Mojofull

【定額！】Claude Desktopでゴリゴリにアプリ作れるようになった🙌v0やboltみたいにClaude 3.7を使おう😤

きっかけは、Claude Projectのインストラクションにきのぴーさんの.windsurfrules v5を設定するという金のニワトリさんの投稿。

で、それを元にさらに「GitHub MCP Server」を入れました。※MCP使うからClaude Desktopね。

挙動としてはこんな感じ。
「究極のTodoアプリを作って」と言われたClaude Desktopは、GitHubに新規リポジトリを作り、ゴリゴリと「究極のTodoアプリ」のプログラムを作り、リポジトリにファイルを作っていきます。途中止まったら「続けて」で最後まで「クライアント側」は実装しきった。

MCPの設定とClaude Projectのインストラクションはつづく

GitHub MCP Server の claude_desktop_config.json への記述。

====ここから====
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "Githubのアクセストークン"
      }
    }
  }
}
====ここまで====

・Githubのアクセストークンの発行方法は？
Claudeに聞きましょう。はじめての発行する人は、権限チェックがたくさんあって迷うかもしれない。それもどれチェックしたらいい？って聞きましょう。

・claude_desktop_config.json はどこ？
添付画像の Settings.. から Developer > Edit Config で見つかるよ。

金のニワトリさんの投稿を参考にきのぴーさんの.windsurfrules v5 をちょっと調整して、Github連携をしやすいように次のインストラクションを追加しました。
※.windsurfrules v5 は必ずきのぴーさんの投稿を参照してね

====ここから====
## Github連携(MCP github を利用)
### 1. 前提条件
- GitHubアカウント（https://github.com/furoku）

### 2. GitHub操作
#### 2-1.基本的な操作
- リポジトリの検索: 「○○というリポジトリを探して」
- リポジトリの一覧表示: 「GitHubからリポジトリの一覧を出力して」
- 特定リポジトリへの接続: 「github_account/repository_nameのリポジトリに接続して」
- ファイルの内容確認: 「http://README.mdファイルの内容を表示して」

#### 2-2.ファイル操作
- ファイルの作成: 「リポジトリに○○という内容のファイルを作成して」
- ファイルの更新: 「○○ファイルに△△の機能を追加して」
- ファイルの分析: 「○○ファイルのコードを説明して」
- コードレビュー: 「このコードをレビューして問題点を指摘して」

#### 2-3.高度な操作
- イシューの作成・分析: 「このリポジトリのイシューを分析して」
- コードの最適化: 「このJavaScriptコードを分析して最適化案を提案して」
- 自動化スクリプト生成: 「このタスクを自動化するシェルスクリプトを作成して」
- コード変換: 「このコードをTypeScriptに変換して」
- ドキュメント翻訳: 「このREADMEを日本語に翻訳して別ファイルとして保存して」

#### 2-4.トラブルシューティング
- アクセス権限エラー: GitHubトークンの権限を確認
- リポジトリ非表示エラー: リポジトリの可視性設定を確認
- 更新反映エラー: GitHubのキャッシュをクリアする
- MCPエラー: エラーメッセージを正確にコピーしてClaudeに伝える
====ここまで====

※補足
インストラクションは厳密である必要はありません。LLMが優秀になってきているので、こんな感じで人間が指示しますよってのが伝わればいいです。

リポジトリ
https://github.com/furoku/ultimate-todo-app

ちなみに管理画面とかできてない。いま、Claudeに「作ったほうが良い」って聞かれてるｗ

きのぴーさんみたいにアーティファクトでドラフト作ってgithub連携はできるのか、まだ試してない。

きのぴーさんの.windsurfrules v5 の案内はこちら

https://x.com/kinopee_ai/status/1895828560709108138

cursorでtodoを作りまくってる

というのはさておきcursorにtodoに関連する日次、週次、四半期（≒月次）のデータを用意する

composerで日次タスクを更新すれば、週次も月次もタスクリストを更新してくれるので、これは「推論付き自然言語DB」です。

推論付きのよいところは、その時の状況に合わせて更新ロジックが最適化される柔軟性もってる。

たとえば、原稿の「最終チェック」というタスクがあったとして、リアルな状況だと必ずしも「最終チェック」が最終になるとは限らない。

そんなときにこれまでのtodoアプリの場合は、項目削除、項目修正、項目追加、スケジュール調整、などなどする必要があったけど、cursorでやるような「推論付き自然言語DB」のtodo管理の場合は状況を伝えるだけでいい。

「最終タスクをしたんだけど、部長からダメっていわれてもう少しチェックが必要になった。てにをはを直してほしいんだって」

すると「推論付き自然言語DB」は、日次の「最終タスク」にチェックするけど、の前に「てにをは修正」が追加されて「最終タスク（部長）」となり、週次と月次のタスクも適宜変更されて終了日も伸びる。

要はUIを「ポチポチする」ようなことはしなくていい。

AI勢のやってるワクワクしながら「todoを作る」というのはそういうことなんだけど、なかなかうまくこのワクワクを伝えられなくて非AI勢に申し訳なく思ってる。

composerでタスクを管理しはじめたら、タスクリストを自分でチェックしちゃだめだよ。

たとえば添付のようなリストをつくっていたとして、[ ]を自分でチェックしちゃだめ。
composerに「クリエイティブプロジェクトおわったよ」って伝えてcursorに✕をつけてもらおう。

そうすることで、composerのコンテキストを踏まえて関連ファイルをいい感じで調整してくれる。

品質の高いOSSをCursorでクローンし、それをナレッジとして要件定義に活用すると、美しいドキュメントが自然と仕上がる。

ゼロから要件定義を行うのは難しいが、この方法ならOSSのコードをベースにしつつ、独自の機能追加もスムーズに進められる。

Cursorがコードをインデックス化すると、o3やGemini 2.5のような大きなコンテキストウィンドウを持つモデルが、それを知識として活用しながら考えてくれる。きっと、そうやって考えてくれている。

実際に、o3でPRD（プロダクト要求仕様書）と詳細設計を作成したあと、それらをもとにGemini 2.5が一気にコードを書き上げてくれた。

Vibe Cordingでゼロ→1するのは目利きがないと難しいと感じてたので、製品の品質担保しやすいこのやり方が僕にはあってる。

OpenAIのCFOサラ・フライヤーさんが言ってた 「まず中学生のように説明してもらって、次に高校生、最後に大学生向けで」っていうやり方。
https://www.youtube.com/watch?v=i9H6NdHsF4c&t=500s

それをGeminiのGemで試作。

テーマ or URL を渡すと、重要な5要点を抽出。それぞれの要点ごとに「中→高→大」の順で理解を深めていく構成にした。
文章全体でレベルを上げると、文章量が多くなり、概念と説明が散ってしまって、難易度の階段をあがるときの負荷が高い。そこで「概念単位で段階的に登る」設計にしてみた。

情報が近接するので学習負荷が下がった。これはユーザビリティが良い。

「文章全体を段階的に難しくする」 方式だと、

・同じ話を 全文×3回読む ことになる
・どの説明が どの概念（要点）に対応していたのかがぼやける
・結果、「読み疲れ」や「理解の混線」が起こる

そこで、

・「要点ごとに中→高→大で深める」方式にしたのは、
・各要点がまとまっていて スッと頭に入る
・説明が横に展開しないから 記憶に紐づけやすい
・進むごとに理解の「骨」が強化される

っていう、ユーザビリティ重視の設計。

############################
## Gemini “高速学習出力” Gem – v4 〈視覚ブロック強調版〉
############################

◆ 目的
- 指定 URL またはテーマをもとに情報を統合し、中学生・高校生・大学生 の３段階で再構成。
- 各段階に ★基礎 / ★概念 / ★詳細 の学習ポイントを付す。

◆ 処理フロー
1) 入力受付
• ユーザーから URL もしくはテーマを受け取る。レベル指定は尋ねず、常に３レベルすべて出力。
• URL 取得失敗時は検索、検索不可指示なら内部知識のみで要約。

2) 要点抽出 & 再構成
① 記事を解析し **最大５要点** を抽出。
② 各要点について以下の **３ブロック** を連続出力。
── **【中学生向け】** 1文（目安≒150字）
── **【高校生向け】** 2文（目安≒300字）
── **【大学生向け】** 3〜4文（目安≒600字）
・ブロック間に **空行１行**。文字量は概ね **1 : 2 : 4** の比率。
③ 各３ブロックの直後に **★学習ポイント** を箇条書き。
④ 外部検索を使った場合は回答末尾に《出典: URL》を列記。

◆ 応答フォーマット（Markdown）
# 要点1: <見出し>
**【中学生向け】**
AI（エーアイ）とは、コンピューターが人間のように考えたり学んだりする技術のことだよ。（←実際は1文で記述）

**【高校生向け】**
AI（人工知能）は、人間の知的活動——学習・推論・問題解決など——をコンピューターで模倣する技術分野を指す。…

**【大学生向け】**
人工知能（AI）は計算機科学の一分野であり、環境を認識し合理的行動を取るエージェントを研究・開発する学問である。…

★学習ポイント
- ★基礎: …
- ★概念: …
- ★詳細: …
---
# 要点2: <見出し>
（同形式、要点5まで）
《出典: …, …》

◆ トーン
- 本文は常体・客観的。学習ポイントは箇条書き体。出力は必ず日本語。

############################

Qwen3の8Bはいいね。

僕がローカルモデルを使いたい理由は、普通のPCで機密情報をマスキングしたいだけなので、Qwen3の機密情報のマスキング性能を評価してみた。

0.6B❌️（左図）
4B❌（図なし）
8B🆗（右図）
14B〜235B※評価外、一般PCのローカルでは動かない

8Bは3回テストで3回ともOK。
推論モードが優秀でクリア。
ちなみにGemma、Lamma、Mistralの同サイズモデルはNG。

参考までにシステムプロンプト

＃＃＃
あたなはマスキングシステムです。

機密性の高い情報（例：APIキー、認証情報など）および特定個人情報（例：クレジットカード番号、マイナンバー、パスワード、傷病記録、病名など）

が入力されるとその文字を<*API KEY MASKED*>のようなマスク文字に変換します。