AI を、動かしながら学ぶ。
gekal-study-ai は AI を学ぶために作った実験リポジトリ群です。まず動かす、制約を測る、わかったことを残す。 このサイトは、その現在地とこれから進む道筋をまとめたものです。
4
repositories6
phases2026-08-02
updatedリポジトリ
1 テーマ 1 リポジトリ
comfyui-vegetable-generator
ComfyUI で野菜 EC の商品画像を生成する。Mac の Docker Compose だけで動き、コマンドは 4 つ。
ワークフロー API、CPU 推論の性能特性、Docker Compose での再現環境
codex-skills
AI エージェントから再利用できるスキル集。Android のランチャーアイコンを作成・監査するスキルを収録。
手順を Skill として外部化する設計、アイコン監査の自動化
dots-ocr-demo
DOTS OCR を Docker Compose で動かす検証環境。文書画像からのテキスト抽出を試す。
VLM 系 OCR の実行環境構築
現在地
2026-08-02 時点
環境構築力が安定している。どのリポジトリも「数コマンドで動く」水準まで整備されている。
制約を計測して記録する習慣がある。Mac Docker で GPU が使えないこと、CPU でのステップ数別の実測値まで残している。
評価がない
生成物や OCR 結果の良し悪しを判定する仕組みがどのリポジトリにもない。「動いた」で止まっている。
モデルを使う側に留まっている
学習・微調整・量子化など、モデル自体に手を入れた経験がない。
LLM アプリの経験が薄い
エージェントの入口はあるが、RAG・構造化出力・コンテキスト設計といった土台がない。
進め方
01
動くものを作ってから理論に戻る
既存リポジトリはすべて「まず Docker で動かす」から始まっている。この進め方を維持する。
02
1 テーマ 1 リポジトリ
リポジトリが成果物であり、進捗の単位でもある。
03
完了条件を先に決める
各フェーズに「何ができたら次へ進むか」を明記する。学習が発散しないようにするため。
ロードマップ
時期は目安。完了条件を満たしたら次へ
- PHASE 00NOW
基礎の言語化
既に手を動かして知っていることを、説明できる形にする。
2026 Q3
- PHASE 01
生成物の評価
「動いた」から「良し悪しを判定できる」へ。最大の弱点を埋める。
2026 Q3–Q4
- PHASE 02
LLM アプリ基礎
エージェントを作る前に、その土台となる要素を単体で押さえる。
2026 Q4
- PHASE 03
エージェント化
単発の応答から、道具を使って多段で動く仕組みへ。
2027 Q1
- PHASE 04
推論基盤・運用
ローカルの Mac から出て、性能とコストを扱えるようにする。
2027 Q1–Q2
- PHASE 05
モデルを作る側へ
ここまでは既存モデルの利用者。ここからモデル自体に手を入れる。
2027 Q2 以降