📌 概要
Xで気になった技術ポストやインサイト。単に保存するだけでなく、**「AIによる構造化と知識化」**を低コストで実現したい――。そんな思いから、Chrome拡張機能「X Bookmark to Obsidian」を開発しました。
▲ 今回開発した拡張機能のアイコン
🧠 なぜGemini 2.0 Flashなのか？（モデル選定）
今回のユースケース（Web記事の要約・分類）において、Gemini 2.0 Flashは「賢さ」と「コスト」のバランスが圧倒的に優れていました。
💰 衝撃のコストパフォーマンス
実際の開発・テスト運用における、37回のリクエストに対するコスト推移です。
| 項目 | データ |
|---|---|
| 総リクエスト数 | 37回 |
| 総コスト | 0.98円 |
| 1回あたりの単価 | 約0.026円 |
毎日10件ブックマークしても月額は約8円。 個人開発や社内ツールにおいて、ランニングコストはほぼ無視できるレベルです。
🧪 モデル比較検証と選定の経緯
開発当初は最安を狙いGemini 1.5 Flashを検討していましたが、検証プロセスを経て2.0 Flashへ切り替えました。
モデル比較（Before / After）
| 項目 | Gemini 1.5 Flash | Gemini 2.0 Flash |
|---|---|---|
| API応答 | 404 Error等の不安定さあり | 爆速・安定（200 OK） |
| カテゴリ分類 | 「その他」に偏りがち | 構造的な階層分類が可能 |
| 要約の質 | 単なる抜粋 | 文脈を踏まえた構造的解説 |
| コスト | 最安 | 最安（1.5と同等） |
結果として、コストが変わらず日本語理解力とJSON出力が安定している Gemini 2.0 Flash 一択という結論に至りました。
📊 ベンチマークに見るGemini 2.0 Flashの進化
今回採用したGemini 2.0 Flashは、前モデルの1.5 Flashと比較して、コストを維持したまま全体的な性能が向上しています。
▲ Geminiモデルごとの最新ベンチマーク比較表
最新のベンチマークによると、Gemini 2.0 FlashはGemini 1.5 Flashと比較して、Code generation（LiveCodeBench）で34.5%（対30.7%）、Reasoning（GPQA diamond）で60.1%（対51.0%）、Multilingual（Global MMLU Lite）で83.4%（対73.7%）と、主要な指標でスコアを伸ばしています。この基本性能の向上が、安価でありながら高度な要約や構造化を実現できる理由です。
💡 生成結果のイメージ
実際にGemini 2.0 Flashが出力する、Obsidian向けのMarkdown形式の例です。
出力例を見る
入力（Xのポスト）
「Pythonのデコレータ、何となく使ってるけど実はよく分かってない…（中略）関数を引数に取る関数、という構造さえ理解できれば怖くない！」
Gemini 2.0 Flash の出力結果
- タイトル: 🐍 Pythonデコレータの仕組みを図解で完全理解
- 要約: 「関数を引数として受け取る関数」という本質的な構造を分かりやすく解説。
-
カテゴリ:
[[テクノロジー]] > [[プログラミング]] > [[Python]] - インサイト: デコレータの本質は「高階関数」にある。
🛠️ 実装のポイント：AI制御のコツ
1. 日本語出力の安定化
英語の技術ポストを扱う際でも、タイトルや要約は日本語で統一したい。プロンプトに以下の制約を加えることで安定させました。
“元のポストが英語であっても、出力（summary, digest, keyInsight…）は全て日本語で書いてください。”
2. JSONフォーマットの厳守
Gemini 2.0 Flashは response_mime_type: "application/json" の指定なしでも、プロンプトの指示だけで非常に安定したJSONを出力してくれました。
🏁 まとめ
個人の知識管理にAIを導入するハードルは、Gemini 2.0 Flashの登場によって完全に消滅しました。
「1円未満で37回のリサーチ」ができるこの環境は、エンジニアのインプット効率を劇的に加速させるはずです。
91works AIラボについて
91works AIラボは、エンジニア6名が参加する3ヶ月間のAI学習を目的とした社内プロジェクトです。
詳しくは、こちらの記事をご覧ください👇
▶ 社内AIラボを3ヶ月やってみた - エンジニア6人の挑戦と成果
Discussion