こんにちは、AI_LABの緒方です。
今回は、Opentfofuを用いてさくらのクラウド上にリソースを作成するプロトタイプを構築しました。
以前のプロジェクト「Azure Open AI x OpenTofu で IaCインフラ構築自動化をしてみた」では、 AWS上にEC2インスタンスを作成する前提でプロジェクトを進めましたが、
本プロジェクトではさくらのクラウドのリソースを作るように変更した形です。
また、コスト削減の観点から、自動化に用いるツールはAzure OpenAIではなく、さくらのAI Engineを用いました。 この部分については、API呼び出し部分のコードを変更することで対応しました。
目次
プロジェクトの目的
OpenTofuを用いて、さくらのクラウド上にリソースを作成できるか検証する。
開発環境
- Python
- OpenTofu(Terraform)
- さくらのクラウド
- さくらのAI Engine
実装手順
ディレクトリ構造
project_root/ ├── requirements/ │ ├── test.json (要件定義書のサンプルデータ) ├── terraform/ │ ├── main.tf (OSの種類やディスクサイズを設定) │ ├── security.tf │ ├── terraform.tfvars (要件定義書にあわせAIが書き換えるtfvarsファイル) │ └── template.tfvars (tfvarsファイルのテンプレート) ├── main.py (AI呼び出しスクリプト)
さくらのクラウド Sandbox上へのリソース作成
さくらのクラウド上に実際にリソースを作成すると、当然ながら料金がかかります。
AWSの場合はLocalStackというローカルエミュレータがあり、実際にサーバーを立てることなく検証を行えましたが、さくらのクラウドには同様のツールが存在しません。
一方で、さくらのクラウドではSandboxが提供されており、機能的な制限はあるものの、ここに作るリソースに対しては課金が行われないため、安心して検証を行うことができます。 「さくらのクラウドでTerraformを使ってみる」を参考に作成しました。
各ファイルは以下の通りです。
main.tf
OSの種類など、案件ごとに異なる部分については、環境変数としてtfvarsファイルで指定したものを参照する形にしました。
zone = “tk1v”となっている部分が重要で、ここではSandbox上にリソースを作成するように指示しています。 たとえばzone = “tk1a”とすると、東京第1ゾーンにリソースが作成され、料金が発生します。
network_interface では、security.tf で定義しているセキュリティルールを適用するようにしています。
terraform {
required_providers {
sakuracloud = {
source = "sacloud/sakuracloud"
version = "2.16.2"
}
}
}
provider "sakuracloud" {
zone = "tk1v"
}
variable "password" { default = "himitsunoString" }
# ★ 追加:OS の種類(文字列)を変数化
variable "os_type" {
type = string
}
# ★ 追加:ディスクサイズを変数化
variable "disk_size" {
type = number
}
# ★ 追加:main.py で計算して渡す archive ID 変数
variable "archive_id" {
type = string
}
resource "sakuracloud_disk" "example_disk" {
name = "example1_disk"
# ★ test.tfvars の size を反映
size = var.disk_size
plan = "ssd"
connector = "virtio"
# OS → archive_id の変換結果
source_archive_id = var.archive_id
}
resource "sakuracloud_switch" "example1_sw" {
name = "exp_sw"
}
resource "sakuracloud_server" "example1_srv" {
name = "example1_srv"
disks = [sakuracloud_disk.example_disk.id]
core = 1
memory = 1
description = "Sandbox test server with selected OS"
network_interface {
upstream = sakuracloud_switch.example1_sw.id
packet_filter_id = sakuracloud_packet_filter.example_pf.id
}
disk_edit_parameter {
hostname = "example"
password = var.password
disable_pw_auth = true
}
tags = ["sandbox_test"]
}
security.tf
とりあえず一般的なセキュリティルールを定めました。
resource "sakuracloud_packet_filter" "example_pf" {
name = "example_packet_filter"
description = "Sandbox test packet filter"
# SSH(特定IPのみ許可)
expression {
protocol = "tcp"
destination_port = "22"
source_network = "118.243.235.67"
allow = true
}
expression {
protocol = "tcp"
destination_port = "22"
source_network = "123.226.227.109"
allow = true
}
# HTTP(全IPから許可)
expression {
protocol = "tcp"
destination_port = "80"
source_network = "0.0.0.0/0"
allow = true
}
# HTTPS(全IPから許可)
expression {
protocol = "tcp"
destination_port = "443"
source_network = "0.0.0.0/0"
allow = true
}
# HTTP Alternative(ポート8080)
expression {
protocol = "tcp"
destination_port = "8080"
source_network = "118.243.235.67"
allow = true
}
expression {
protocol = "tcp"
destination_port = "8080"
source_network = "123.226.227.109"
allow = true
}
# 全アウトバウンド許可
expression {
protocol = "ip"
allow = true
}
}
template.tfvars
AIにterraform.tfvarsを書かせる上で、適切な形式で書けるようにテンプレートを用意しました。
ちなみに、archive_idの数値はAlmaLinux 9.6のものであり、CentOSのものではありません(このファイルの設定は反映されないので、修正していません)。
os_type = "CentOS" disk_size = 100 archive_id = "113701786893"
terraform.tfvars
内容はAIが書いてくれるので、ファイルの作成だけしておきます。
main.py
- 要件定義書を読み込み、terraform.tfvarsを生成するスクリプトです。
- 8~10行目の.envのパスは適切に修正してください。 .envには SAKURA_AI_TOKEN= のみ定義しておけば良いです。
・候補となるOSについては、102行目以降の辞書にアーカイブIDを登録しておきます。 アーカイブIDは、「アーカイブを追加」から確認可能です。

import json
import requests
import os
import re
from dotenv import load_dotenv
# workspace/.env をロード
from pathlib import Path
env_path = Path(__file__).resolve().parents[1] / ".env"
load_dotenv(dotenv_path=env_path)
# ============================================================
# AI に要件定義書 + tfvarsテンプレートを渡し、新しい.tfvars内容を生成
# ============================================================
def generate_tfvars(requirements_text: str, template_text: str) -> str:
"""
requirements_text: requirements/test.json の内容(文字列)
template_text: terraform/template_tfvars の内容(文字列)
return: AI が生成した terraform.tfvars の文字列
"""
url = "https://api.ai.sakura.ad.jp/v1/chat/completions"
headers = {
"Accept": "application/json",
"Authorization": f"Bearer {os.getenv('SAKURA_AI_TOKEN')}", # Token を環境変数で管理推奨
"Content-Type": "application/json",
}
# AI に渡すプロンプト
prompt = f"""
あなたはTerraform tfvars生成の専門家です。
以下は要件定義書です:
{requirements_text}
以下は tfvars のテンプレートです:
{template_text}
上記の情報にもとづき、Terraform の tfvars を生成してください。
注意点:
- archive_id は、適切な archive_id を推定して埋める必要はありません。(main.py 側で処理するため)
- 出力は tfvars ファイルとしてそのまま保存できる形式にしてください。
"""
payload = {
"model": "gpt-oss-120b",
"messages": [
{"role": "system", "content": "あなたは専門的なTerraformエンジニアです。出力はすべて日本語ではなく、純粋なtfvars形式で返してください。"},
{"role": "user", "content": prompt},
],
"temperature": 0,
"max_tokens": 800,
"stream": False,
}
response = requests.post(url, headers=headers, json=payload)
response.raise_for_status()
data = response.json()
# 生成されたtfvarsを取り出す
return data["choices"][0]["message"]["content"]
# ============================================================
# Requirements(test.json)を読み込む
# ============================================================
def load_requirements() -> str:
req_path = Path("./requirements/test.json")
if not req_path.exists():
raise FileNotFoundError(f"要件定義書が見つかりません: {req_path}")
return req_path.read_text(encoding="utf-8")
# ============================================================
# tfvars テンプレートを読み込む
# ============================================================
def load_tfvars_template() -> str:
template_path = Path("./terraform/template.tfvars")
if not template_path.exists():
raise FileNotFoundError(f"tfvarsテンプレートが見つかりません: {template_path}")
return template_path.read_text(encoding="utf-8")
# ============================================================
# tfvars を書き込む
# ============================================================
def save_tfvars(content: str):
output_path = Path("./terraform/terraform.tfvars")
output_path.write_text(content, encoding="utf-8")
print(f"terraform.tfvars を生成しました: {output_path}")
# ============================================================
# terraform.tfvarsについて、os_typeに合わせてarchive_idに適切な値を入れる
# ============================================================
#”AlmaLinux9.6以外のOSについては、同様にアーカイブIDを辞書登録します。”
os_type_to_archive_id = {
"AlmaLinux9.6": "113701786893",
"XXX": "000011112222",
"YYY": "333344445555",
}
def inject_archive_id(tfvars_path: Path):
"""
tfvars_path: terraform.tfvars の Path オブジェクト
os_type_to_archive_id: グローバル辞書参照
"""
content = tfvars_path.read_text(encoding="utf-8")
# os_type の値を正規表現で取得
match = re.search(r'os_type\s*=\s*"([^"]+)"', content)
if not match:
print("os_type が見つかりませんでした。archive_id は更新されません。")
return
os_type = match.group(1)
archive_id = os_type_to_archive_id.get(os_type)
if not archive_id:
print(f"os_type '{os_type}' に対応する archive_id が未定義です。")
return
# archive_id 行を書き換え、もし存在しなければ追加
if "archive_id" in content:
content = re.sub(r'archive_id\s*=\s*"[^"]+"', f'archive_id = "{archive_id}"', content)
else:
content += f'\narchive_id = "{archive_id}"\n'
# 書き戻す
tfvars_path.write_text(content, encoding="utf-8")
print(f"archive_id を設定しました: {archive_id}")
# ============================================================
# メイン処理
# ============================================================
def main():
print("=== Sakura Terraform tfvars 生成ツール ===")
# ① 要件定義を読み込む
requirements_text = load_requirements()
# ② テンプレートを読み込む
template_text = load_tfvars_template()
# ③ AI による新しい tfvars 生成
try:
new_tfvars_text = generate_tfvars(requirements_text, template_text)
except Exception as e:
print(f"AI生成中にエラーが発生しました: {e}")
return
if not new_tfvars_text:
print("AI生成結果が空のため、test.tfvars を更新しませんでした。")
return
# ④ 出力ファイルへ書き込み
save_tfvars(new_tfvars_text)
# ⑤ archive_id を埋め込む
inject_archive_id(Path("./terraform/terraform.tfvars"))
if __name__ == "__main__":
main()
実行方法
さくらのAIによる要件抽出と tfvars 生成
.envの以下の部分を埋めます。
# --- さくらのAI --- SAKURA_AI_TOKEN=
続いて、sakuraディレクトリでPythonスクリプトを実行します。
root@105c3b4560a9:/workspace/sakura# python3 main.py
workspace/sakura/terraform/terraform.tfvarsが更新されます。
OpenTofuの実行
生成された terraform.tfvars をもとに、OpenTofu で環境を構築します:
root@105c3b4560a9:/workspace/sakura# cd terraform root@105c3b4560a9:/workspace/sakura/terraform# export SAKURACLOUD_ACCESS_TOKEN="<アクセストークン>" root@105c3b4560a9:/workspace/sakura/terraform# export SAKURACLOUD_ACCESS_TOKEN_SECRET="<アクセストークンシークレット>" root@105c3b4560a9:/workspace/sakura/terraform# tofu init root@105c3b4560a9:/workspace/sakura/terraform# tofu plan root@105c3b4560a9:/workspace/sakura/terraform# tofu apply
まとめ
今回のプロジェクトでは、OpenTofuを使ってさくらのクラウド Sandbox上にリソースを作成できることを確認しました。
とりあえずの試作段階であり、まだまだ改良の余地があるものの、 AIによる要件定義書からの自動取得技術と組み合わせることで、さくらのクラウドについてもサーバー構築の自動化ができるようになりそうです。



