「入力料金を全額払うことになる」──そんな実務的な警告が、Grokの公式マニュアルに並んでいます[1]。話題の「GrokBot」(xAIのGrokエージェント)という呼び名そのものは、今回の素材には見つかりませんでした。ただし素材には、最新モデルGrok 4.7の公式ドキュメント[1][2]と、コーディングエージェント「Grok Build」のリポジトリ[3]があります。一次情報は豊富です。前回は“同僚”としての実仕事を追ったので、今回はその裏側、開発者視点で追跡します。
まずモデルからです。Grok 4.7は最上位モデルで、コード、エージェント的なツール呼び出し、知識作業向けと紹介されています[2]。ツール呼び出しとは、AIが検索や計算などの道具を自分で選んで使う動きのことです。もっともらしい誤答(ハルシネーション)を最小限に抑え、推論の強さを設定できるのも特徴です[2]。推論とは、答えを出す前の「考える工程」です。公式サンプルは、バグ入りのコードを渡して「直して説明せよ」と問う、実践的な内容でした[1]。xAIはコード・テキスト・音声・画像・動画を一つのAPIでそろえる構えも示しています[2]。
注目は料金の仕組みです。マニュアルは、会話(セッション)ごとに同じサーバーへ誘導する目印の指定を強く推奨しています[1]。プロンプトキャッシュは、会話の繰り返し部分を再計算せずに再利用する仕組みです。目印がないと、リクエストが別のサーバーに飛んでキャッシュが効かず、入力料金を全額払いがちだと明記されました[1]。目印の付け方はAPI形式ごとに違います。新しい形式(Responses API)ではprompt_cache_keyという指定を使います[1]。従来のChat Completionsでは、専用のヘッダー(通信に添える情報)が同じ役割です[1]。同じサーバーに誘導できれば、キャッシュは命中しやすくなります。つまり同じモデルでも、セッションの管理次第で実質コストが変わるのです。
推論の扱いも進んでいました。Responses APIでは、モデルの思考過程を暗号化して返す仕組みが常に有効です[1]。設定しなくても、会話をまたいで推論を保持できます。前のターンの推論を、そのまま次の入力に戻すのがルールです[1]。長時間動くエージェントには、膨らんだ作業記録を要約して詰め直す「context compaction」が有効です[1]。道具を多用する作業では、関数呼び出しの活用も勧められています[1]。エージェントを回す技術が、ドキュメントのレベルまで整備されてきたようです。
料金表も具体的です。同じモデルを速い基盤で動かす「Grok 4.7 Fast」は、標準の2倍、長文は1.5倍のトークン単価です[1]。CursorとGrok Build限定で、料金はそれぞれのプランを通じた請求になります[1]。無料枠には含まれず、公開APIからは使えません[1]。推論を米国内に留める地域エンドポイントは、10%割増の設定です[1]。音声では、リアルタイム会話(STS)が0.08ドル/分です[2]。文字起こし(STT)はバッチ0.10ドル/時間、ストリーミング0.20ドル/時間。音声合成(TTS)は15ドル/100万文字です[2]。画像と動画のImagine APIも同じ窓口で案内されています[2]。
しかし、速さも地域指定も、すべて追加料金です。Fastは公開APIから外され、無料枠からも締め出されています[1]。目印の付け忘れで全額請求になり得る[1]など、課金の分岐は細くなる一方です。もう一つ気になるのは、バージョンの混乱です。4.2[7]・4.6[8]・4.20[6]のレビューが相次ぎました。4.20は「4エージェントシステム」の検証[6]、4.6は「知性の最前線への復帰」との評価[5]が併存しています。4.6のレビューは「実際の能力を検証」と題されています[8]。比較サイトは2026年10月時点のランキングをベンチマークデータで公開しました[4]。数字の読み比べが不可欠になっているようです。
前回見た営業・総務・開発の実仕事は、長いやり取りの連続でした。推論の保持と文脈の圧縮は、そうした仕事を下支えする技術のようです。そしてGrok BuildのコードはGitHubで公開されており、ターミナル(文字画面)で動く操作画面を持つ、コーディングエージェントの土台です[3]。エージェントの実力は、モデル単体では決まらない時代です。推論・キャッシュ・セッション管理まで含めた「回し方」が問われるようになりました。GrokBot本体の直接情報は今後の追跡に委ねますが、その土台はかなり具体的に見えてきました。
RECENT COMMENTS