OpenClaw

【運営報告】ブログ自動化システムの安定化に向けた取り組み はじめに：その自動化、本当に「自動」ですか？ 「ブログの自動投稿システムを組んだけど、なぜか時々ビルドに失敗する…」 「CI/CDパイプラインがエラーで止まるたびに、原因究明に数十分も費やしている…」 「最初はシンプルだったのに、機能を追加していくうちにリポジトリがカオスになってきた…」 もしあなたが個人ブログや技術ドキュメントサイトをGitHub Actionsなどで自動化していて、このような悩みを抱えているなら、この記事はあなたのためのものです。 こんにちは。当ブログを運営している筆者です。私もかつて、まさにこの問題の渦中にいました。Markdownで記事を書いてGitHubにプッシュすれば、あとは魔法のようにサイトが更新される──そんな夢のような自動化システムを構築したはずが、いつしかそれは「時々機嫌を損ねる気難しい同居人」のような存在になっていました。依存関係のエラー、ローカルとCI環境での挙動の違い、肥大化したワークフローファイル…。これらは、自動化による恩恵を帳消しにするほどのストレスと時間的損失をもたらしていました。 この記事では、私が直面したブログ自動化システムの不安定化問題と、その根本原因を深く掘り下げ、リポジトリの再構築とビルド環境のコンテナ化というアプローチでいかにして安定稼働を実現したか、その全貌を余すところなくお伝えします。 この記事を読み終える頃には、あなたは以下の知識とテクニックを手にしているはずです。 不安定なCI/CDパイプラインの根本原因を診断するための着眼点 モノレポとマルチレポの考え方を適用した、メンテナンス性の高いリポジトリ設計 Dockerを活用して「どこでも同じように動く」ビルド環境を構築する方法 堅牢で再利用性の高いGitHub Actionsワークフローを設計するための具体的なベストプラクティス 技術的負債と向き合い、システムを長期的に健全な状態に保つためのマインドセット 単なる対症療法ではない、根本からのシステム改善に興味のある方は、ぜひ最後までお付き合いください。 なぜブログ自動化システムは不安定になったのか？ - 課題の深掘り 解決策を語る前に、まずは私のブログシステムがどのような問題を抱えていたのか、その背景と原因を詳しく見ていきましょう。問題を正しく理解することが、正しい解決策への第一歩です。 当初のシステム構成 私のブログは、多くの技術ブログで採用されているであろう、ごく一般的な構成でした。 コンテンツ管理: Markdownファイル 静的サイトジェネレーター(SSG): Hugo ソースコード管理: GitHub CI/CD: GitHub Actions ホスティング: GitHub Pages この構成における自動投稿の基本的な流れは、以下の図のようになります。 graph TD A[記事(Markdown)をpush] --> B{GitHub Actions}; B --> C[Hugoでビルド]; C --> D[GitHub Pagesへデプロイ]; 非常にシンプルで、最初はこれで何の問題もありませんでした。しかし、ブログ運営を続けるうちに、様々な機能を追加したくなり、システムは徐々に複雑化していきました。そして、以下の3つの大きな問題が顕在化したのです。 問題1：依存関係地獄 (Dependency Hell) 「私のローカル環境ではちゃんとビルドできるのに、なぜかGitHub Actions上では失敗する」。この現象に、あなたも見覚えがないでしょうか。これは、開発環境と実行環境の間に存在する「差異」が原因で発生します。 私の場合、具体的には以下のような問題に悩まされていました。 Hugoのバージョン不整合: ローカルで使っているHugoのバージョンと、GitHub ActionsのワークフローでセットアップされるHugoのバージョンが微妙に異なり、テンプレートの仕様変更などでビルドエラーが発生する。 Node.js依存ツールのバージョン問題: 私が使っていたHugoテーマは、CSSのトランスパイルにSass（Dart Sass）を利用しており、これはNode.jsに依存していました。ローカルのNode.js/npmバージョンとCI環境のバージョンが異なると、npm installが失敗したり、Sassのコンパイル結果が変わってしまったりしました。 Go Modulesの混乱: HugoはGoで書かれているため、テーマによってはGo Modules (go.mod, go.sum) を利用します。CI環境のGoのバージョンが古いと、これもまたエラーの原因となりました。 これらのバージョンをpackage.jsonやワークフローファイルで固定しようと試みましたが、複数の依存関係が絡み合うと管理が非常に煩雑になり、根本的な解決には至りませんでした。 ...

OpenClawで社内Wikiを自動巡回させてみた（実例紹介） はじめに 「あのプロジェクトの設計思想、どのドキュメントに書いてあったっけ？」 「新メンバー向けのオンボーディング手順、最新版はWiki？それともGoogle Docs？」 「先月の定例会の議事録、誰が持ってるんだっけ…」 エンジニアの皆さんなら、こんな経験に一度は心当たりがあるのではないでしょうか。 私たちのチームでも、情報がConfluence、Notion、Google Drive、GitHub Wikiなど、様々な場所に散在していました。いわゆる「情報のサイロ化」です。この結果、必要な情報を見つけるために多大な時間を費やし、時には見つけられずに同じ質問がSlackで繰り返される、という非効率が常態化していました。 この問題を解決すべく、私たちは社内に散らばった情報を自動で収集・要約し、一元的に検索できるボットの開発に取り組みました。そして、その中核技術として採用したのが、Webクローラーフレームワーク「Scrapy」とLLM（大規模言語モデル）を統合した「OpenClaw」です。 この記事では、OpenClawを使って実際に社内Wiki（今回はConfluenceを例にします）を自動巡回し、ページの情報を収集・要約するボットを構築した実例を、具体的なコードと共に詳しくご紹介します。社内のナレッジマネジメントに課題を感じているエンジニアの方々にとって、一つの実践的な解決策となれば幸いです。 なぜこの技術・話題が重要なのか（背景と課題） 現代の開発現場では、スピードとコラボレーションが強く求められます。その基盤となるのが、円滑な情報共有です。しかし、組織が成長し、プロジェクトが複雑化するにつれて、情報は意図せず分散し、サイロ化していく傾向にあります。 情報サイロ化が引き起こす深刻な問題 情報のサイロ化は、単なる「探し物が面倒」というレベルの問題にとどまりません。 生産性の低下: 開発者は1日のうち、情報の検索に平均で20%以上の時間を費やしているという調査結果もあります。これは週に1日分を情報検索に浪費している計算になり、無視できないコストです。 オンボーディングの困難化: 新しくチームに参加したメンバーが、必要な情報を自力でキャッチアップするのが非常に困難になります。教育担当者の負担が増え、新メンバーの立ち上がりも遅れてしまいます。 ナレッジの陳腐化と属人化: ドキュメントが更新されずに古い情報が参照されたり、特定の人物しか知らない「暗黙知」が増えたりします。結果として、誤った意思決定や、担当者不在時の業務停滞リスクが高まります。 機会損失: 過去のプロジェクトで得られた知見やノウハウが埋もれてしまい、再利用されません。車輪の再発明が繰り返され、組織全体の学習効率が低下します。 LLM時代における新たなアプローチ こうした課題に対し、これまでも全文検索エンジンの導入など、様々な対策が取られてきました。しかし、キーワード検索だけでは、大量の検索結果の中から本当に求めている情報（コンテキスト）を見つけ出すのは依然として困難でした。 ここで大きな変革をもたらしたのが、LLMの登場です。LLMは、自然言語で書かれた膨大なテキストを理解し、要約したり、質問に答えたりする能力を持っています。 このLLMの能力と、Web上の情報を体系的に収集するWebクローリング技術を組み合わせることで、「散在する情報を自動で収集し、文脈を理解した上で要約・整理し、自然言語で対話的に検索できる」という、次世代のナレッジマネジメントが実現可能になります。 OpenClawは、まさにこの「クローリング」と「LLMによるデータ処理」をシームレスに繋ぐために設計されたフレームワークであり、この課題に対する強力なソリューションとなり得るのです。 具体的な解決策や詳細な解説 それでは、実際にOpenClawを使って社内Confluenceを巡回する情報収集ボットを構築するプロセスを、ステップ・バイ・ステップで解説していきます。 システム全体のアーキテクチャ 今回構築するシステムの全体像は以下のようになります。 graph TD subgraph "開発環境" A[開発者] -- 1. 実行コマンド --> B(OpenClaw実行環境); end subgraph "OpenClawボット" B -- 2. ログイン要求 --> C(社内Wiki: Confluence); C -- 3. ログイン成功/Cookie発行 --> B; B -- 4. ページ巡回要求 --> C; C -- 5. HTMLを返す --> B; B -- 6. HTMLから本文抽出 --> D(LLM Pipeline); D -- 7. テキスト要約要求 --> E[LLM API (例: GPT-4o)]; E -- 8. 要約結果を返す --> D; D -- 9. 処理済みデータを保存 --> F[データストア (JSONファイル)]; end A -- 10. 結果を確認 --> F; 開発者がローカル環境でOpenClawのクローラーを実行します。 クローラーはまずConfluenceにログインし、セッションを確立します。 指定されたスペースのページを順番に巡回し、各ページのHTMLコンテンツを取得します。 取得したHTMLから、ヘッダーやサイドバーなどの不要な部分を取り除き、本文テキストのみを抽出します。 抽出したテキストを、OpenClawのパイプライン機能を使ってLLM API（今回はOpenAIのGPT-4oを想定）に送信します。 LLMがテキストを要約し、その結果を返します。 ページのタイトル、URL、そしてLLMによる要約をセットにして、JSONファイルとして保存します。 Step 1: 環境構築 まず、開発環境を準備します。Python 3.8以上と、パッケージ管理ツールであるpipが必要です。仮想環境を作成することを強く推奨します。 ...

はじめに 「AIエージェント」という言葉を聞いたことはありますか？ ChatGPTなどのチャットボットは、人間が質問して答えを待つ「受け身」のツールでした。 しかし、AIエージェントは違います。自分で考え、道具を使い、タスクを完遂する「自律型」のパートナーです。 その中でも、今最も注目されているのがOpenClawです。 この記事では、OpenClawがなぜ凄いのか、そしてどうやって使い始めるのかを、専門用語を使わずに解説します。 OpenClawってなに？ 一言で言うと、**「あなたのPCの中に住む、優秀な執事」**です。 何ができるの？ ファイルの読み書き: 自分で資料を読んで、新しい書類を作れます。 コマンド実行: ターミナル操作もお手の物。環境構築もできます。 ブラウザ操作: Webで検索して、最新情報を集めてくれます。 自己修正: エラーが出たら、自分で原因を考えて直します。 「赤いボタン。デカい。押したくなる。」 OpenClawの魅力はこれくらいシンプルです。 「指示する。寝る。終わってる。」 これがOpenClaw体験です。 導入方法（Quick Start） 導入は驚くほど簡単です。Dockerがあればすぐ動きます。 1 2 3 4 5 6 # リポジトリをクローン git clone https://github.com/openclaw/openclaw.git # 起動 cd openclaw docker-compose up -d たったこれだけ。 あとはブラウザで管理画面を開いて、エージェントに指示を出すだけです。 実際に使ってみた感想 私がこのブログを作るのにもOpenClawを使っています。 記事のネタ出し 執筆 サイトへのアップロード これらを全部任せています。 人間がやるのは「方向性の指示」と「最終確認」だけ。 ...