xAI、コード・エージェント特化モデル「Grok 4.6」を公開

Grok 4.6 は xAI が開発した最新のエッジモデルで、コーディングやエージェントタスク、知識作業に特化しています。このモデルはコードベース全体を横断して作業を行ったり、研究課題に取り組んだり、成果を検証したり、複雑な多段階のタスクを継続的に処理できる長期間稼働型のエージェントの実現に重点を置いています。xAI の評価によると、Grok 4.6 は最上位レベルのパフォーマンスを達成し、Artificial Analysis Intelligence Index における GPT-5.6 Sol と同等のスコアを示しています。

開発者にとってさらに興味深いのが、xAI が独自に開発したターミナルベースのコーディングエージェント兼 TUI（テキストユーザーインターフェース）である Grok Build です。サードパーティ製のコーディング環境に依存するのではなく、同社モデルとの連携に特化したフルスクリーンでインタラクティブなターミナル体験を提供します。現在、この Grok Build の背後には Grok 4.6 が直接動いています。

本ガイドでは、Grok Build とたった4 つのプロンプトを用いて、顧客がコーヒーの注文を受け取るまでの待ち時間を予測するエンドツーエンドのデータサイエンスプロジェクトを構築する方法を紹介します。

Grok Build とは何か？

Grok Build は、ターミナルから直接作業を行うための xAI のコーディングエージェントです。

このツールはプロジェクトの内容を理解し、ファイルの作成や編集、コマンドの実行、ウェブ検索を行い、より複雑なコーディングタスクを順を追って処理できます。インタラクティブな TUI により、フルスクリーンでマウス操作も可能なコーディング体験が提供されるほか、スクリプトや自動化処理ではヘッドレスモードでの実行も可能です。

最大の利点は、Grok 4.6 が Grok Build の基盤となっている同一モデルであるという点です。つまり、このモデルのために特別に設計されたコーディング環境の中に、xAI の最新コード生成モデルが組み込まれていることになります。

Grok Build のインストール

Grok Build は、Windows、macOS、Linux、および Windows Subsystem for Linux (WSL) 向けに事前構築されたバージョンを提供しています。

macOS、Linux、または WSL の場合、ターミナルを開いて以下を実行してください：

curl -fsSL https://x.ai/cli/install.sh | bash

Windows PowerShell の場合、PowerShell を開いて以下を実行してください：

irm https://x.ai/cli/install.ps1 | iex

Grok Build が正常にインストールされたか確認します：

grok --version

>> grok 1.0.4 (d846eb93d9)

プロジェクトフォルダの作成

まずはクリーンなプロジェクトフォルダを作成し、その中で Grok Build を起動してください。これにより、エージェントがすべての作業を単一のワークスペース内で完結させることができます。

プロジェクト用の空のフォルダを作成します：

mkdir coffee-wait-time-project
cd coffee-wait-time-project

そのフォルダ内で Grok Build を起動します：

grok

Grok Build は起動時にインタラクティブなターミナルインターフェースを開きます。初回起動時は通常、ブラウザが開いてサインインを促されます。

プロンプト 1：データの生成と探索

最初のステップとして、私たちは Grok Build に、現実的なデータセットの生成、そのクリーニング、データ探索、そして有用な可視化の作成を依頼しました。

プロンプト：

初心者でも取り組めるエンドツーエンドのデータサイエンスプロジェクトを構築しましょう。顧客待ち時間を予測対象として、3,000件のリアルなコーヒーショップ注文データを生成し、data/coffee_shop_orders.csv に保存します。その後、データのクリーニングと探索的データ分析（EDA）を行い、有用な可視化結果を reports/figures フォルダに保存してください。

Grok Build はまずプロジェクトフォルダを確認した後、データセットの作成と分析ワークフローの実行を開始しました。

数分後には、生データセットと2,986 行のクリーニング済みデータセットが生成されました。欠損値への対応も実施し、待ち時間が極端に長い外れ値 14 件を削除しています。

初期の分析から、いくつかの有用な知見が得られました。平均待ち時間は約10.5 分で、ラッシュアワーにはさらに約3.3 分追加されます。また、スタッフの負荷と待ち時間の間に最も強い相関関係があり、その相関係数は0.68でした。

さらに、ベースラインとしてランダムフォレストモデルも作成しました。その性能は平均絶対誤差（MAE）が1.63 分、決定係数（R²）が0.85でした。

プロンプト 2：モデルのトレーニングと評価

このステップでは、Grok Build にデータパイプラインの構築、複数のモデルの訓練、それらの比較、そして再利用可能な最良のフルパイプラインの保存を依頼しました。

プロンプト:

再利用可能な scikit-learn の前処理パイプラインを用いてコーヒーショップデータを準備し、Linear Regression（線形回帰）、Random Forest（ランダムフォレスト）、Gradient Boosting（勾配ブースティング）モデルを訓練します。MAE、RMSE、R² を用いて比較し、最良のモデルをチャートとテスト予測で評価してください。さらに、完全な勝者パイプラインを models/coffee_wait_time_pipeline.joblib として保存してください。

Grok Build はクリーン化されたデータセットから続き、再利用可能な scikit-learn の前処理および訓練パイプラインを構築しました。

この過程で私は無料利用枠に達したため、プランをアップグレードして「continue」と入力しました。Grok Build は止まった場所から正確に再開し、モデルの訓練と評価を完了させました。

Linear Regression（線形回帰）、Random Forest（ランダムフォレスト）、そして Gradient Boosting（勾配ブースティング） を訓練し、598 件の注文からなるホールドアウトテストセット上で比較しました。

その結果、Gradient Boosting（勾配ブースティング） が最も優れた性能を示し、MAE は 1.101、RMSE は 1.408、R² は 0.934 となりました。Linear Regression（線形回帰）も良好な結果を残しましたが、Random Forest（ランダムフォレスト）は第三位でした。

その後、Grok Build は勝者となったパイプラインを models/coffee_wait_time_pipeline.joblib として保存しました。これで、次の工程ですぐに使えるモデルが完成します。

プロンプト 3: FastAPI アプリケーションの構築

このステップでは、Grok Build に trained model を元に、クリーンなエンドポイントと入力検証機能を備えたシンプルな FastAPI アプリケーションを作成させました。

プロンプト:

main.py で初心者向けに FastAPI アプリケーションを作成してください。models/coffee_wait_time_pipeline.joblib を読み込み、ルート、ヘルスチェック、予測のエンドポイントを提供します。Pydantic を使ってコーヒー注文の入力を検証し、推定待ち時間と短い説明を返してください。エラーは明確に処理し、自動生成される API ドキュメントにも使用例を含めてください。

Grok Build は、起動時に保存されたパイプラインを読み込み、3 つのエンドポイントを公開する FastAPI アプリを作成しました：

• GET /: サービス情報と使用例を表示
• GET /health: モデルが正常に読み込まれているか確認
• POST /predict: コーヒー注文の待ち時間を推定し、簡単な英語で説明を返す

また、Pydantic による検証も追加されたため、不正な入力に対しては構造化されたエラーメッセージで明確に対応できるようになっています。

デプロイ前に、Grok Build に API エンドポイントの自己テストを依頼しました。サーバーを起動し、テストリクエストを送信してレスポンスを確認した結果、予測用および検証用のエンドポイントが正常に動作していることを確認できました。

プロンプト 4: FastAPI Cloud へのデプロイ

このステップでは、プロジェクトをデプロイ準備し、FastAPI Cloud に展開して、ライブ API のテストを行いました。

プロンプト:

このプロジェクトを FastAPI Cloud 向けに調整してください。fastapi dev が動作することを確認し、必要に応じてアプリケーションのエントリーポイントを設定します。保存されたモデルと必要なファイルが含まれているか確認し、fastapi deploy を実行します。ブラウザ認証が必要な場合のみ一時停止し、ライブのルート、ヘルス、予測、ドキュメント各エンドポイントを検証します。デプロイ時のエラーを修正し、最終的な公開 API URL を表示してください。

デプロイ中、FastAPI Cloud 側からブラウザ経由でのサインインを求められました。認証が完了すると、Grok Build が自動的にデプロイを続行しました。

デプロイが完了すると、公開 Swagger ドキュメントの URL と、ライブ予測エンドポイントをテストするための即座に使用可能な curl コマンドが提供されました。

デプロイ後、Grok Build からは、ライブ /predict エンドポイントをテストするための即座に使用可能な curl リクエストも提供されました。

curl -X POST https://coffee-wait-time.fastapicloud.dev/predict \
  -H "Content-Type: application/json" \
  -d '{"order_date":"2025-03-13","hour_of_day":8,"item_name":"Latte","item_size":"Medium","quantity":1,"customization_count":2,"order_channel":"In-Store","payment_method":"Card","queue_length":5,"num_baristas":2,"weather":"Rainy","is_member":1,"order_total":5.50}'

ライブ API の返却結果は以下の通りです。

{
  "predicted_wait_time_minutes": 13.06,
  "explanation": "Estimated wait time is about 13.1 minutes, mainly due to a moderate queue (5 people), rush-hour timing.",
  "model_name": "Gradient Boosting",
  "model_metrics": {
    "MAE": 1.101,
    "RMSE": 1.408,
    "R2": 0.934
  }
}

これにより、デプロイされたモデル、前処理パイプライン、FastAPI 予測エンドポイントがすべて本番環境で正常に動作していることが確認できました。API は待ち時間を約 13.1 分と予測し、モデルの性能指標とともに簡潔な説明も返却しました。

また、ライブ Swagger UI を介して直接予測をテストしましたが、予想通りの結果として予測値、モデルのメトリクス、そして説明が返されました。

最後に、Grok Build がプロジェクト全体を整理し、README ファイルにプロジェクトのワークフロー、モデルの結果、ライブ API リンク、およびアプリケーションの実行・デプロイ方法に関する手順を追加しました。これにより、プロジェクト全体が理解しやすく、再現性が高まります。

まとめ

このプロジェクトで Grok Build を使用して、私は心から感銘を受けました。データの生成とクリーニング、モデルのトレーニング、API の構築、テスト、問題の修正、そしてデプロイに至るまでのフルワークフローを適切に処理してくれたからです。Grok 4.6 を用いることで、本格的なコーディング作業において、その能力と完成度はさらに向上したと感じています。

私にとって、Grok Build は多くの実用的な開発タスクにおいて Claude Code と肩を並べる存在になりました。最大の改善点は、新しいモデルが長いマルチステップのワークフローを、頻繁なガイダンスなしにどのように処理するかです。もし xAI がこのモデルとターミナル体験の向上を続けていけば、Grok Build は利用可能な最高の AI コーディングエージェントの一つになる可能性も十分にあります。