AIエージェント🤖 AI主導開発中
競馬予測AIチーム
完全ローカル・完全無料。OllamaマルチエージェントによるLightGBM競馬予測。夜間自動収集→学習→予測をタスクスケジューラで全自動運用
PythonOllamaLightGBMCrewAIStreamlitPostgreSQLSelenium
// VIBE CODING RATIO
💪 自力実装 20%🤖 AI担当 80%
■ 設計・判断・レビュー■ AI実装
「OpenAI API一切不使用・完全ローカルLLMのみ」という設計制約・3チーム分担構成（スクレイピング/開発/分析）・マルチモデルアンサンブル（A/B/C/D）の設計を自分で決めた。モデル採用基準（条件③：WFバックテスト通過必須）も自分が定めた。動作確認・予測精度の評価は自分が担当。
// BACKGROUND — なぜ作ったか
「OpenAI APIに一切お金をかけずに、ローカルLLMだけでマルチエージェントシステムを動かせるか」という技術的な問いから始まった。競馬予測を実用的なユースケースとして選び、実際に動くシステムを作りながらローカルLLM開発基盤を構築することを目指した。
// WHAT I DID — 何をやったか
3チーム構成のマルチエージェント競馬予測システムを構築した。
スクレイピングチーム：netkeibaからレース結果・出走馬データを自動収集してPostgreSQLに格納。開発チーム：LightGBMでモデル学習・バックテスト・PDCA（モデルA〜D）。分析チーム：当日レース予測・Streamlitダッシュボードで4カラム表示・予測実績タブ。
夜間バッチ（21:10〜タスクスケジューラー自動起動）→月次再学習（毎月1日02:00自動）で完全自動運用。学習済みモデルはROI 110%・WF 185%（モデルA）を達成。
// MY DECISIONS — 自分が設計・判断した部分
「条件③：WFバックテスト通過モデルのみ本番採用」という厳格なモデル採用基準を自分で定めた。未達モデルはarchiveに退避し本番に反映しない設計。3チームの分業構造（スクレイピング/開発/分析）とCrewAI Flowsによるオーケストレーション方針も自分が設計した。VPN必須のスクレイピングと不要な推論バッチを明確に分離した運用設計も自分の判断。
// TECH DETAIL — 技術的な工夫
- **LightGBM**：単勝予測モデルをA/B/C/Dの4モデルで構築。アンサンブル推論で精度向上
- **CrewAI Flows**：LITEモード（逐次実行）とFULLモード（MAO並列）を切り替え可能
- **Ollama（qwen2.5-coder:7b）**：OpenAI API不使用・ローカルLLMのみで全エージェントを駆動
- **Streamlit**：当日予測・過去実績・モデル別比較・回収率トレンド・劣化検知ダッシュボード
- **タスクスケジューラー**：夜間バッチ（21:10）・月次再学習（毎月1日02:00）を自動実行
// SCREENSHOTS
// RELEASE NOTES
v4.02026-05
モデルD（斤量特徴量追加）・予測実績タブ・劣化検知実装
v3.02026-03
マルチモデルアンサンブル（A/B/C/D）・月次再学習バッチ自動化
v2.02025-12
CrewAI Flows導入・3チーム分業構造・Streamlitダッシュボード
v1.02024-10
Ollama単体エージェント・基本予測パイプライン
開発開始: 2024-10最終更新: 2026-05