Cloudflareのvinext:Vite上にAIで構築されたNext.js互換フレームワーク

✍️ OpenClawRadar📅 公開日: February 24, 2026🔗 Source
Cloudflareのvinext:Vite上にAIで構築されたNext.js互換フレームワーク
Ad

vinextとは

vinext(「ヴィー・ネクスト」と発音)は、Vite上に構築されたNext.jsの代替としてそのまま使用でき、単一のコマンドでCloudflare Workersにデプロイできます。1人のエンジニアとAIモデルが約1,100ドルのトークン費用で1週間で一から再構築しました。

vinextが解決するデプロイ問題

Next.jsにはサーバーレスエコシステムでのデプロイ課題があります。OpenNextのようなツールは、Cloudflare、Netlify、AWS Lambdaなどのプラットフォーム向けにNext.jsの出力を適応させますが、Next.jsのビルド出力をリバースエンジニアリングする必要があり、バージョン間で壊れやすい実装につながります。Next.jsのアダプターAPIはまだ初期段階であり、開発時の問題を解決しません - next devはNode.jsでのみ実行されるため、Durable Objects、KV、AIバインディングなどのプラットフォーム固有のAPIを開発中にテストできません。

vinextの仕組み

vinextはNext.jsの出力を適応させる代わりに、Next.jsのAPIサーフェスをプラグインとしてVite上に直接再実装します。これにはルーティング、サーバーサイドレンダリング、React Server Components、サーバーアクション、キャッシング、ミドルウェアが含まれます。ViteのEnvironment APIにより、出力はあらゆるプラットフォームで実行できます。

セットアップは簡単です:

npm install vinext

スクリプト内のnextvinextに置き換え、app/pages/next.config.jsは変更せずに維持します。

コマンド:

  • vinext dev - HMR付き開発サーバー
  • vinext build - 本番ビルド
  • vinext deploy - Cloudflare Workersへのビルドとデプロイ
Ad

パフォーマンスベンチマーク

ベンチマークでは、共有の33ルートApp Routerアプリケーションを使用してvinextとNext.js 16を比較し、Next.jsのビルドではTypeScript型チェックとESLintを無効にしてViteの動作に合わせました。

本番ビルド時間:

  • Next.js 16.1.6(Turbopack):7.38秒(ベースライン)
  • vinext(Vite 7 / Rollup):4.64秒(1.6倍高速)
  • vinext(Vite 8 / Rolldown):1.67秒(4.4倍高速)

クライアントバンドルサイズ(gzip圧縮):

  • Next.js 16.1.6:168.9 KB(ベースライン)
  • vinext(Rollup):74.0 KB(56%削減)
  • vinext(Rolldown):72.9 KB(57%削減)

これらのベンチマークはコンパイルとバンドリング速度を測定しており、本番サービングパフォーマンスではありません。テストは単一の33ルートアプリを使用しており、すべての本番アプリケーションの代表的なサンプルではありません。

現在の状況

Cloudflareには既にvinextを本番環境で実行している顧客がいます。完全な方法論と過去の結果は公開されています。

📖 完全なソースを読む: HN AI Agents

Ad

👀 See Also

Claude Codeのための学術研究スキル:論文執筆における人間参加型パイプライン
Tools

Claude Codeのための学術研究スキル:論文執筆における人間参加型パイプライン

Academic Research Skills (ARS) v3.7.0+ は、Claude Codeのプラグインで、研究者が制御を維持しながら、文献探索、引用書式設定、データ検証、論理的一貫性の確認を自動化します。インストールは /plugin marketplace add Imbad0202/academic-research-skills です。

OpenClawRadar
GLM 5 on Mac M3: エージェント型コーディングにおけるパフォーマンス観察
Tools

GLM 5 on Mac M3: エージェント型コーディングにおけるパフォーマンス観察

ユーザーは、Mac M3(512GB RAM)でMLX 4ビット量子化を用いてGLM 5を実行し、50,000トークン未満のコンテキストではエージェント型コーディングに使用可能であると報告していますが、その閾値を超えると大幅な速度低下が発生すると指摘しています。

OpenClawRadar
オープンソースのClaude Codeスキル:フォローアップを80%削減した/doパイプライン
Tools

オープンソースのClaude Codeスキル:フォローアップを80%削減した/doパイプライン

ある開発者が、100以上のフリーランスプロジェクトで培った15のClaude Codeスキルをオープンソース化しました。/doコマンドは5段階のパイプライン(/todo → /dev → /verify-dev → /build → /test → push)を実行し、自動修正ループにより、2000以上のコミットでフォローアップが80%削減、コード品質が60~65%向上しました。

OpenClawRadar
AIコーディングツールのローカルメモリシステムが会話ログから2,600以上の事実を抽出
Tools

AIコーディングツールのローカルメモリシステムが会話ログから2,600以上の事実を抽出

開発者が、Claude Code、Factory.ai、Codex CLIからの会話ログを取り込み、ローカルLLMを使用して構造化された事実を抽出し、新しいセッションにコンテキストを自動注入するローカルメモリレイヤーを構築しました。数か月の使用後、13,000件以上のメッセージをインデックス化し、2,600件以上の事実を抽出しています。

OpenClawRadar