う場合、runId は実行日 + 入力ファイルのベース名で生成されます。

たとえば入力が ai-ir.txt なら、

ベース名: ai-ir
実行日: 2026-06-16

を組み合わせて、runId は 2026-06-16-ai-ir になります。

つまり規則は次の通りです。

日付部分は実行時点の日付
末尾部分は拡張子を除いたファイル名
保存先は runs/<runId>/

一方、--topic（インライン）を使う場合は、トピック文字列そのものを slug 化して末尾に使います。具体的には、小文字化したうえで英数字以外を - にまとめ、先頭・末尾の - を除き、先頭 40 文字に切り詰めます。

ここで注意したいのが、英数字以外がすべて - に潰れる点です。たとえば日本語だけのトピック（例: --topic "AIが解釈しやすい中間言語を設計する"）では slug がほぼ空になり、runId は 2026-06-16-article のように末尾が article というフォールバック名になります。

そのため、--topic で日付以外も意味のある runId にしたいときは、次のいずれかが確実です。

--run <runId> で明示的に指定する
--topic-file を使ってファイル名で制御する

いずれの場合も、実際に生成された runId は標準出力と meta.json の runId で確認できます。

生成結果は runs/<runId>/ に保存されます。典型的には次のような構成です。

brief.json
outline.json
draft.md
review.json
final.md
meta.json

この構成が便利なのは、各ステップの成果物を後から見返せることです。

「最終稿が微妙だった」ときでも、outline.json や review.json を確認すれば、どの段階でズレたか追いやすくなります。

meta.json には次のようなメタ情報が記録されます。

runId
topic
platform
style
profile
steps

また、実行時の表示も実務向けです。

進捗は stderr
runId と final のパスは stdout

に出力されます。各ステップは開始時に [i/N] <表示名> (<タスク名>) ... を出し、完了時に実際に使われた provider/model・経過時間（ms）・推定コストを出します。最後に合計概算も出ます。

つまり、パイプ処理しやすい標準出力と、人が読むための進捗表示が分けられています。

進捗イメージは次のような形です（値はダミー）。

[1/5] brief (article_brief) ...
[1/5] brief - done via openai/example-openai-model (2310ms, ~$0.0123)
[2/5] outline (outline) ...
[2/5] outline - done via anthropic/example-anthropic-model (4120ms, ~$0.0456)
[3/5] draft (draft_markdown) ...
[3/5] draft - done via anthropic/example-anthropic-model (9700ms, ~$0.0410)
[4/5] review (technical_review) ...
[4/5] review - done via openai/example-openai-model (2300ms, ~$0.0025)
[5/5] final (rewrite) ...
[5/5] final - done via anthropic/example-anthropic-model (5100ms, ~$0.0180)
total: ~$0.1194 (estimate)

コスト表示はローカル概算です。表示の整形や桁揃えはランタイムや将来の実装変更で多少変わる可能性がありますが、概ね「タスク名 / モデル / 経過時間 / 概算コスト」が並ぶイメージです。

出力ファイルのイメージも 1 つ載せておくと掴みやすいです。たとえば runs/<runId>/final.md には、次のような Markdown 本文が保存されます。

# AIが解釈しやすい中間言語を設計する

## 背景

LLM に複雑な処理を任せるとき、自然言語だけでは曖昧さが残ります。

## 中間言語を挟む理由

- 命令の構造を固定できる
- 入出力の検証がしやすい
- モデル差を吸収しやすい

## 例

```json
{
  "intent": "summarize",
  "constraints": ["keep technical terms", "max 200 words"]
}
```

...

5. レビュー・改稿・評価をどう使い分けるか

review、revise、evaluate は名前が似ていますが、役割はかなり違います。

ここを分けて理解しておくと運用しやすくなります。

`article:review`

自動レビューを再実行したいときに使います。

llm-task-router article:review --run 2026-06-16-example

ここで渡す --run はパスではなく runId です。

たとえば runs/2026-06-16-example/ を直接指定するのではなく、2026-06-16-example を渡します。

`article:resume`

article:resume は、中断した run を途中から再開したいときのコマンドです。review の再実行とは別概念です。

llm-task-router article:resume --run 2026-06-16-example

長い生成処理が途中で止まった場合に、既存の成果物を使いながら再開できる設計だと、試行回数が多い運用でかなり助かります。

`article:revise`

article:revise は、自由記述の指示で final.md を書き換えるコマンドです。

--instruction
--instruction-file

のどちらかを使います。

たとえば「導入を短くする」「Qiita 向けに箇条書きを増やす」「比較表を追加する」といった指示を与えて、最終稿を再生成できます。

`article:evaluate`

評価は、レビューや改稿とは別の役割です。

llm-task-router article:evaluate --run 2026-06-16-example --min-severity major

このコマンドは final.md を別の審査モデルで採点し、問題点の洗い出しと改稿指示ドラフトを生成します。内部的には final_review タスクを使います。

出力ファイル名は次の通りです。

final-review.json
final-review.md
revise-instruction.md

ここは少し大事で、evaluate.json のような名前ではありません。

設計上の重要点は、自動改稿を即適用しないことです。まず article:evaluate で改稿指示ドラフトを出し、人がそれをレビューしたうえで、必要なら article:revise に渡す流れになっています。

これは LLM-as-judge を過信しないためです。評価モデルは便利ですが、絶対的な審判ではありません。最終判断は人が持つ前提で運用するのが安全です。

公開前チェックの標準フローは create → evaluate → revise → export です。article:create の中で technical_review → rewrite（draft のレビューと最終稿づくり）まで自動で走るので、create 直後に article:review を別途回す必要はありません。article:review は「draft から自動レビューと rewrite をやり直したいとき」だけ使う補助コマンドだと捉えると分かりやすいです。特に公開前チェックでは、評価結果から生成された revise-instruction.md を人が読んでから反映する運用が扱いやすいです。

6. プロファイルで Qiita / Zenn / blog / note を切り替える

llm-task-router は、同じワークフローを保ちながら、出力先ごとの文体や評価観点を切り替えられます。

プロファイルは config/profiles/<name>.yaml という個別ファイルで管理します。1 つの YAML に profiles をまとめる形ではありません。

最小例はこんなイメージです。

platform: Qiita
language: ja
criteria_file: config/criteria/default.md
style: |
  Qiita の作法に従う。本文は Markdown。
  - コードブロックは言語指定つきのフェンスを使う。
  - 補足や注意は `:::note info` / `:::note warn` の記法を使ってよい。
  - 記事先頭の front-matter は本文に含めない。

style は単なるラベルではなく、| の複数行ブロックで「そのプラットフォームの作法」を具体的に書きます。ここに書いた内容が draft / final / revise の本文生成プロンプトへ注入されるため、媒体差分をプロンプトにベタ書きせず profile 側に寄せられるのがこのツールの強みです。

各プロファイルファイルは次のキーを持ちます。

platform
language
style
criteria_file

これにより、同じトピックでも

Qiita 向け
Zenn 向け
ブログ向け
note 向け

で作法や評価基準を差し替えられます。

CLI 側は共通ワークフローを維持しつつ、出力先プラットフォームの文体や観点だけを設定で切り替える構造です。

この方式の良さは、毎回プロンプトをコピペして「今回は Qiita 風で」「今度は Zenn 風で」と調整しなくてよいことです。プロファイルとして外出しすることで、再利用しやすくなります。

たとえば、Qiita では手順重視、Zenn では説明の流れ重視、blog では背景説明を厚め、note では柔らかめの文体、といった差分をファイルで持てます。

`article:export`

生成した final.md を別の場所へ持ち出したいときは article:export を使います。

llm-task-router article:export \
  --run 2026-06-16-example \
  --out ../zenn-content/articles/my.md

公開用リポジトリや CMS 用ディレクトリへ最終稿を移す用途を想定するとわかりやすいです。

7. 設計上こだわった点: ルーティング・ガード・コスト・セキュリティ

MVP でも実務投入しやすくするために、派手な機能より事故りやすい部分への手当てが優先されています。

タスクごとのルーティングとフォールバック

タスクごとに得意なモデルを割り当て、失敗時には fallback を使える構造です。これにより、品質・コスト・可用性のバランスを取りやすくなります。

たとえば、

構成は思考の安定したモデル
下書きは長文生成が得意なモデル
レビューは厳しめのモデル
評価は別系統のモデル

といった使い分けができます。

ローカルなコスト概算

config/models.yaml の prices を使い、応答の usage トークン数からコストをローカル概算します。追加 API 呼び出しなしで見積もれるのが利点です。

これにより、「このワークフローは 1 本あたりだいたいいくらか」を把握しやすくなります。

ここで出る金額はあくまでローカル概算です。プロバイダ側の請求単位、丸め、キャッシュ、モデル更新、料金改定とは一致しないことがあります。予算管理用途では、最終的に各プロバイダの利用明細も確認してください。

出力ガード

地味ですが重要なのが出力ガードです。

draft / rewrite / revise では、本文全体を 1 つのコードフェンスで包んで返したケースだけ外側のフェンスを除去する
max_tokens 打ち切りの可能性があるときは ⚠ 警告
「以下が記事です」「以上です」のようなメタ前置き/結び文を検出

といった対策が入っています。

特に、Markdown 本文を期待しているのに、モデルが全体をコードフェンスで包んで返すのはよくある事故です。そこを自動で軽減しています。

重要なのは、本文中の正当なコードブロックは保持することです。除去対象は、あくまで文書全体を丸ごと囲んでしまったラップ用フェンスです。

一方で、メタ前置きや結びのラップ文は検出しても自動修正ではなく警告のみです。ここは過剰補正を避けるための判断です。

セキュリティ方針

セキュリティ面では、MVP らしく守備範囲を絞っています。

CLI のみ
HTTP API を公開しない
任意 URL を取得しない
ログにキーを残さない
SDK の生レスポンスを残さない
入力全文をログに残さない

機能を増やしすぎるより、事故りやすい部分に先に手当てしている設計です。

派手な自律エージェント感はありませんが、そのぶん「普段の執筆フローに静かに入れやすい」タイプの道具です。

8. まとめ

llm-task-router の価値は、「複数モデルを使えること」そのものより、記事生成を観察可能なステップに分解したことにあります。

単発プロンプト運用から一歩進めて、

再実行しやすい
比較しやすい
レビューしやすい
評価しやすい

というワークフローに移行できるのが強みです。

最初は次の流れを手元で試すと、設計意図がかなり掴みやすいはずです。

init
article:create
article:evaluate
article:revise
article:export

必要に応じて、中断時は article:resume、draft からレビュー・rewrite をやり直したいときは article:review を使います。

現状は MVP なので、今後はより良いプロファイル、評価基準、運用知見を育てていく段階だと思います。

llm-task-router は、記事を一発で完成させるための魔法の CLI ではありません。その代わり、brief・outline・draft・review・final という段階を明示し、タスクごとにモデルを切り替えながら、人がレビューしやすい形で成果物を残せます。

単発プロンプトの限界を感じているなら、まずは最小構成で導入し、Qiita や Zenn 向けのプロファイルを切り替えながら、自分の執筆ワークフローにどう馴染むかを試してみると、このツールの狙いが見えてくるはずです。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up