始める前に必要なもの
GLM-5.2はモデルであり、完全なコーディングエージェントではありません。周辺のツールがファイルの読み取り、編集、コマンド実行、状態の保持、停止タイミングの判断を行う必要があります。
接続する前に、次のものを準備してください。
- コーディングエージェントのインターフェース。 Claude Code、Cline、OpenCode、または独自のツールループがこの役割を担えます。
- APIアクセスまたはローカル推論。 ホステッドアクセスはモデルを評価する最も速い方法です。ローカル推論はより大きな制御性を得られますが、はるかに多くのハードウェアと運用作業が必要です。
- 自己検証できるリポジトリ。 エージェントにコード変更を依頼する前に、正確なビルド、lint、型チェック、テストコマンドを把握しておく必要があります。
- 分離された作業ブランチ。 汚れた本番ブランチで、長時間の自律タスクを開始しないでください。
- 明確な境界。 エージェントによる依存関係のインストール、ネットワークアクセス、スキーマ変更、マイグレーション実行、コミット作成の可否を決めます。
最後の2つは、形だけの安全対策ではありません。シェルアクセスを持つコーディングエージェントは、技術的には正しいものの、リリースプロセスにとって完全に不適切な変更を行う可能性があります。
GLM-5.2の実行方法を選ぶ
妥当な方法は3つあります。最適な方法は、モデル品質よりも既存のツールやデータルールに左右されます。
| 方法 |
最適な用途 |
主な利点 |
主なトレードオフ |
| Z.aiのClaude Code |
すでにClaude Codeを使っている開発者 |
直接的なAnthropic互換セットアップ |
別のZ.aiキーとプランが必要 |
| GPT Proto API |
OpenAI互換エージェントとカスタムアプリ |
200以上のモデルに1つのキーで従量課金アクセス |
エージェントインターフェースまたはツールループは別途必要 |
| ローカルデプロイ |
非公開コード、カスタム配信、継続的なワークロード |
ウェイトとインフラを完全に制御 |
大容量ストレージ、メモリ、GPU、配信要件 |
初回評価にはホステッドアクセスを使ってください。推論用ハードウェアを購入または確保する前に、GLM-5.2が自分のリポジトリに適しているかを確認できます。複数のテキスト、画像、動画モデルをすでに1つのアプリケーション経由で利用している場合は、GPT Protoモデルコレクションを使って、別の分離された統合を作成せずにGLM-5.2を試すこともできます。
Claude CodeでGLM-5.2を使う方法
Z.aiは、Claude CodeやGooseなどのツール向けにAnthropic互換エンドポイントを提供しています。現在のドキュメントでは次を使用します。
https://api.z.ai/api/anthropic
Node.js 18以降、Claude Code、Z.ai APIキー、GLM-5.2を含む有効なプランが必要です。公式のインストールコマンドは次のとおりです。
npm install -g @anthropic-ai/claude-code
macOS、Linux、WSLでは~/.claude/settings.jsonを開きます。ネイティブWindowsでは%USERPROFILE%\.claude\settings.jsonを使用します。ファイル内の関係ない既存フィールドを削除せず、次の環境設定を追加してください。
{
"env": {
"ANTHROPIC_AUTH_TOKEN": "your_zai_api_key",
"ANTHROPIC_BASE_URL": "https://api.z.ai/api/anthropic",
"ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.5-air",
"ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2[1m]",
"ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2[1m]",
"CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
"CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
"API_TIMEOUT_MS": "3000000"
}
}
この[1m]サフィックスにより、Claude Codeで1Mコンテキスト版が有効になります。モデル名が認識されない場合、Z.aiは新しいバージョンのClaude Codeを使用することも推奨しています。上記の設定は、現在のZ.ai Claude CodeガイドおよびGLM-5.2モデル切り替えガイドに基づいています。
アクセスさせたいリポジトリからClaude Codeを起動します。
cd path/to/your-project
claude
次に、次を実行します。
/status
設定ソースが編集したファイルであり、選択されたモデルがglm-5.2またはglm-5.2[1m]であることを確認します。別のモデルが表示される場合は、すべてのClaude Codeセッションを終了し、新しいターミナルを開いてJSONを検証し、そのインストールで使用されているファイルパスを確認してください。
HighまたはMaxの努力レベルを意識して選ぶ
GLM-5.2にはHighとMaxの推論レベルがあります。Claude Codeでは、Z.aiはlow、medium、highをGLM-5.2 Highに、xhigh、max、ultraをMaxモードに割り当てます。設定は/effortで変更できます。
コードの説明、小規模なバグ調査、テスト生成、範囲の明確な編集にはHighから始めます。エージェントが複数のサブシステムにまたがって障害を追跡したり、大規模なマイグレーションを計画したり、複数の原因が競合する曖昧な障害に取り組んだりする場合はMaxを使います。Maxは計画を改善できますが、通常はより多くの推論トークンを生成し、回答も遅くなります。永続的なデフォルトではなく、タスク単位で決めるべきです。
GPT ProtoでGLM-5.2 APIを呼び出す方法
Claude Codeは1つのインターフェースにすぎません。コーディングエージェントがOpenAI互換プロバイダーに対応している場合は、GPT Protoを指定し、モデル文字列glm-5.2を使用します。
最新のOpenAI Pythonクライアントをインストールします。
python -m pip install openai
キーはソースコードに貼り付けず、環境変数として保存します。
export GPTPROTO_API_KEY="your_gptproto_api_key"
有効なキーを追加すれば、次のリクエストをそのまま実行できます。
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["GPTPROTO_API_KEY"],
base_url="https://gptproto.com/v1",
)
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{
"role": "system",
"content": (
"You are a repository-level coding assistant. Inspect before "
"proposing changes. Preserve existing API contracts, do not add "
"dependencies without approval, and list the verification "
"commands required for every proposed edit."
),
},
{
"role": "user",
"content": (
"An API client occasionally sends two refresh-token requests "
"after several requests fail with 401. Identify the likely race "
"condition, describe the files you would inspect, and return a "
"minimal repair plan before writing code."
),
},
],
)
print(response.choices[0].message.content)
同等のcURLリクエストは次のとおりです。
curl https://gptproto.com/v1/chat/completions \
-H "Authorization: Bearer $GPTPROTO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.2",
"messages": [
{
"role": "system",
"content": "Inspect before editing. Preserve API contracts and report the tests required for every proposed change."
},
{
"role": "user",
"content": "Plan a safe fix for duplicate refresh-token requests after concurrent 401 responses."
}
]
}'
これは実際のAPI呼び出しですが、まだ自律型コーディングエージェントではありません。自律型にするには、アプリケーションでファイルの読み取り、リポジトリの検索、パッチの適用、テストの実行などの制御されたツールを公開する必要があります。その後、タスクが定義された停止条件に達するまで、ツールの結果をモデルに返します。
この違いはチュートリアルでは曖昧になりがちです。チャット補完はパッチを提案できます。エージェントとは、どのファイルを調査するかを決め、変更を実行し、結果を確認し、再試行するシステムです。
GPT Protoでは現在、GLM-5.2を入力トークン100万あたり1.26ドル、出力トークン100万あたり3.96ドルで掲載しています。現在の料金とモデルの詳細はGLM-5.2 APIページで確認でき、アカウント全体の請求情報はGPT Protoモデルページで確認できます。
チャットプロンプトではなくリポジトリレベルのタスクを使う
「認証バグを直して」では、エージェントに目標は伝わりますが、境界、検証方法、完了の定義がありません。より良い依頼では、エンジニアリング上の契約を明確にします。
次のテンプレートを使います。
Goal
Fix the duplicate refresh-token request that occurs when several API calls
receive 401 responses at the same time.
Relevant context
- The frontend is TypeScript.
- Authentication state is managed in src/auth/.
- HTTP requests pass through src/api/client.ts.
- Existing public API contracts must not change.
Constraints
- Do not add dependencies.
- Do not change backend endpoints or token formats.
- Do not create a commit.
- Ask before modifying files outside src/auth/ and src/api/.
Required process
1. Read the relevant files and map the current refresh flow.
2. State the most likely cause and any assumptions.
3. Propose the smallest safe change before editing.
4. Implement only after the plan is clear.
5. Run npm run typecheck, npm run lint, and the authentication tests.
Definition of done
- Concurrent 401 responses share one refresh request.
- Queued requests retry once after refresh succeeds.
- Failed refresh clears authentication state without an infinite retry loop.
- Existing tests pass and a regression test covers the concurrent case.
Stop conditions
- Stop and ask if the fix requires a new package, backend change, migration,
secret, or destructive command.
Final report
List changed files, explain the behavior change, show verification results,
and identify any remaining risk.
プロンプトは「バグを直して」より長くなりますが、通常はエージェントの無駄なターンを減らせます。モデルに触れてはいけないものを伝え、検証の省略を明確にできます。
試す価値のあるGLM-5.2コーディングエージェントの3つの例
小さなコード生成テストだけでは、エージェントモデルについてほとんど分かりません。GLM-5.2は長期的な作業を重視しているため、ナビゲーション、計画、ツール、検証を含むタスクで評価しましょう。Z.aiは1Mのコンテキストウィンドウと、SWE-bench ProおよびTerminal-Bench 2.1でGLM-5.1を大きく上回る改善を報告していますが、ベンチマーク結果が自分のリポジトリでの成功を保証するわけではありません。一般的なスコアよりも、自分のタスク完了率のほうが重要です。報告された評価環境については、公式のGLM-5.2モデルドキュメントを参照してください。
1. 複数ファイルにまたがるバグを追跡・修正する
エージェントにエラーレポート、関連ログ、テストコマンド、リポジトリを調査する権限を与えます。編集前に呼び出し経路を整理するよう依頼します。これにより、最初に疑わしい関数へパッチを当てるのではなく、ミドルウェア、サービス、状態管理をまたいで仮説を維持できるかをテストします。
回帰テストを必須にします。回帰テストがなければ、もっともらしいパッチが完成したように見えても、競合状態が残る可能性があります。
2. 動作を変えずに依存関係をアップグレードする
直接利用と推移的利用を一覧化し、提供したマイグレーションノートを読み、可能な限り小さな範囲を更新し、関連するテストスイート全体を実行するようエージェントに依頼します。広範な型アサーションで型エラーを隠したり、lintルールを無効にしたりしないよう伝えます。
これは制約遵守をテストします。課題はバージョン文字列を変更することではなく、コードの下でインターフェースが変化しても動作を維持することです。
3. 実装前に不慣れなリポジトリを監査する
機能要件を提示し、リポジトリマップ、想定される統合ポイント、影響を受けるテスト、未解決の疑問を求めます。最初の段階では編集を許可しないでください。
これは低リスクで有効な評価です。書き込みアクセスを与える前に、モデルがアーキテクチャを理解しているか判断できます。マップが間違っている場合は、複数回の失敗した実装ループに費用をかけるのではなく、コンテキストを修正してください。
すべてを読み取る費用をかけずに1Mコンテキストを使う方法
1Mトークンのウィンドウは上限であり、目標ではありません。最も高くつく間違いは、ファイルを増やせば自動的に回答が良くなると考えることです。
リポジトリマップから始めます。トップレベルのディレクトリツリー、パッケージマニフェスト、ビルドとテストのコマンド、アーキテクチャメモ、障害の挙動に最も近いファイルを含めます。エージェントの仮説が発展するにつれて、追加ファイルを要求させます。
明らかなノイズは除外します。
- 生成されたビルド出力
- 依存関係およびベンダーディレクトリ
- ミニファイ済みアセット
- タスクと関係のない大きなスナップショット
- 障害と関係のない過去のログ
- シークレットとローカル環境ファイル
長いタスクでは、現在の目標、変更ファイル、決定事項、テスト結果、未解決のリスクを含む短いチェックポイントを維持するようエージェントに依頼します。チェックポイントは、過去のやり取りを毎回すべて再生するより安価で、確認もしやすくなります。
APIの請求では通常、固有のテキストだけでなく、各リクエストで処理されたトークンがカウントされます。エージェントが同じ30万トークンのリポジトリコンテキストを10ターンにわたって繰り返し送信すると、プロバイダーのキャッシュやリクエスト動作によって異なりますが、新しいメッセージを考慮する前に、請求対象の入力が約300万トークンに達する可能性があります。大きなウィンドウは容量の問題を解決しますが、コンテキスト管理の必要性をなくすわけではありません。
GLM-5.2のコーディングエージェントの費用は？
GPT Protoの現在の掲載料金では、基本計算は次のとおりです。
cost = input_tokens / 1,000,000 × $1.26
+ output_tokens / 1,000,000 × $3.96
以下に3つの例を示します。
| 1タスクの累積使用量 |
入力コスト |
出力コスト |
合計 |
50K入力 + 5K出力|
| $0.0630
| $0.0198
| $0.0828
|
| 300K入力 + 30K出力 |
$0.3780 |
$0.1188 |
$0.4968 |
| 1M入力 + 100K出力 |
$1.2600 |
$0.3960 |
$1.6560 |
これらはトークンコストの例であり、タスクごとの料金を保証するものではありません。コーディングエージェントは、ファイルの読み取り、計画、変更の適用、テスト失敗の解釈、再試行のために多数のモデル呼び出しを行う可能性があります。重要なのは、実行全体で請求された入力と出力の累積量です。
次の3つの制御により、コストを把握しやすくなります。
- エージェントのターン数に上限を設定する
- タスクが新しいディレクトリや別の問題に広がる前に承認を求める
- 暦月単位だけでなく、タスク単位でトークンとコストを記録する
3つ目の制御は、モデルを公平に比較するのに役立ちます。トークン単価が安くても、再試行が2倍必要なら、より高価な修正になる可能性があります。
GLM-5.2はローカルで実行できる？
はい。ただし、「ローカル」の意味を明確にする必要があります。
GLM-5.2はMITライセンスでリリースされており、公式Hugging Faceモデルカードには、vLLM、SGLang、Transformers、KTransformers、Unsloth、Ascend NPU、量子化ランタイム向けのデプロイ方法が記載されています。そのため、技術的にはセルフホスティングが可能です。
ただし、フルモデルは総パラメータ数が約753Bで、各トークンでアクティブになるのは約40Bです。アクティブなパラメータ数は推論計算量を減らせますが、すべてのエキスパートウェイトを保存し、利用可能にする必要があります。ウェイトのみの概算では、753Bパラメータには、実行時オーバーヘッド、KVキャッシュ、長いコンテキストのメモリ、配信余力を含める前に、16ビット精度で約1.5TB、4ビット精度で約376GBが必要です。正確な要件は、量子化方式、フレームワーク、ハードウェア構成、コンテキスト長によって異なります。
そのため、GLM-5.2が「ローカルで動く」という主張は正しくても、ノートPCユーザーには関係ない場合があります。強く量子化されたコミュニティビルドは導入のハードルを下げる可能性がありますが、速度、出力品質、対応コンテキスト、またはそのすべてを変えることにもなります。
次の場合はローカルデプロイを選びます。
- ソースコードを管理下のインフラの外に出せない
- ウェイトを変更またはファインチューニングする必要がある
- 継続的な利用によって自社インフラが経済的になる
- チームがマルチGPU推論を運用・監視できる
次の場合はホステッドAPIを選びます。
- まだモデルの適合性を評価中である
- 利用が断続的、または予測しにくい
- インフラの制御よりも、すぐ使えるアクセスが必要
- チームが推論運用を自ら担当したくない
GLM-5.2が適している領域と、人によるレビューが必要な領域
GLM-5.2は、リポジトリ分析、複数ファイルの実装、テスト修正、パフォーマンス調査、依存関係作業、ツール駆動型の技術調査に適した有力な選択肢です。タスクが本当に多くの関連ファイルにまたがる場合、その大きなコンテキストが特に役立ちます。
長いコンテキストを、行動する権限と混同しないでください。次の作業には人による承認を残します。
- 本番データベースのマイグレーション
- 認証および認可の変更
- 暗号化、鍵管理、セキュリティ制御
- 破壊的なシェルコマンド
- 依存関係のライセンスに関する判断
- 自動コミット、マージ、デプロイ
- バージョン管理やバックアップから元に戻せない変更
こうしたタスクでは、エージェントが調査、計画の作成、パッチの準備、安全なチェックの実行を行えます。ただし、境界を変える操作は人が承認すべきです。
実践的なGLM-5.2コーディングエージェントチェックリスト
実行前：
- 分離されたブランチまたはワークツリーを作成する
- 選択したモデルとエンドポイントを確認する
- アクセス可能なコンテキストからシークレットを削除する
- 許可するディレクトリとツールを定義する
- 正確なビルドおよびテストコマンドを提供する
- 新しい依存関係を許可するか明示する
- ターン数、時間、コストの上限を設定する
結果を受け入れる前：
- エージェントの要約だけでなく、差分を読む
- 要求した場合に限り、公開APIとスキーマが変更されていることを確認する
- リスクが意味を持つ場合は、独立してテストを実行する
- 無効化されたルール、握りつぶされたエラー、広範な型キャスト、スキップされたテストを確認する
- 未解決のリスクとフォローアップ作業を記録する
この設定により、GLM-5.2をターミナルまたはアプリケーションで利用できるようになります。このチェックリストが、接続を実用的なエンジニアリングプロセスへと変えます。
まとめ
コーディングエージェントでGLM-5.2を使う最善の方法は、可能な限り大きなコンテキストを渡して待つことではありません。自分のスタックに合ったインターフェース経由で接続し、リポジトリマップと範囲を絞ったタスク契約から始め、編集前に計画を求め、完了の定義に検証を含めます。
確立されたターミナルワークフローが必要ならClaude Codeを使います。OpenAI互換エージェントまたはカスタムアプリケーションが適しているなら、GLM-5.2 APIを使います。プライバシー、制御、継続的な利用量によってハードウェアが有効になる場合に限り、セルフホスティングを検討してください。
GPT Protoでは、同じAPIキーと残高で、より幅広いAIモデルギャラリーにもアクセスできます。そのため、プロバイダーごとに統合を作り直すことなく、GLM-5.2を他のコーディングモデルと比較できます。
