はじめに
ふと「さくらのAIエンジン 3,000リクエスト使い切りチャレンジ」というバナーが目に入った。普段ならこの手のバナーのリンクはスルーしがちなのだが、今月はCursorやClaude Codeのトークンがすでに限界気味で厳しい。そこで「3,000リクエストでどこまで実用的な開発ができるか？」を実際に試してみることにした。
検証のお題は 「CCSDS準拠のテレメトリ符号化・復号化ソフトウェアの開発(リードソロモン / 畳み込み / TURBO符号 / ランダマイズ)」 である。
難易度が高いこのテーマに対し、さくらのAIエンジン+OSS AIエージェントの組み合わせがどこまで通用するのかを検証する。
まずは結論から
正直、ここまで使えるのか！ということに驚いた。良いモデルを使えば opencode がかなり使えるツールであることも分かった。
- リクエストベースの問い合わせはガッツリ使える
- 一般人の手が届かないモデルを気軽に試せる
- opencode + 良いモデル の構成はかなり使える
- 商用エージェントと比較するとスキルがそれなりにいる (opencodeのデメリット)
- 使いまくるとレートリミットになりアクセスに失敗する (とはいえ商用エージェントの使いすぎると数時間後使えない仕様とは少し違う)
- メインオーケストレーターには軽いものを選べ(Qwen3.6-35B-A3B が使える、Kimi-K2.7-Codeは重すぎる)
- 自律的にウェブ検索・文書を取得し、取得したpdfを変換し、作成したソースの単体試験の作成・実施まで全部自動
成果物
それっぽいものはできた。いずれ手動で比較検証しようと思う。
まだ3,000リクエストを使い切っていないのでもう少し品質をあげようと思う。
さくらのAIエンジンの価値
この手のエキスパート領域の開発をAIに任せる場合、Claude Code, Codex, Cursorといった商用AIエージェントを使うのが圧倒的に楽だ。一方、さくらのAIエンジンを活用する場合、フロントエンドには opencode などのオープンソースAIエージェントに、さくらのAIエンジンが提供するモデルを使うことになる。
しばしば、商用AIのサブスクをやめて opencode + Private LLM に切り替えた、という話を聞くが、眉唾物だと思っていた。実際、いわゆるコンシューマー向けのGPUだと小さなモデルしか乗らず、大きなモデルは試す機会すらない。
「さくらのAIエンジン」の価値は一般人にはハードルの高いモデルが気軽に使える ということに尽きる。gpt-oss-120bやKimi-K2.7-Codeなどはその典型だろう。gpt-ossは小さなモデルもあり、そこまで有り難みを感じないかも知れないが、Qwen3.6-35B-A3B や Kimi-K2.7-Code は一般人が動かすには重量級でほぼ不可能である。
構成
まずは自宅のサーバを用意。proxmoxを使って専用の仮想サーバを用意した。
- OS: Ubuntu 26.04
- メモリ: 8GB
- ストレージ: 30GB
- AIエージェント: opencode + oh-my-openagent
MCPは最低限にして、さくらのAIエンジンが提供するモデルのみで固めて、動かしてみた。
動かしている雰囲気は以下の通り：
利用量
着想からある程度ものになるまで試行錯誤を繰り返した結果、トークンを相当に消費したが、リクエストベースだと2,273リクエストという結果になった。
設定
$HOME/.config/opencode/opencode.jsonc
{
"plugin": [
"oh-my-openagent@latest"
],
"$schema": "https://opencode.ai/config.json",
"enabled_providers": [
"sakura"
],
"provider": {
"sakura": {
"npm": "@ai-sdk/openai-compatible",
"name": "sakura ai",
"options": {
"baseURL": "https://api.ai.sakura.ad.jp/v1",
"apiKey": "{env:SAKURA_API_KEY}"
},
"models": {
"preview/Kimi-K2.7-Code": {
"name": "Kimi-K2.7-Code",
"reasoning": true
},
"gpt-oss-120b": {
"name": "gpt-oss-120b",
"reasoning": true
},
"preview/Qwen3-VL-30B-A3B-Instruct": {
"name": "Qwen3-VL-30B-A3B-Instruct"
},
"preview/Qwen3.6-35B-A3B": {
"name": "Qwen3.6-35B-A3B",
"reasoning": true
},
"preview/gemma-4-31B-it": {
"name": "gemma-4-31B-it"
},
"llm-jp-3.1-8x13b-instruct4": {
"name": "llm-jp-3.1-8x13b-instruct4"
}
}
}
},
"agent": {
"sisyphus": { "model": "preview/Kimi-K2.7-Code" },
"coder": { "model": "preview/Kimi-K2.7-Code" },
"prometheus": { "model": "gpt-oss-120b" },
"momus": { "model": "preview/Qwen3.6-35B-A3B" },
"metis": { "model": "preview/Qwen3.6-35B-A3B" }
}
}
$HOME/.omo/omo.jsonc
{
"[opencode]": {
"$schema": "https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/dev/assets/omo.schema.json",
"agents": {
"hephaestus": {
"model": "sakura/preview/Kimi-K2.7-Code"
},
"sisyphus-junior": {
"model": "sakura/preview/Kimi-K2.7-Code"
},
"prometheus": {
"model": "sakura/gpt-oss-120b"
},
"oracle": {
"model": "sakura/gpt-oss-120b"
},
"explore": {
"model": "sakura/preview/Qwen3.6-35B-A3B"
},
"metis": {
"model": "sakura/preview/Qwen3.6-35B-A3B"
},
"momus": {
"model": "sakura/preview/Qwen3.6-35B-A3B"
},
"atlas": {
"model": "sakura/preview/Qwen3.6-35B-A3B"
},
"librarian": {
"model": "sakura/llm-jp-3.1-8x13b-instruct4"
},
"multimodal-looker": {
"model": "sakura/preview/Qwen3-VL-30B-A3B-Instruct"
}
},
"categories": {
"ultrabrain": {
"model": "sakura/gpt-oss-120b"
},
"deep": {
"model": "sakura/gpt-oss-120b"
},
"quick": {
"model": "sakura/gemma-4-31B-it"
},
"visual-engineering": {
"model": "sakura/preview/Qwen3-VL-30B-A3B-Instruct"
},
"writing": {
"model": "sakura/llm-jp-3.1-8x13b-instruct4"
},
"artistry": {
"model": "sakura/preview/Kimi-K2.7-Code"
},
"unspecified-low": {
"model": "sakura/preview/gemma-4-31B-it"
},
"unspecified-high": {
"model": "sakura/gpt-oss-120b"
}
}
},
"_migrations": [
"2026-08-reasoning-unification"
]
}
まとめ
ローカルGPUでは動かせない重量級モデル（Qwen3.6やKimi2.7等）を、API経由でOSSエージェントから手軽に叩ける「さくらのAIエンジン」のポテンシャルを強く実感した。
大企業なら1000万円くらいあれば、そこそこまともに動作する完全Private LLMが構築できそうなことが分かったのも大きい。