AIエディタ Windsurf の活用

1. メリットと機能

WindsurfはVS Codeをベースとした統合開発環境（IDE: Integrated Development Environment）であり、AI機能を標準搭載している。無料プランが提供されており、学生や個人開発者にとって利用しやすい。VS Codeと操作方法が類似しているため、既存のVS Code利用者は移行が容易である。また、VS Codeの多くの拡張機能をそのまま利用できる。

Windsurf Tabと呼ばれるコード補完機能は、Tabキーを活用した効率的なコーディングを実現する。Cascade機能はコード生成や実行を支援するAI機能であり、開発作業を効率化する。

データ処理時の注意事項として、個人情報を含む画像やデータを使用する場合は、適切な匿名化処理を行い、データ保護法に従って取り扱う必要がある。

2. 基本機能とショートカットキー

Cascade 機能

Cascadeはコード生成や実行を支援するAI機能である。Ctrl + LキーでCascadeパネルを開くことができる。日本語でのリクエストに対応しており、例えば「Pythonで折れ線グラフのサンプルコードを作成して」のように自然言語で指示できる。

主要ショートカットキー

Windsurfの主要なショートカットキーは以下のとおりである。

• Ctrl + L：Cascade（AI対話）パネルを開く
• Ctrl + I：AIコード生成機能を起動する
• Ctrl + `：統合ターミナルを開く
• F5：デバッグを開始する
• Tab：コード補完候補を選択する

3. 無料プランの機能

Windsurfの無料プランでは、月25クレジットのプロンプトクレジットが提供される。クレジットとは、AIモデルへの問い合わせに消費されるポイントであり、モデルによって消費量が異なる。月25クレジットはGPT-4.1プロンプト約100回分に相当する。利用可能なAIモデルとして、GPT-4.1（0.25クレジット/プロンプト）、Claude 3.7 Sonnet（1クレジット/プロンプト）、DeepSeek-V3-0324（無料）などを選択できる。

無制限のFast TabやSWE-1 Liteなどの機能も無料プランに含まれている。

4. API Key 要件

WindsurfではサードパーティのAPI キー（外部サービスにアクセスするための認証キー）は不要である。Windsurfアカウントの作成のみで利用を開始できる。アカウント登録は無料であり、登録完了後すぐに利用を開始できる。

5. Cursor と Windsurf の比較

Claude 3.7 Sonnetの利用回数について、Cursor無料版は月50回、Windsurf無料版は月約25回利用可能である。ただしWindsurfでは、無料（0クレジット）のモデル（DeepSeek-V3-0324など）を無制限で利用できる点が特徴である。

6. 事前準備

winget install --scope machine --id Python.Python.3.12 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_pip=1 Include_test=0 Include_launcher=1 InstallLauncherAllUsers=1"

python --version

winget install --scope machine --id Codeium.Windsurf -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --custom "/SP- /SUPPRESSMSGBOXES /NORESTART /CLOSEAPPLICATIONS /DIR=""C:\Program Files\Windsurf"" /MERGETASKS=!runcode,addtopath,associatewithfiles,!desktopicon"
powershell -Command "$env:Path=[System.Environment]::GetEnvironmentVariable('Path','Machine')+';'+[System.Environment]::GetEnvironmentVariable('Path','User'); windsurf --install-extension MS-CEINTL.vscode-language-pack-ja --force; windsurf --install-extension ms-python.python --force; windsurf --install-extension Codeium.windsurfPyright --force"

Ubuntu環境での設定

ターミナルを開き、以下のコマンドを実行する。

# システムの更新
sudo apt update && sudo apt upgrade -y
# Python3と開発環境のインストール
sudo apt install -y python3 python3-pip python3-venv python3-dev build-essential
# Windsurf（Cursor系エディタ）のインストール
# 公式サイトからダウンロードするか、以下の方法でインストール
wget -qO- https://download.codeium.com/windsurf/linux/install.sh | sh

7. Windsurf の起動と初回設定

Windsurfの初回起動時には、アカウント登録と基本設定を行う。この設定により、AI機能を含むすべての機能が利用可能になる。

1. Windsurfを起動する。スタートメニューから起動するか、コマンドラインで「windsurf」コマンドを実行する。
2. 「Get Started」をクリックする。
3. VS Codeから設定を引き継ぎたい場合は「Import from VS Code」を選択し、そうでない場合は「Start fresh」を選択する。
4. 設定を続行する。
5. 「Log in to Windsurf」の画面で、「Sign up」をクリックしてアカウントを新規作成する。この登録情報を記録しておき、次回からは「Log in」でログインする。Googleアカウントを使用してWindsurfのアカウント登録も可能である。これでインストールと初期設定は完了である。
6. Getting Started（始めよう）の画面を確認する。

   

7. 動作確認のため、Ctrl + Lを同時押ししてCascadeを開き、「折れ線グラフを描くコードを出して」などと入力し、Enterキーを押す。

   

コードが出力される。

このとき、左下に「Do you want to install the recommended 'Python' extension...」というメッセージが表示される場合がある。「Install」をクリックし、インストール終了を待つ。

AIパネルには「コードを実行します」のように表示される。実行する場合は「Accept」をクリックする。

実行結果を確認する。

8. Windsurf の推奨モデル

クレジットを節約するため、以下のモデルの利用を推奨する。

1. DeepSeek-V3-0324（0クレジット・恒久的）
2. SWE-1（0クレジット・期間限定）
3. SWE-1-lite（0クレジット・軽量版）

9. DeepSeek-V3-0324 モデルの選択手順

DeepSeek-V3-0324モデルを選択する手順は以下のとおりである。

1. Cascadeパネル（Ctrl + Lを同時押し）を開く。
2. 入力欄上部のモデル選択ドロップダウンをクリックする。
3. 使用モデル（例：「DeepSeek-V3-0324」）を選択する。

10. Windsurf をエディタとして活用する

ここでは、Windsurfでファイル作成、コード編集、実行を行う基本的な手順を説明する。この手順を習得することで、Pythonプログラムの開発を開始できる。

1. Windsurf の起動

Windsurfをスタートメニューなどから起動する。起動直後にログインを求められた場合はログインする。通常は自動ログインされる。初回起動時には、サインイン（IDとパスワードの登録）が必要である。サインインの際は、Googleアカウントの利用を推奨する。

2. 新規ファイルの作成

1. 新規ファイルを作成する。メニューで「File」>「New File」を選択する。
2. ファイル名を設定する。例えばa.pyとする。このとき、拡張子を「.py」に設定する。これはPythonファイルとして認識させるためである。

   

3. ファイル作成を確定する。Enterキーを押し、「Create File」をクリックする。

3. プログラムの入力と実行

1. Windsurfのa.py画面で、以下のプログラムを入力する。

print(100 + 200)

このとき、左下に「Do you want to install the recommended 'Python' extension...」というメッセージが表示される場合がある。「Install」をクリックし、インストール終了を待つ。

2. プログラムを実行する。画面上部の三角形の実行ボタンをクリックする。実行ボタンがない場合は、Python extensionをインストールする。
3. 実行結果として「300」が表示されることを確認する。ターミナルがない場合には、「View」メニュー > 「Terminal」を選択する。

   

print()はPythonの関数であり、括弧内の値や計算結果を画面に表示する。この例では、100 + 200の計算結果である300が出力される。

11. Windsurf の AI 機能の活用

ここでは、Windsurfで本格的なプログラム（AIによる画像分類）を実行し、AIとの対話を行う。画像分類プログラムを通じて、深層学習の基本的な流れ（データ準備、モデル構築、学習、評価）を体験できる。

NVIDIA CUDA Toolkit 12.8のインストール

• 前提条件（NVIDIA CUDA Toolkit インストール前）: NVIDIA GPU，NVIDIA ドライバ，および Build Tools for Visual Studio もしくは Visual Studio が必要である．
• インストール中の注意: なるべく他のウインドウはすべて閉じておくこと．

以下のコマンドを管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

REM NVIDIA CUDA Toolkit 12.8 をシステム領域にインストール
winget install --scope machine --id Nvidia.CUDA --version 12.8 -e --silent --disable-interactivity --force --uninstall-previous --accept-source-agreements --accept-package-agreements --override "-s -n"

REM 環境変数TEMP, TMPの設定（一時ファイルの保存先を短いパスに変更）
mkdir C:\TEMP
set "TEMP_PATH=C:\TEMP"
setx TEMP "%TEMP_PATH%" /M >nul
setx TMP "%TEMP_PATH%" /M >nul

PyTorch のインストール

PyTorch がインストール済みの場合、この手順は不要である。管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

REM PyTorch をインストール
set "CUDA_TAG=cu126"
set "PYTHON_PATH=C:\Program Files\Python312"
"%PYTHON_PATH%\Scripts\pip" install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/%CUDA_TAG%

必要なライブラリのインストール

管理者権限で起動したコマンドプロンプト（手順：Windowsキーまたはスタートメニュー > cmdと入力 > 右クリック > 「管理者として実行」）で以下を実行する。

pip install torch torchvision matplotlib numpy pillow japanize-matplotlib

pipはPythonのパッケージ管理システムである。インターネット上のライブラリを自動的にダウンロードし、インストールする。

ライブラリとは、再利用可能なプログラムの集合体である。機械学習や画像処理などの複雑な処理を簡単に実装できる。

各ライブラリの役割は以下のとおりである。

• PyTorch (torch)：Facebookが開発した機械学習フレームワーク（プログラム開発を効率化するための基盤ソフトウェア）である。深層学習の実装に使用される。
• torchvision：PyTorchの画像処理用ライブラリである。画像データの前処理やデータセットの読み込みに使用される。
• Matplotlib：グラフや図表を作成するライブラリである。データの可視化に使用される。
• NumPy：数値計算ライブラリである。多次元配列の操作や数学関数を提供する。
• Pillow：画像処理ライブラリである。画像の読み込み、編集、保存が可能である。
• japanize-matplotlib：Matplotlibで日本語を正しく表示するためのライブラリである。

画像分類プログラムの実装

# CIFAR-10画像分類プログラム
#   CNNによる10クラス画像分類と学習過程の可視化
#   論文: "Deep Residual Learning for Image Recognition" (CVPR 2016)
#   GitHub: https://github.com/pytorch/vision/tree/main/torchvision/models
#   特徴: 畳み込みニューラルネットワーク（CNN）は画像の局所的特徴を効率的に抽出
#         CIFAR-10データセットで約70-80%の精度、並列処理により高速学習
#   前準備: pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
#           pip install matplotlib numpy japanize-matplotlib
#           (管理者権限のコマンドプロンプトで実行)

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import japanize_matplotlib

# 定数定義
BATCH_SIZE = 32
EPOCHS = 5
LEARNING_RATE = 0.001
RANDOM_SEED = 42

# 再現性確保のためのシード設定
torch.manual_seed(RANDOM_SEED)
np.random.seed(RANDOM_SEED)

# データセットのクラス名
CLASSES = ['飛行機', '自動車', '鳥', '猫', '鹿', '犬', 'カエル', '馬', '船', 'トラック']

# デバイス設定
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'使用デバイス: {device}')
if torch.cuda.is_available():
    print('GPUを使用して学習を実行します')
else:
    print('CPUを使用して学習を実行します')

# データの前処理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# CIFAR-10データセットの読み込み
print("データセットを読み込み中...")
trainset = torchvision.datasets.CIFAR10(
    root='./data', train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
    trainset, batch_size=BATCH_SIZE, shuffle=True
)

testset = torchvision.datasets.CIFAR10(
    root='./data', train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
    testset, batch_size=BATCH_SIZE, shuffle=False
)

# CNNモデルの定義
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, 3, padding=1)
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.conv3 = nn.Conv2d(64, 64, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 8 * 8, 64)
        self.fc2 = nn.Linear(64, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = self.pool(self.relu(self.conv2(x)))
        x = self.relu(self.conv3(x))
        x = x.view(-1, 64 * 8 * 8)
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = CNN().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=LEARNING_RATE)

# メイン処理
print("学習を開始します...")
train_losses = []
val_losses = []
model.train()

for epoch in range(EPOCHS):
    # 訓練フェーズ
    model.train()
    running_train_loss = 0.0
    for inputs, labels in trainloader:
        inputs, labels = inputs.to(device), labels.to(device)

        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_train_loss += loss.item()

    # 検証フェーズ
    model.eval()
    running_val_loss = 0.0
    with torch.no_grad():
        for inputs, labels in testloader:
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            running_val_loss += loss.item()

    epoch_train_loss = running_train_loss / len(trainloader)
    epoch_val_loss = running_val_loss / len(testloader)
    train_losses.append(epoch_train_loss)
    val_losses.append(epoch_val_loss)
    print(f'エポック {epoch+1}/{EPOCHS}: 訓練損失 = {epoch_train_loss:.4f}, 検証損失 = {epoch_val_loss:.4f}')

print("評価を実行中...")
model.eval()
correct = 0
total = 0
test_images = []
test_labels = []
predictions = []

with torch.no_grad():
    for images, labels in testloader:
        images, labels = images.to(device), labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

        if len(test_images) < 5:
            for j in range(min(5 - len(test_images), images.size(0))):
                test_images.append(images[j].cpu())
                test_labels.append(labels[j].cpu())
                predictions.append(predicted[j].cpu())

accuracy = 100 * correct / total

# 結果出力
plt.figure(figsize=(15, 3))
for i in range(5):
    plt.subplot(1, 5, i+1)
    img = test_images[i].permute(1, 2, 0)
    img = img * 0.5 + 0.5
    plt.imshow(img)
    plt.title(f'予測: {CLASSES[predictions[i]]}\n実際: {CLASSES[test_labels[i]]}')
    plt.axis('off')
plt.tight_layout()
plt.show()

plt.figure(figsize=(8, 4))
plt.plot(range(1, EPOCHS + 1), train_losses, 'b-', label='訓練損失')
plt.plot(range(1, EPOCHS + 1), val_losses, 'r-', label='検証損失')
plt.title('学習過程')
plt.xlabel('エポック')
plt.ylabel('損失')
plt.legend()
plt.grid(True)
plt.show()

print(f"テスト精度: {accuracy:.2f}%")

プログラムの主要概念について説明する。

• CIFAR-10データセット：10種類の物体（飛行機、自動車、鳥、猫、鹿、犬、カエル、馬、船、トラック）が写った32×32ピクセルのカラー画像60,000枚で構成される標準的な画像認識用データセットである。
• データの前処理：機械学習において、元のデータをモデルが学習しやすい形に変換する処理である。ここでは画像の画素値を-1から1の範囲に正規化（データの値を一定の範囲に変換する処理）している。
• CNN（畳み込みニューラルネットワーク）：画像認識に特化したディープラーニングモデルである。畳み込み層(Conv2d)で画像の特徴を抽出し、プーリング層(MaxPool2d)で情報を集約する。
• エポック（epochs）：全訓練データを1回学習することを1エポックと呼ぶ。ここでは5エポック、つまり全データを5回繰り返し学習する。
• バッチサイズ（batch_size）：一度に処理するデータの個数である。32個ずつまとめて処理することで、学習の効率と安定性を向上させる。
• デバイス設定：PyTorchでは計算をCPUまたはGPUで実行できる。GPUが利用可能な場合は自動的にGPUを使用し、学習を高速化する。
• 損失関数と最適化手法：CrossEntropyLoss（交差エントロピー損失）で予測と正解の差を計算し、Adam最適化手法でモデルのパラメータを更新する。

プログラムの実行と結果確認

1. プログラムを実行する。実行ボタンを押してプログラムを開始する。
2. 実行完了まで数分待機する。機械学習の処理には時間を要する。

深層学習モデルの訓練は計算量が多いため、通常のプログラムより長い時間を要する。コンピュータの性能により数分程度かかる場合がある。

実行結果の確認手順は以下のとおりである。

1. 最初にAIによる画像分類結果が表示される。5枚のテスト画像に対する予測結果と正解の比較が表示される。

   

2. 画面を切り替える。確認後、右上の「x」ボタンをクリックして次へ進む。
3. 学習曲線（損失の変化）が表示される。モデルの学習過程を可視化したグラフが表示される。

   

4. プログラム実行を終了する。確認後、右上の「x」ボタンをクリックする。

学習曲線の見方について、左のグラフは精度（正解率）の変化を、右のグラフは損失（誤差）の変化を示す。理想的には精度が上昇し、損失が減少する傾向を示す。

AI 対話機能の活用

AI対話機能は、Windsurfに搭載された人工知能アシスタント機能である。プログラムに関する質問、コードの説明、改善提案などを自然言語で対話できる。

1. AI対話パネルの起動。Ctrl + Lキーを同時押しする。
2. 右側にAI対話用パネルが開く。

AI対話パネルが「Loading...」と表示されて使用できない場合は、Windsurfを再起動（一度終了し、再起動）することで解決する場合がある。これはAIサービスへの接続に時間がかかる場合に発生する。

AI との対話例

AIへの質問として、右側の対話画面で以下の質問を試すことができる。

• 「このプログラムの機能は」（Enterキー）

  

• 「このプログラムの使い方を具体的に教えて」（Enterキー）

  

• 「このプログラムを使って何が研究できるの。研究中間発表（研究目標、研究課題、取り組み、期待される成果、独自の工夫予定）のサンプルを簡潔に教えて。そのとき、社会課題の解決を考えて。」（Enterキー）

  

AIとの効果的な対話のために、以下の点に留意する。

• 具体的で明確な質問をする。
• 専門用語が分からない場合は「初心者向けに説明して」と付け加える。
• 複数の質問がある場合は、一つずつ順番に聞く。
• AIの回答に対してさらに詳しく聞きたい場合は「もっと詳しく教えて」と追加質問する。

12. Windsurf の重要機能一覧

AI機能

• AIコード生成機能：Ctrl + Iキー、またはAIパネルで「○○○のコードを生成して」と依頼する。複雑なコードの自動生成、学習時間の短縮、コーディングパターンの習得が可能である。
• AIコード解説機能：コードを選択して右クリック > 「Explain」、またはAIパネルで質問する。理解困難なコードの詳細解説、学習効果の向上が可能である。
• AIバグ修正支援機能：エラー箇所を選択してAIパネルで「このエラーを修正して」と依頼する。デバッグ時間の短縮、エラー原因の理解促進が可能である。

開発支援機能

• インテリセンス（自動補完）機能：コード入力中に自動的に候補が表示され、Tabキーで選択する。タイプミス防止、開発効率の向上、関数名や変数名の正確な入力が可能である。
• 統合ターミナル機能：「View」メニュー > 「Terminal」、またはCtrl + `キーで起動する。エディタを離れることなくコマンド実行、ライブラリインストールが可能である。
• ファイルエクスプローラー機能：左側のサイドバーで自動表示され、フォルダやファイルをクリックで選択する。複数ファイルの効率的な管理、プロジェクト全体の把握が可能である。
• デバッガー機能：ブレークポイント設定でライン番号をクリックし、F5キーでデバッグ開始する。実行時の変数値確認、ステップ実行による詳細な動作解析が可能である。
• 問題検出機能：Problemsパネルで自動表示される警告やエラーを確認する。コンパイル前のエラー検出、コード品質の向上が可能である。