VSCodeローカルからOrcaへ。AI Office開発環境をサーバ化した話(その3)
前回の記事では、LinuxサーバをAIと制御の中心にして、Microsoft Officeが必要なときだけWindowsを呼び出すところまで書きました。
最後に少し触れましたが、実は最初から今の構成だったわけではありません。
最初は、Windows側にもCodexを置いていました。
ただ、その話の前に。
前回の構成図にも登場した win32com が、そもそもなぜ必要なのかを少し説明します。
なぜwin32comが必要なのか
PowerPointやWord、Excelのファイルそのものを作るだけなら、Linux上のPythonでもかなりのことができます。
例えば、
PowerPointなら python-pptx
Wordなら python-docx
Excelなら openpyxl
といったライブラリがあります。
私のOffice開発環境でも、ファイルを作成したり、中身を編集したりする処理の多くはLinux側で行っています。
ただし、それだけではできないことがあります。
Microsoft Office自身を動かすことです。
例えばPowerPointなら、
「PPTXファイルとして正常に保存できた」
ことと、
「Microsoft PowerPointで実際に開いたとき、正しく表示される」
ことは別です。
文字が途中で切れていたり、不自然な位置で改行されていたり、図形や表が重なっていたりすることがあります。
そこで、Windows上にインストールされている本物のPowerPointを起動し、各スライドを実際にレンダリングします。
Wordも同じです。
目次やフィールドを更新したり、Word自身からPDFを出力したりします。
そのときに、PythonとMicrosoft Officeの橋渡しをしているのが win32com です。

つまり私の環境では、
Officeファイルを作る処理と、Microsoft Office自身に処理させる工程を分けています。
前者は主にLinux。
後者だけWindowsです。
最初はWindows側でもCodexを動かしていた
当初考えていた構成は、ざっくりこんな感じです。

最初は、
「WindowsでOfficeを動かすなら、そのままWindows側のCodexにレビューまでやってもらえばいい」
と考えていました。
構成としては分かりやすいですし、Officeの実行から見た目の確認までAIにまとめて任せられます。
AI中心の環境を作っていると、
「せっかくだから、ここもAIにやらせよう」
と考えたくなります。
私もそうしました。
ただ、実際に使ってみると、これが結構遅い。
Windows側でCodexを起動して、Pythonを実行し、Microsoft Officeを立ち上げ、レンダリングした画像を確認して、レビュー結果を返す。
単純にPowerPointやWordをレンダリングしたいだけでも、一連の処理をAIエージェント経由で動かすことになります。
使っているうちに、
「Officeをレンダリングするだけなのに、結構待つな……」
と感じるようになりました。
さらに、Windows側でAIを動かす以上、
Codexのセッション管理
sandbox
approval
retry
worker管理
orchestration
各種状態管理
など、Officeを動かすこと自体とは直接関係のないものまで管理する必要が出てきます。
Windows側のCodexセッションも消費します。
そこで、だんだん疑問が出てきました。
「この処理、本当にAIが必要なのか?」
Windows側で必要なのは、ほぼ決められた処理だった
改めて整理すると、Windows側で必要なのは、
指定されたOfficeファイルを受け取る
PowerPointやWordを開く
決められた方法でレンダリングする
PNGやPDFを生成する
結果をLinux側へ返す
という処理です。
やることはほぼ決まっています。
毎回AIが内容を考えたり、判断したりする必要はありません。
つまり、
「AIにお願いしてPythonを実行してもらう」
のではなく、
「最初からPythonを実行すればいい」
わけです。
考えてみると当たり前なのですが、AI中心で環境を作っていると、意外とこういうところにもAIを置きたくなります。
そこで、
AIを通さず、Windows側では固定のPythonを直接実行する
構成へ変更しました。
※Orcaの機能を利用し、LinuxからWindowsへ指示を出しました
WindowsからCodexを外した
Before/Afterはこうです。

ものすごく普通になりました。
でも、これで十分でした。
Windows側は判断をしません。
Linux側から渡されたファイルに対して、決められたOffice処理を実行し、結果を返すだけです。
Windowsを「AIエージェントが動く場所」ではなく、
「Microsoft Officeを実行するための装置」
と割り切ったことで、構成はかなりシンプルになりました。
処理時間の面でも、単純なOffice実行のために毎回Windows側のCodexを経由する必要がなくなりました。
さらに、Windows側でAIエージェントそのものを管理する必要もありません。
AIを減らしたら、むしろ扱いやすくなった
今回かなり面白かったのがここです。
AI環境を作っていると、
「AIをどこに追加するか」
を考えがちです。
でも実際には、
「AIをどこに使わないか」
を決めることも重要でした。
今のところ、私の中ではこんな分け方がしっくりきています。

Windows側からAIを一つ外しただけですが、管理するものがかなり減りました。
そして、
LinuxはAIと制御
WindowsはOffice実行
と、それぞれの責任範囲も分かりやすくなりました。
AIを使ったシステムだからといって、
すべての処理をAIエージェント経由にすれば良いわけではない。
むしろ、毎回同じことをしてほしい場所では、AIを外した方が速く、シンプルで、扱いやすいこともあります。
今回の環境を作っていて、ここはかなり印象に残ったところです。
では、レンダリングした画像を誰が確認するのか?
ここまでで、

まではできました。
ただ、PNGを作っただけではQAにはなりません。
最終的には、
「このスライド、本当に崩れていない?」
を誰かが確認する必要があります。
Windows側のCodexは外しました。
でも、Codexによるレビュー自体をやめたわけではありません。
むしろ、レビューはLinux側へ戻しました。
そしてもう一つ、
資料を作るAIと、資料をレビューするAIを分ける
という構成にしています。
実際に試してみると、この分離には思った以上に意味がありました。
その話は、次回に続きます。
~~その4へ~~




コメント