Python

SQLite の「unable to open database file」が高負荷時刻に散発する問題を WAL 化で根治した話 ある自立型トレーディングシステムの運用中に、SQLite が OperationalError: unable to open database file を散発的に投げる慢性バグを追い詰めて修正した記録です。「ディスクは空いている」「ファイルは存在する」のにエラーが出る、という一見矛盾した現象の正体と、その根治・緩和の二段構えの対策をまとめます。 WAL とは? 本題に入る前に、今回のキーになる WAL（Write-Ahead Logging） を簡単に押さえておきます。 SQLite には書き込み中のクラッシュからデータを守るための「ジャーナル方式」が複数あり、journal_mode PRAGMA で切り替えます。 delete（デフォルト） — ロールバックジャーナル方式。トランザクションを開始するたびに 元DB-journal というファイルを新規作成して変更前の内容を退避し、コミット時に削除する。書き込み中は DB 本体を直接書き換えるため、読み取りと書き込みが互いをブロックする。 WAL — 先行書き込みログ方式。変更を DB 本体ではなく追記専用の 元DB-wal ファイルに追記していき、後で「チェックポイント」で本体に反映する。-wal と -shm（共有メモリインデックス）は一度作られたら使い回されるため、トランザクション毎のファイル新規作成が発生しない。 WAL の主な利点: 特徴 効果 読み書きが互いをブロックしない reader はトランザクション中の writer を待たずに読める（その逆も） ジャーナルファイルを毎回作らない ファイル作成のオーバーヘッドと競合がなくなる 書き込みが概ね高速 fsync 回数を減らせる（特に synchronous=NORMAL 併用時） WAL が向いているケース: 読み取りが多く・書き込みもそれなりにある、同一ホスト上の単一プロセス／複数プロセスからのアクセス。今回のように「書き込みデーモン 1 つ＋複数の reader」という構成は典型的な適用例です。 WAL の注意点: ① ネットワーク越しのファイルシステム（NFS など）では共有メモリが使えず非対応、② in-memory DB では効かない、③ -wal / -shm ファイルが DB 本体と併存するため、バックアップは単純な cp ではなく専用 API（後述）を使う必要がある。 ...

この記事では、147万ビューを集めたバイラル投稿の信憑性をコミュニティノートとともに検証し、AIコンテンツ自動化の現実的なスケールを整理する。 バイラル投稿の概要 2026年5月、X（旧Twitter）でこんな投稿（トルコ語、以下意訳）が拡散した。 ロサンゼルスに住む7人の若者が、Claudeだけを使ってeブックを販売し、合計6500万ドル（約95億円）を稼いだ。なぜか誰もこれを話題にしていない。 従業員なし。オフィスなし。大学卒業者ひとりもいない。Claudeで1日わずか45秒で300本のコンテンツを生成し、1500万以上のオーガニックビューを獲得。 でも彼らは毎日何百ものコンテンツを手動で投稿していたわけではない。 代わりに、あるシステムを構築した：Claude + コンテンツ生成フロー + 完全自動化システム この投稿は147万以上のビューを記録し、4000件以上のいいね、9500件以上のブックマークを集めた。 コミュニティノートの警告 しかし、この投稿にはコミュニティノートが付いている。 ロサンゼルスに住む7人の若者がClaude eブック販売で6500万ドルを稼いだという主張は、独立した情報源によって検証されていません。このストーリーはマーケティング目的のXの投稿にのみ存在します。 要するに、この主張は裏付けがない。公式な財務報告も、独立した報道も存在しない。「誰かがバイラルを狙って作り上げた話」である可能性が高い。 こうした「AIで億万長者」系の投稿は定期的に出回るが、その多くはコンサルティングやコース販売への誘導が目的だ。実際、この投稿の最後も「どうやってやったか説明します」という続きがある構造になっている。 ではAIによるコンテンツ自動化は嘘か？ しかし、自動化そのものは実在する技術だ。 ただし、現実的なスケールの話として捉え直す必要がある。 Claudeなどの大規模言語モデルを使ったコンテンツ生産の自動化は、実際に多くの企業や個人が取り組んでいる分野だ。正確には以下のような流れになる。 典型的なコンテンツ自動化パイプライン テーマ選定 — トレンドキーワードのスクレイピング、競合分析、ニッチ市場の需要調査 コンテンツ生成（Claude API） — アウトライン生成、各章の本文生成、タイトル・見出しの最適化、SEO向けキーワード埋め込み レビュー・品質チェック — ファクトチェック、読みやすさのスコアリング、重複チェック 配信・販売 — Amazon KDP / Gumroad への自動アップロード、SNSへの告知コンテンツ自動生成、メールマーケティングとの連携 現実的な成果スケール 1日300本の「コンテンツ」：短いSNS投稿なら不可能ではないが、品質管理が追いつかない 45秒でeブック1冊：完成品は難しい。アウトラインや章の一部なら可能 6500万ドル：eブックのみでこの売上は極めて異例。多くのメガ出版社でもこの規模は数年かかる 実際にAIコンテンツ自動化で成功している事例は存在するが、月収数百万円〜数千万円規模が現実的なトップライン。「6500万ドル」は検証されていない数字だ。 Claude APIを使った実際のeブック自動化 現実的な範囲でClaudeを活用するとしたら、以下のようなアプローチが有効だ。 シンプルなeブック生成スクリプト 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 import anthropic client = anthropic.Anthropic() def generate_ebook_outline(topic: str) -> str: message = client.messages.create( model="claude-opus-4-7", max_tokens=2048, messages=[ { "role": "user", "content": f"""以下のトピックについて、商業用eブックのアウトラインを作成してください。 トピック: {topic} 要件: - 章数: 7〜10章 - 各章に2〜3のサブセクション - 実践的な内容を重視 - 読者ターゲットを明確に Markdown形式で出力してください。""" } ] ) return message.content[0].text def generate_chapter(outline: str, chapter_title: str, word_count: int = 1500) -> str: message = client.messages.create( model="claude-opus-4-7", max_tokens=4096, system="あなたはプロのライターです。実践的で価値のあるコンテンツを書いてください。", messages=[ { "role": "user", "content": f"""以下のeブックの章を執筆してください。 全体アウトライン: {outline} 執筆する章: {chapter_title} 目標文字数: 約{word_count}文字 具体例や実践的なアドバイスを含めてください。""" } ] ) return message.content[0].text プロンプトキャッシュを活用した効率化 大量生成する場合は、プロンプトキャッシュを活用するとコストを大幅に削減できる。 ...

⚠️ 免責事項: 本記事は技術解説であり、金融商品取引法上の投資助言には該当しません。シミュレーション結果は将来の利益を保証するものではなく、先物取引には元本超過損のリスクがあります。実運用はご自身の責任で行ってください。 BTC 自動売買 × モンテカルロ法の記事で紹介した「1万通りのシナリオを回してから売買判断する」アーキテクチャを、日本株インデックス — 具体的には 日経225 マイクロ先物 に応用してみます。 BTC と違って日経225 はザラ場の時間が決まっています。しかしナイトセッションがあり流動性は世界最高水準、さらに分散効果で個別株のジャンプリスクが平滑化されるため、幾何ブラウン運動（GBM）を前提とするモンテカルロと相性が良いという利点があります。 TL;DR 勝率 55% かつ期待値 50pt 以上のときだけ発注する二段ゲート ケリー基準で枚数を自動調整（上限 25%） 1万パスの Monte Carlo を翌営業日終値分布として生成 日経225 マイクロ先物がモンテカルロ法と相性が良い 3 つの理由 個別株を Monte Carlo で扱おうとすると、決算・TOB・不祥事・配当落ち といった「ジャンプイベント」が頻発し、log-normal を前提とする GBM の精度が出にくくなります。日経225 は約 225 銘柄の加重平均なので、これらの個別イベントが分散効果で平滑化されます。 主な利点は次の通りです。 GBM の前提との整合性: 個別株より裾が薄く、log-normal 近似が機能する 流動性: 大証ラージ・ミニ・マイクロいずれも世界トップクラスの板厚 取引時間: 日中 8:45〜15:45、ナイト 17:00〜翌6:00（2024年11月5日以降の現行仕様）で、米国市場と連動した値動きをほぼ即時に反映できる マクロ情報主体: FOMC・日銀会合・CPI・地政学など、Claude が要約しやすい情報源で判断できる 日経225 マイクロ先物の仕様 マイクロ先物は 2023年5月29日に大阪取引所で取引が開始された商品で、ミニ先物のさらに 1/10 サイズです。 項目 内容 取引単位 日経平均株価 × 10 円 呼値 5 円 必要証拠金（目安） 1〜2万円台/枚（SPAN により変動） 取引時間 日中 8:45-15:45 / ナイト 17:00-翌6:00 ※2024年11月5日以降 限月 期近〜期先複数 たとえば日経225 が 38,000 円のとき、1 枚あたりの想定元本は 380,000 円ですが、レバレッジで実際の証拠金は 20,000 円前後。1 ティック（5円）動くと 50円の損益なので、検証コストが非常に低く、自動売買のプロトタイピングに向いています。 ...

海外トレーダーが Claude と仮想売買シミュレーターを組み合わせたBTC自動取引システムが話題になっています。モンテカルロ法で1万通りの市場シナリオを試した上で、勝率の高い戦略だけを実行するという仕組みで、AIと統計的アプローチを掛け合わせた実践的な取引戦略です。 話題のツイート @so_ainsight（Claude Codeで始めるAI自動化）さんがX でシェアしたツイートによると、海外トレーダーが Claude と仮想売買シミュレーターを組み合わせてBTCの自動取引システムを構築しているとのことです。 ポイントは次の3点です。 モンテカルロ法による市場シミュレーション リアルタイムの相場データを取り込む 1万通りのシナリオを回してから売買判断 「ほぼ全パターン試させた上で勝率の高い戦略だけを出させる」というアプローチが特徴的です。 モンテカルロ法とは モンテカルロ法とは、乱数を使ってシミュレーションや数値計算を行う手法です。金融分野では、資産価格の将来の変動をランダムウォークとして大量にシミュレーションし、リスクやリターンの確率分布を推定するために広く使われています。 BTC のような変動の大きい資産に対してモンテカルロ法を適用すると、次のようなことが可能になります。 「価格が10%上昇するシナリオ」「横ばいのシナリオ」「急落するシナリオ」など多数のパターンを一度に評価する 各シナリオでの損益を計算し、期待値と勝率を算出する 最もリスク調整後リターンが高い戦略を選択する Claude × BTC自動取引システムの仕組み 1. リアルタイム相場データの取り込み システムの入力は現在のBTCの価格データ、板情報、出来高などのリアルタイムデータです。Claude がこれらのデータを受け取り、市場の現在の状態を把握します。 2. 1万通りのシナリオ生成と評価 Claude は取り込んだ相場データをベースに、モンテカルロ法で1万通りの将来シナリオを生成します。各シナリオに対して仮想売買を実行し、利益・損失を計算します。 1 2 3 4 5 6 7 8 import numpy as np def monte_carlo_btc(current_price, n_simulations=10000, n_steps=24): """24時間先までの価格パスを1万通りシミュレーション（簡略化されたデモ用コード）""" # 0.02 は 1 ステップ（1時間）あたりの価格変動率の標準偏差（2%） returns = np.random.normal(0, 0.02, (n_simulations, n_steps)) price_paths = current_price * np.cumprod(1 + returns, axis=1) return price_paths 3. 高勝率の戦略だけを実行 1万通りのシミュレーション結果の中から、勝率が統計的に有意に高い戦略だけを実際の売買として実行します。Claude が戦略の選択と実行判断を担当し、「全パターンを試した上で最良の戦略だけを選ぶ」という仕組みを実現しています。 ...

香港大学データインテリジェンスラボ（HKUDS）が開発したオープンソースの動画生成フレームワーク ViMax が GitHub で急速にスターを伸ばしている（3,800超・MIT ライセンス）。1行のテキストアイデアを入力するだけで、脚本執筆・絵コンテ設計・キャラクター管理・最終動画レンダリングまでを自律的に実行するエンドツーエンドのマルチエージェントシステムだ。 ViMax とは ViMax（Video Maximizer）は「Director（監督）・Screenwriter（脚本家）・Producer（プロデューサー）・Video Generator（映像生成）をひとつに」という設計コンセプトで開発された動画生成フレームワークだ。従来、テキストから動画を生成するには複数のツールを組み合わせる必要があった。ViMax はそのパイプライン全体をマルチエージェント構成で自動化する。 GitHub: HKUDS/ViMax ライセンス: MIT 言語: Python 3.12+ Stars: 3,852+（2026年5月時点） 4つの生成モード ViMax には入力形式に応じた 4 つのモードが用意されている。 Idea2Video 1 行の概念・プロンプトを入力すると、ストーリーテリング・キャラクターデザイン・動画制作まで完全自動化される。「アイデアをそのまま映像に」したいユーザー向けのモードだ。 Novel2Video 小説の章や全文を入力すると、エピソード形式の動画に変換される。RAG（検索拡張生成）ベースのナラティブ圧縮機能でキャラクターの登場追跡とシーンごとの視覚的解釈を行う。長編小説の映像化に適している。 Script2Video ユーザーが書いたシナリオを動画化する。シーン・セリフ・スタイルを明示的に指定でき、映像表現への細かいコントロールが可能。 AutoCameo 自分の写真をアップロードすると、生成された動画に本人が一貫したキャラクターとして登場する機能。個人の顔や姿を主人公として組み込める。 主要な技術的特徴 インテリジェントな長編スクリプト生成（RAG ベース） 小説規模のテキストを解析し、マルチシーン形式に分割する。重要な伏線やキャラクターの台詞を保持しながら、映像に適した脚本へ変換する。 表現力豊かな絵コンテ設計 ショットレベルの絵コンテシステムに映画製作の語彙（カメラアングル・カット・テンポ・ナラティブリズム）を採用している。 マルチカメラ撮影シミュレーション 同一シーン内でのキャラクター配置・背景の一貫性を保ちながら、複数のカメラアングルをシミュレートする。 インテリジェントな参照画像選択 タイムライン上の過去の絵コンテを参照画像として自動選択し、長尺動画でもキャラクターや背景の整合性を維持する。 並列候補生成 + MLLM による一貫性チェック 複数の候補画像を並列生成し、マルチモーダル LLM（MLLM — テキストと画像を同時に扱える大規模言語モデル）が最も一貫性の高い画像を選択する。人間のクリエイターのレビューワークフローを自動化したアプローチだ。 並列ショット生成による高速化 同じカメラからの連続するショットを並列処理することで、生成時間を大幅に短縮する。 音声・映像バインディング 音声・効果音・映像を同期させ、没入感のある最終出力を生成する。 マルチエージェントパイプラインの構造 ViMax の処理パイプラインは以下の層で構成されている。 インストールと設定 動作環境: Linux または Windows / Python 3.12+ / uv（Astral パッケージマネージャー） ...

前回の記事で「Apprise + 自作 Web サービスで OnCall 相当を組む」例を示しました。この記事ではよくある誤解を整理し、シフト管理を含めた自作 OnCall スタックの現実的な選択肢を深掘りします。 まずは Apprise の正しい位置付けを確認 Apprise は名前から「シフト管理ができそう」と誤解されがちですが、実際の役割は明確に分かれています。 正しい位置付け: Apprise は 「通知の超便利ハブ」 — 1 つのコードで Slack / メール / SMS / LINE / Telegram など 100 種類以上の通知先に統一インタフェースで送る シフト管理機能（カレンダー、ローテーション、当番判定）は持たない 「シフト管理に Apprise を使う」とは、シフトロジックは別のライブラリ / DB / カレンダーで持ち、通知配信だけ Apprise に任せるという意味 つまり Apprise は「組んだシフトを確実に届ける道具」であり、「シフトを組む道具」ではありません。前回記事のコード例で get_policy_for_now() を Python で書いていたのは、まさにこの「シフト判定ロジックを自作」の実装です。 シフト管理を「自作する場合」に組み合わせる Python ライブラリ シフトロジックを自分で書くなら、以下のライブラリが Apprise と相性が良い。 1. PyShift（point85/PyShift） — 古典的なシフトローテ point85/PyShift は、Java 版の Shift ライブラリを Python に移植したもの。PyPI では PyWorkShift として配布されています。 ...

Webスクレイピングの定番ライブラリといえば BeautifulSoup だが、それを最大784倍上回るパフォーマンスを持つ Python フレームワーク Scrapling が注目を集めている。GitHub スター数は約47,000（2026年5月時点）に達する。Cloudflare Turnstile 突破やサイト構造変化への自動適応など、現代のWebスクレイピング課題を一手に解決するのが特徴だ。 Scrapling とは Scrapling は Karim Shoair（D4Vinci）が開発した適応型Webスクレイピングフレームワークだ。単発リクエストからフルスケールクローリングまでをカバーし、以下の3つを柱とする。 Adaptive Scraping: サイトのデザインが変わっても対象要素を自動的に再探索 Anti-bot Bypass: Cloudflare Turnstile 等のアンチボットを標準でバイパス Spider Framework: Scrapy ライクな Spider API で並列クロールをスケールアウト パフォーマンスベンチマーク 5,000 個のネスト要素に対するテキスト抽出速度（100回平均）。出典: 公式 README ベンチマーク： ライブラリ 処理時間（ms） Scrapling比 Scrapling 2.02 1.0x Parsel/Scrapy 2.04 1.01x Raw Lxml 2.54 1.26x PyQuery 24.17 ~12x Selectolax 82.63 ~41x MechanicalSoup 1549.71 ~767x BS4 with Lxml 1584.31 ~784x BS4 with html5lib 3391.91 ~1679x 公式ドキュメントで強調されている「BeautifulSoup 比 784 倍」はこのベンチマークに基づいている。 ...

千寻（@Crypto_QianXun）さんが2026年4月のポストで紹介した「Claude + YouTube Shorts = 自動収益化」という手法が注目を集めている。カメラなし・編集なし・顔出しなし でバイラルショート動画を量産するアプローチだ。 この記事では、そのコンセプトをもとに、Claude を使った YouTube Shorts コンテンツ自動生成のフローと実践的なプロンプト例・Python コードを解説する。 YouTube Shorts アルゴリズムが評価する要素 — 顔出しなしでも収益化できる理由 YouTube Shorts のアルゴリズムは 視聴継続率・エンゲージメント をコンテンツ品質の代理指標として評価する。次の3点が鍵になる。 フック（冒頭3秒） で視聴者を引き込めるか 情報密度 が高く最後まで見られるか 感情を動かす テキスト・ナレーションがあるか これらは人間が画面に映らなくても Claude が生成したスクリプトで十分に実現できる。AI 音声と AI 生成画像/映像を組み合わせれば、顔出し不要のチャンネルが成立する。 Claude を使ったコンテンツ生成フロー Claude が担うのは最初のスクリプト生成だが、これがコンテンツ全体の品質を左右する最重要ステップだ。 Claude でバイラル Shorts スクリプトを生成するプロンプトの型 1. フック特化型プロンプト 1 2 3 4 5 6 7 8 9 10 11 あなたは YouTube Shorts のバイラル専門家です。 トピック：[テーマ] 以下の構成で60秒のスクリプトを書いてください： - 冒頭3秒：視聴者が思わず止まる衝撃的な問いかけ or 事実 - 本編45秒：テンポよく箇条書きで展開 - ラスト12秒：CTA（コメント誘導 or 保存促進） 制約： - 一文は短く（15文字以内） - 数字を多用する（例：「94%の人が知らない」） - 感情語を入れる（驚き・不安・希望） 2. ジャンル×バイラル要素の組み合わせ型 バイラルになりやすいジャンルとその鉄板フレーズを Claude にコンテキストとして渡してスクリプトを生成させる： ...

この発想、めちゃくちゃ盲点だったわ。Claudeに期限切れ特許を食わせて、誰も作らなくなった商品を掘り起こし、それを1つすでに生産開始したらしい。420万件以上のパブリックドメイン特許から、シンプルに作れて売れそうなやつをAIがピックアップ。こういう新しいハックポイントを力技じゃなく出来るってのも、また新しいターニングポイントではある。 — @tanaka_yuto @gippp69 が公開した手法が話題だ。期限切れ特許を Claude に大量投入し、商品化できそうなものをスコアリングして Alibaba で製造委託、Amazon で販売するパイプラインを個人で構築した。 設計図（特許文書）のコスト：$0。製造コスト：$1.80/個。Amazon 販売価格：$11.99。 なぜ「期限切れ特許」なのか 特許は本来、発明者に一定期間の独占権を与える代わりに、発明の詳細を全て公開することを義務付けている。これが期限切れになると、詳細な製造仕様書が誰でも無料で使えるパブリックドメイン資産になる。 過去10年間だけで、米国では420万件以上の特許が失効している。失効理由はさまざまだ： 企業の倒産 更新費用（$1,600程度）の未払い 買収後の整理 事業方針の変更 大事なのは、製品が失敗したのではなく、製品を守っていた企業が消えたという点だ。需要は存在したまま、供給だけが途絶えた商品が大量に埋もれている。 1件あたり何十ページもある特許文書を人間が読んで評価するのは現実的ではない。4,200,000件など到底無理だ。だが Claude なら読める。 パイプライン全体像 USPTO Bulk Data API │ ▼ Python スクレイパー（カテゴリ・出願者規模・日付でフィルタ） │ ▼ markitdown（特許文書を Markdown に変換） │ ▼ files-to-prompt（50件ずつバッチ化） │ ▼ Claude スコアリングパイプライン（1〜10点で評価） │ ▼ Google Patents（スコア7以上の案件を詳細確認） │ ▼ Alibaba（特許図面を送って製造見積もり） │ ▼ Amazon 出品 Step 1: 特許データの取得とフィルタリング USPTO（米国特許商標庁）は Bulk Data ポータルで全特許の全文をパブリックドメインで公開している。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 # patent_filter.py — 一次フィルタ FILTERS = { "status": "expired", "type": "utility", # デザイン特許は除外 "assignee_size": "small", # IBM・Samsung などは除外 "categories": [ "household", "tools", "pet_products", "office_supplies", "garden", "kitchen" ], "expired_after": "2014-01-01", "min_claims": 3, "max_claims": 25 # 請求項が多すぎる = 複雑すぎる } 大企業の特許は製造に専用設備が必要だったり、法務リスクが高かったりする。中小企業のシンプルな消費者向け製品に絞るのがポイントだ。このフィルタで約34万件まで絞り込んだ。 ...

ChatGPT に「Claude Code で株ツールを作っている人の事例を調べてくれ」と聞いて見つかった記事シリーズが話題になっている。Zenn の okikusan さんによる Claude Code Skills × 投資分析シリーズ は、試行錯誤の過程が詳らかに書かれており、Claude Code を使った個人開発の実践例として非常に参考になる。 本記事ではこのシリーズ（Vol.1〜5）の内容を紹介する。 シリーズ概要 Claude Code Skills × 投資分析シリーズ — 記事一覧 「自然言語で話しかけるだけで、銘柄探索・分析・ポートフォリオ管理・リスク評価が自動実行される」投資分析システムを Claude Code Skills を使って構築・進化させてきたシリーズ。 全 5 本の記事で、スクリプトによる自動化 から始まり、GraphRAG による学習、高度な分析機能の追加を経て、最終的には 6 つの AI エージェントが自律的に連鎖するマルチエージェントオーケストレーション、さらには 4 つの異なる AI が反証し合う DeepThink へと進化している。 Vol.1: 株スクリーニングを自動化した話 テーマ: スクリプトで自動化 記事リンク Python × yfinance × Claude Code Skills で、株式スクリーニングからポートフォリオ管理まで投資分析を自動化した第一弾。4 つのスクリーナーエンジンとヘルスチェック機能を実装している。 主な実装内容: yfinance を使った株価データ取得 4 つのスクリーナーエンジン（QueryScreener・PullbackScreener・AlphaScreener・ValueScreener） ポートフォリオのヘルスチェック機能 Claude Code Skills による自然言語インターフェース Vol.2: 使うほど賢くなる投資分析 AI テーマ: GraphRAG で学習 ...