AIが先に動く ― LM Studio × 自動化（プロアクティブ運用の最短ルート）

「AIに頼む」から一歩進んで、AIが先に動いて“用意しておく” 世界へ。
ここでは、LM Studioを トリガー（合図）→ ポリシー（判断）→ アクション（実行） の3レイヤで自動化し、人間が触る前に下ごしらえが終わる状態を作ります。

いまの現在地と、ここで目指す地点
設計の骨格：たった3要素だけでOK
最小ワークフロー（完成版）
そのまま動かせる最小Python（監視なし・単発実行）
監視（Trigger）を足す
事故を防ぐ運用ルール（超重要・3点）
量産・拡張のアイデア
この記事の要点（まとめ）

いまの現在地と、ここで目指す地点

これまで：RAGで“あなたの知識を参照できるAI”をローカル構築、APIで外部接続も完了
これから：スケジュール／イベント／監視をトリガーにして、AIが自律的に用意（草案・要約・アラート・草稿化）

設計の骨格：たった3要素だけでOK

Trigger（いつ動く？）
　- 時間：cron/Windowsタスク（毎朝7:30）
　- 変更：フォルダ新規PDF・RSS更新・Notion更新
　- Webhook：Slackで絵文字を付けた／GitHub Issue作成など
Policy（動かすか？何を狙うか？）
　- ルール：新着PDFは3ページ超なら要約、タイトル案3本、引用元付き
　- 品質：温度 0.2、RAG参照オン、NGワード/機密のマスク
Action（何を残す？）
　- WordPressに非公開ドラフト作成
　- Slackへ要点＋URL通知
　- 失敗時はリトライ&ログ

まずは 1トリガー×1ポリシー×1アクション の最小系から始め、成功したら枝を増やすのが王道。

最小ワークフロー（完成版）

シナリオ： ~/inbox/papers/ にPDFを置いたら、
→ RAGで要約＋見出し案＋引用 を作り
→ WordPressに非公開ドラフトを自動作成
→ Slackに通知

1) 監視（Trigger）

mac/Linux: fswatch / watchdog
Windows: タスクスケジューラ＋簡易スクリプト

2) LM Studio呼び出し（Policy）

http://localhost:1234/v1/chat/completions（OpenAI互換）
モデルはRAG紐づけのものをUIでLoad済みに

3) WordPressドラフト作成（Action）

REST API: POST /wp-json/wp/v2/posts
ステータス: draft

そのまま動かせる最小Python（監視なし・単発実行）

新着PDFの要約 → WordPressにドラフト作成。
※監視は後段に追加。値は環境に合わせて置換ください。

# pip install requests
import requests, json, base64, pathlib

LM_BASE = "http://localhost:1234/v1"
MODEL   = "llama-3-8b-instruct"     # LM StudioでLoad中
WP_BASE = "https://your-blog.example"
WP_USER = "your_user"
WP_APP_PW = "your_application_password"  # WPのアプリPW推奨

PDF_PATH = "/path/to/new.pdf"

def read_pdf_text(p):
    # まずは簡易。画像PDFは事前にOCR推奨（第3話のとおり）
    # ここではダミーでファイル名だけ参照し、RAGで本文参照させる前提。
    return f"対象ドキュメント: {pathlib.Path(p).name}"

def ask_lm(prompt):
    url = f"{LM_BASE}/chat/completions"
    payload = {
      "model": MODEL,
      "messages": [
        {"role":"system","content":"あなたは日本語の要約アシスタントです。事実性と引用元明記を重視してください。"},
        {"role":"user","content": prompt}
      ],
      "temperature": 0.2
    }
    r = requests.post(url, json=payload, timeout=120)
    r.raise_for_status()
    return r.json()["choices"][0]["message"]["content"]

def to_wordpress(title, content_md):
    auth = base64.b64encode(f"{WP_USER}:{WP_APP_PW}".encode()).decode()
    headers = {"Authorization": f"Basic {auth}",
               "Content-Type": "application/json"}
    payload = {"title": title, "content": content_md, "status": "draft"}
    r = requests.post(f"{WP_BASE}/wp-json/wp/v2/posts", headers=headers, data=json.dumps(payload), timeout=60)
    r.raise_for_status()
    return r.json().get("link")

if __name__ == "__main__":
    context = read_pdf_text(PDF_PATH)
    prompt = f"""
あなたはRAGが紐づいたローカルAIです。登録済みドキュメントを参照し、
次のPDFについて以下を日本語で出力してください。

# 出力仕様（Markdown）
- H1: 要約タイトル（20字以内）
- 箇条書き3点の要点（具体・数値・引用セクション）
- 引用: どの章/ページに該当かを括弧で明示（例: p.12「章タイトル」）
- 記事草案（見出し構造 H2/H3、導入200字、結論200字）

PDFヒント: {context}
    """.strip()

    result = ask_lm(prompt)
    # タイトル一行目を抽出（H1行想定）
    first_line = result.splitlines()[0].strip("# ").strip()
    link = to_wordpress(first_line or "RAG要約ドラフト", result)
    print("Draft:", link or "(draft created)")

RAGが効く条件：LM Studio UIで該当PDFをDocsに登録し、そのDocsを使うKnowledge Sourceを選んだ状態でモデルをLoadしておくこと。

監視（Trigger）を足す

Linux/macOS（Python watchdog）：

pip install watchdog

# file_watch.py
import time
from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler
import subprocess, pathlib

WATCH_DIR = "/path/to/inbox/papers"

class Handler(FileSystemEventHandler):
    def on_created(self, event):
        if not event.is_directory and event.src_path.lower().endswith(".pdf"):
            print("New PDF:", event.src_path)
            # 上の単発スクリプトを呼び出す想定（引数でパス渡すよう改造してもOK）
            subprocess.run(["python", "your_single_run_script.py", event.src_path], check=False)

if __name__ == "__main__":
    obs = Observer()
    obs.schedule(Handler(), WATCH_DIR, recursive=False)
    obs.start()
    try:
        while True:
            time.sleep(1)
    except KeyboardInterrupt:
        obs.stop()
    obs.join()

Windows