ai tutorial macwindowslinux 2026年3月15日

OpenClaw実践チュートリアル：1時間で双色球予測サイトを作ろう！経済的自由への道？

OpenClawでカスタムスキルを作成し、会話駆動型AIを使ってLSTMベースの双色球予測サイトを構築する手順を解説します。要件定義から検収、フィードバック、そしてWebアプリの実行まで、コードを書かずに完結します。

OpenClawAIツールLSTM双色球ClawdHubスキル作成ノーコード開発

⚠️ 免責事項：以下の内容は学習目的のみであり、投資助言を意図するものではありません。宝くじを買うかどうかはあなたの自由です。当たったらご飯をご馳走してください。外れても文句を言わないでください。

何を学べるか

このプロジェクトは表面的には宝くじ予測サイトを作るものですが、実際には以下の経験を得られます。

OpenClawで手動でカスタムスキルを作成する
LSTM深層学習モデルで時系列データを処理する
フロントエンドとバックエンドを統合し、完全なWebアプリを実行する

予測は正確なのか？正直なところ、LSTMモデルは非常にランダムな数字の組み合わせに対して、理論的には適当に選ぶのとあまり変わりません。しかし、このシステムは毎回違う結果ではなく、安定した結果を出力します—これだけでも多くの人の直感を上回ります。

Part 0：OpenClawにスキルを自動作成させる

どこから始めればいいかわからない？実は急ぐ必要はありません。直接聞いてみてください。

スキルを作成する手順は何ですか？各操作手順を詳細に説明してください。

詳細な手順が列挙されます。次にサンプルを作るように依頼し、完了後に保存場所と呼び出し方法を教えてもらいます—つまり、一度デモンストレーションしてもらいながら学びます。

この基礎ができたら、自分でスキルを作成しましょう。

まずは動画を見てください：

Part 1：OpenClawで手動でスキルを作成する

スキルフォルダはどこにある

macOSユーザーの場合、ワークスペースはユーザーディレクトリの隠しフォルダ.openclawにあります。

~/.openclaw/workspace/

入ったらskillsフォルダを新規作成します。構造は大体こんな感じです。

skills/
└── あなたのスキル名/
    ├── SKILL.md        ← スキルのコア指示
    └── その他のファイル      ← （オプション）空でもOK

SKILL.mdはAIとの「労働協約」です—何をしてほしいか、どうやって、何に注意すべきかを明確に書けば、AIは指示通りに実行します。

SKILL.mdに何を書くか

最低限、以下を含める必要があります。

項目	役割
スキル名	AIが認識するために使用
トリガー条件	いつこのスキルを呼び出すか
実行手順	ステップバイステップの指示
注意事項	やってはいけないこと

Part 2：スキルエコシステム（ClawdHub）をインストールする

手動で作成したスキルだけではできることは限られています。完全なWebプロジェクトを実行するには、App BuilderやTailwind CSSのようなスキルパッケージが必要です—これらはClawdHubを通じてインストールします。

ステップ1：ClawdHub本体をインストール

これはターミナル（コマンドライン）で操作します。以下を入力します。

npm i -g clawhub

インストール完了後、ログインコマンドを実行します。

clawhub login

ここでブラウザが開き、GitHubアカウントの連携を求められます。連携が完了すると、ClawdHubが有効化されます。

なぜ先にログインが必要？ ClawdHubのスキルライブラリはリモートサーバーにホストされています。ログインしていない状態では、AIはスキルを見つけることができず、インストールコマンドがすべて失敗します。多くの人がここでハマり、ネットワークの問題だと思い込みますが、実際にはclawhub loginを忘れているだけです。

ステップ2：プロジェクトに必要なスキルをインストール

ログイン後、OpenClawのチャット画面に戻り、次の指示を出します。

App BuilderとTailwind CSSの2つのスキルをインストールしてください

通常、自動的にダウンロードが完了します。失敗した場合は、以下の順序でトラブルシューティングします。

ClawdHubにログイン済みか確認—10回のうち8回はこれが原因
ネットワークを確認—一部の地域ではClawdHubサーバーへのアクセスが不安定なため、時間を置いて再試行
手動インストール—clawhub.aiにアクセスして対応するスキルを見つけ、スキルフォルダを直接skills/ディレクトリにコピーしてネットワークをバイパス（ファイル構造はPart 1を参照）

スキルが正しくインストールされたか確認

すべてのインストールが完了したら、以下を聞いてみてください。

今、どんなスキルを持っていますか？

インストールしたすべてのスキル名がリストアップされます。あなたがインストールしたスキルがリストに現れてから作業を開始できます。

Part 3：LSTMモデル—ここで何をしているのか

普通の統計的メソッドを使わない理由

最も直感的なアプローチは、各数字の出現頻度を統計して「熱号」と「冷号」を見つけることです。問題は、この方法が暗黙的に各抽選が過去の影響を受けることを仮定していることです—しかし、宝くじの抽選は物理的なランダムプロセスです。前回7が出たからといって、今回7が多く出たり少なく出たりするわけではありません。ここでの頻度統計は、本質的に自己満足に過ぎません。

LSTMは異なります。パターンが存在すると仮定せず、データの中から自分で探します—本当に時間的な相関があれば学習します。なければ学習しません。少なくとも誠実な態度です。

LSTMの動作（公式なし版）

LSTMはLong Short-Term Memoryの略称で、日本語では「長短期記憶ネットワーク」と呼ばれます。

通常のニューラルネットワークがデータを処理するとき、各入力は独立しており、前回何が起きたかが次回に何の影響も与えません。LSTMの特別な点は、シーケンス全体を貫く「記憶ライン」があることです。

連載小説を編集するエディターを想像してみてください。通常のネットワークは毎回何が起きたか忘れて、最初から読み直します。LSTMは「メモ」を残し、どのストーリーラインが重要で、どれを忘れていいかを記録します。新しい章を読むとき、メモの内容を更新するか捨てるかを決めてから、判断を下します。

宝くじデータに適用すると：過去N回の抽選記録を入力シーケンスとして使用し、LSTMはトレーニング中に重みを自動調整し、回ごとの数値変化パターンを見つけようとし、そのパターンで次回を予測します。

（ここまでくると、私自身も雲をつかむような気分になります……）

モデル構造（簡略版）

過去の抽選記録（過去N回）
        ↓
  データ前処理 + 正規化
        ↓
   LSTM層（シーケンスパターンを学習）
        ↓
   Dense出力層（予測値を生成）
        ↓
   逆正規化 → 最終数字

誠実な説明

このモデルはトレーニングセット上ではかなり良いパフォーマンスを示すことができます—結局、過去のデータでトレーニングして、過去を予測するので、ある程度の命中率は当然あります。

本当のテストは未来データです。宝くじの数字は理論的に独立同分布のランダム変数です。LSTMが学習できる「パターン」は、おそらくデータの中のノイズに過ぎず、モデルが信号だと誤認しています—空を見て龍を見つけるようなもので、空はそんなつもりはありません。

したがって、このシステムの価値は「予測ツール」であるよりも、時系列モデリングの完全な演習であると言えます—データ処理、モデルトレーニング、結果評価、フロントエンドとバックエンドの統合を一気通貫でこなすことで、本当に学べることがあります。

Part 4：会話で双色球予測システムを作成する

このパートの重点はコードではなく、AIと協力して完全なプロジェクトを完了する方法です。

プロセス全体であなたがやるべきことは3つだけです：何が欲しいか明確に言う、結果を検収する、問題をフィードバックする。コードはAIが書き、アーキテクチャはAIが組みます—あなたの役割は開発者よりもプロジェクトマネージャーに近いです。

1つの前提があります：Next.js、Tailwind CSSなどの技術用語について、大まかな認識が必要です。書ける必要も、コードを理解できる必要もありませんが、それらが何をするものか、どのような技術パスがあるかを知っておく必要があります。そしてこのような質問は、まさにAIが最も得意とするものです。

ステップ1：要件を送信

文ごとに説明せず、プロジェクト全体の要件を一気に伝えてください。以下は私がOpenClawに送ったプロンプトです。

app-builderとtailwindcssを使って、双色球統計予測Webフロントエンドを開発してください
（Next.js + Tailwind CSS + Chart.js）：

1. 既存のssq-lstm-predict Skillを統合してください
   （パス：~/.openclaw/workspace/skills/ssq-lstm-predict）、
   ページでそのlottery_lstm.pyを呼び出して以下を取得：
   - 全数字の現在の欠落回数（赤球1-33 + 青球1-16）
   - 最新回の赤球平均値
   - 熱号（欠落少）/ 冷号（欠落多）
   - LSTMで予測した次回の数字

2. ページレイアウト：
   - 上部：タイトル「双色球統計・予測システム」
   - 中央：欠落回数テーブル（ソート可能）、熱冷号棒グラフ（Chart.js）
   - 下部：最新平均値表示 + 大きな赤い「次回を予測」ボタン
     （クリックでLSTMを呼び出し、赤球6個 + 青球を返す）
   - レスポンシブ、モバイル対応、宝くじの赤テーマ

3. プロジェクトを~/.openclaw/workspace/ssq-predict-webに作成

4. 完了後、ローカルでnpm run devを実行し、localhostプレビューリンクを教えて

5. コードはきれいで手動修正可能で、完了後に開発やデバッグを続ける方法を教えて

一度はっきり伝える方が、10往復して補足するより良い。 AIは情報を全体を理解してから実行します。要件が完全であればあるほど、最初の結果は信頼でき、あなたの修正回数は自然と減ります。

ステップ2：検収—納品物を確認する

AIが完了したと言っても、「いいですね」と急いで言わないでください。項目ごとに確認してください。

AIがくれたURLにアクセスできるか？
ページにデータがあるか？
コア機能（予測ボタン）が反応するか？
結果は安定しているか、クリックごとに変わるか？
あなたの望み通りか？まだ何が足りないか？

私の初回の検収結果は、5つすべてに問題がありました—ポートが間違っていて（300を3000と書いていた）、ページが真っ白で、ボタンが反応せず、結果は毎回変わっていました。

これは完全に正常です。最初の出来に問題があるのは、AIの能力が低いからではなく、複雑なプロジェクトは本来イテレーションが必要だからです。重要なのは、問題がどこにあるかを正確に説明できるかどうかです。

ステップ3：フィードバック—現象を言い、感情を言わない

「ダメだ」「問題ある」は最も役に立たないフィードバックです。どこがダメで、どんな問題なのかAIはわかりません。どんなに強烈な言葉で罵倒しても、役には立ちません—AIは痛みを感じませんが、あなたは時間を浪費します。

あなたが観察した現象を一つ一つリストアップしてください。

以下の問題を修正してください：
1. あなたがくれたURLのポートは300ですが、実際は3000で、アクセスできません
2. ページ読み込み後にデータが表示されません
3. 予測ボタンをクリックしても反応しません
4. 修正後、以下を確認してください：予測を複数回クリックしても結果は一貫しているはずです

問題の記述が具体的であればあるほど、AIの修正の正確性が高まり、往復回数が減ります。

ステップ4：再検収、満足するまで繰り返す

AIが修正したら、ステップ2のチェックリストを繰り返します。

今回は数回往復しました：ポートの問題はAIが数回修正しても解決できず、最終的に自分で3000ポートに直接アクセスしました。予測結果の安定性問題は修正後に正常になりました。最終的にページにデータがあり、予測が安定し、機能が整いました—プロジェクト完了。

プロセス全体を通して、私は1行もコードを書きませんでした。しかし、各ステップで何が起きているか、どんな問題が出ているか、どう説明すべきかを明確に知っていました。

この能力は、コードを書けることより育成が難しいですが、より価値があります。先生がかつて言いました。「学問とは、質問を学ぶことです。」核心的な問題を観察し、正しく記述し、検証を通じて知識に変えること—これはAIが助けてはくれません。自分で練習する必要があります。

最後に

このシステムの価値は、予測がどれだけ正確かではなく、あなたが完全なプロジェクトをゼロから作る経験をしたことです。

プロンプトとデータは全部上にあります。一度やってみると、思ったより多くのことがわかっていることがわかります。

興味があれば、私のチャンネルをフォローしてください。継続的に更新します。

🎬 YouTube：lingshunlab
📺 Bilibili：凌顺实验室

参考

GitHubで共有されているSkillファイルには、2003-01-01から2026-03-15までの双色球過去抽選データファイルが含まれています。 lingshunlab / ssq-lstm-predict