低スペックMacBookで作るローカルLLM × VSCode コーディング環境

Last updated at 2026-07-16Posted at 2026-07-16

注意

これを構築をして、動作はしているし、構築は成功。
ただし、調整が必要な状態。

つまり、ダメ！！使えない！！！

構築をしてみたいだけの方は、試してみるのは良いかも。

概要

現場への開発提案のため、試しに作ってみる
Ollamaやcline、MCPなど聞いたことはあっても、初めて触る
ローカルLLMなので、クローズドで動作する
最新ドキュメント確認にネット接続はするが、コードは送られないのは素敵。

構成: Cline + Ollama + Context7 MCP(2026年7月時点の情報)

ゴール

VSCode内でチャット・ファイル編集・新規ファイル追加ができる(Claude on VSCode相当の体験)
モデルはローカルLLM(低スペックMacBookで動作)
ライブラリのバージョンにマッチした最新ドキュメントを参照して作業する(古い学習データに頼らない)
タブ補完は不要(GitHub Copilotが担当)

なぜこの構成か

コンポーネント	役割	選定理由
Cline (VSCode拡張)	チャット / マルチファイル編集 / 新規作成 / ターミナル実行	2026年半ば時点で最も活発にメンテされているローカルLLM対応エージェント。タブ補完機能を持たないためCopilotと競合しない
Ollama	ローカルLLMの実行基盤	シングルバイナリで管理が楽。Apple Siliconのユニファイドメモリと相性が良い
Context7 MCP	バージョン一致ドキュメントの注入	「Next.js 15の書き方を聞いたのにPages Router時代のコードが返る」問題を解消。プロンプトに最新の公式ドキュメントを取り込む

注意: Continue.devは選ばない。 2026年6月にCursorに買収され、v2.0.0を最後にリポジトリはread-only(メンテ終了)。動作はするが今後の更新がないため、新規構築ならClineが推奨。

Step 0. 前提条件

macOS(Apple Silicon推奨。Intelでも可だが遅い)
VSCode 最新版
Homebrew
Node.js 18以上(Context7 MCPの実行に必要)

# Node.jsが未導入なら
brew install node
node -v   # v18以上を確認

Step 1. Ollamaのインストール

brew install ollama

またはGUI版を https://ollama.com/download からインストール。

Homebrew(CLI)版: ollama serve をターミナルで起動しておくか、brew services start ollama で常駐化
GUI(.app)版: メニューバーアプリがサーバーを自動管理する。GUI版使用時に ollama serve を手動実行するとポート競合を起こすので注意

サービス管理コマンド一覧(Homebrew版)

コマンド	動作
`brew services start ollama`	起動 + ログイン時の自動起動を登録(常駐化)
`brew services stop ollama`	停止 + 自動起動の登録も解除
`brew services restart ollama`	再起動(設定変更後や挙動が怪しいときに)
`brew services run ollama`	今回だけ起動(自動起動は登録しない)
`brew services kill ollama`	今回だけ停止(自動起動の登録は残す)
`brew services list`	全サービスの稼働状況を確認(`started` なら稼働中)
`brew services info ollama`	ollamaの詳細ステータスを確認

普段使いは start / stop の2つで足ります。「今日だけ使いたい / 今日だけ止めたい」ときに run / kill を使うと、自動起動の設定を触らずに済みます。

動作確認:

curl http://localhost:11434
# "Ollama is running" が返ればOK

Step 2. モデルの選定とダウンロード

低スペック端末ではRAM容量が最大の制約。Apple SiliconはRAMがGPUと共有(ユニファイドメモリ)なので、RAM別の目安は以下の通り。

モデル確認はこちら
https://ollama.com/library

搭載RAM	推奨モデル	Q4量子化時の使用メモリ	備考
8GB	`qwen2.5-coder:3b`	約2GB	品質は割り切り。単一ファイルの小タスク向け
16GB	`qwen2.5-coder:7b`	約4.5GB	低スペック機のバランス最良。まずこれ
24GB以上	`qwen2.5-coder:14b` など	約9GB〜	品質向上。エージェント作業の成功率が上がる

# 16GB機の推奨(ダウンロード約4.7GB)
ollama pull qwen2.5-coder:7b

# 動作テスト
ollama run qwen2.5-coder:7b "TypeScriptで文字列を反転する関数を書いて"
# /bye で終了

Step 3.【最重要】コンテキストウィンドウの拡張

Ollamaのデフォルトコンテキストは約2K〜4Kトークンしかなく、Clineのようなエージェントは数回のツール呼び出しで即座に溢れて、無限ループや無言の失敗を起こします。ほぼ全員がハマる罠なので必ず設定してください。

Modelfileを作成してコンテキストを拡張したカスタムモデルを登録します:

mkdir -p ~/ollama-models && cd ~/ollama-models

cat > Modelfile.qwen-cline << 'EOF'
FROM qwen2.5-coder:7b
PARAMETER num_ctx 16384
EOF

ollama create qwen2.5-coder-cline -f Modelfile.qwen-cline
ollama list   # qwen2.5-coder-cline が増えていればOK

エージェント作業には 16K(16384)が下限の目安
コンテキストを増やすほどKVキャッシュがRAMを食うので、8GB機では 8192 に抑えるなど調整
メモリ不足でスワップが多発する場合は num_ctx を下げるか、より小さいモデルへ

補足: KVキャッシュとは

KV = Key-Value。LLMが推論中に使う「読んだ内容の作業メモ」のこと。LLMは1トークン生成するたびに過去の全文脈を参照するが、毎回ゼロから計算し直すと極端に遅いため、一度計算した各トークンの中間結果(KeyとValueのベクトル)をメモリに貯めて使い回す。これがKVキャッシュ。

メモリ消費の構造は以下の通り:

項目	性質
モデル本体	固定費(7B Q4なら約4.5GB)
KVキャッシュ	変動費。num_ctxに比例して増える(16Kで数GB規模になることも)

つまり「num_ctxを増やす=机を広げるほど、机自体が部屋(RAM)を圧迫する」。合計がRAMを超えるとスワップが発生して急激に遅くなるため、num_ctxはRAMとの相談で決める。

Step 4. Clineのインストールと接続

VSCodeの拡張機能マーケットプレイスで 「Cline」 を検索してインストール
サイドバーのClineアイコンをクリック
3-1. 以下を設定:
- API Provider: Ollama
- Base URL: http://localhost:11434(デフォルトのままでOK)
- Model Context Window: 16384(num_ctxで設定した値へ必ず変更)
- Model: qwen2.5-coder-cline(Step 3で作ったカスタムモデルを選ぶこと。元の qwen2.5-coder:7b を選ぶとコンテキスト拡張が効かない)

3-2. CLINEを開き、bring my own API key を選択

3-3.スクショの設定に変更
*Model Context Window は必ず先ほど設定したnum_ctx の値にしてください

これで、チャット・複数ファイルの編集・新規ファイル追加・ターミナルコマンド実行(各ステップ承認制)がローカルLLMで動きます。

Copilotとの棲み分け

Clineはタブ補完機能自体を持たないため、Copilotの補完と一切競合しません。設定不要でそのまま共存できます。

インライン補完 → Copilot
チャット / 設計相談 / マルチファイル編集 / リファクタ → Cline(ローカルLLM)

Step 5. Context7 MCPの導入(バージョン一致ドキュメント)

ここが「古いドキュメントではなくバージョンマッチした情報で作業する」ための核心部分です。

Context7は、質問に応じてライブラリの最新かつバージョン指定のドキュメントとコード例を取得し、LLMのコンテキストに注入するMCPサーバーです。「Next.js 14のmiddlewareの書き方は?」のようにバージョンを書けば、そのバージョンに対応したドキュメントが自動でマッチされます。

5-1. インストール(Cline MCPマーケットプレイス経由が最も簡単)

Clineパネルを開く
ハンバーガーメニュー(☰)→ MCP Servers セクション
Marketplaceタブで Context7 を検索
Install をクリック

5-2. 手動設定する場合

MCP Servers → Edit Configuration で以下を追記:

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp"]
    }
  }
}

APIキーなしでも基本機能は動作します。レート制限を上げたい場合は https://context7.com/dashboard で無料APIキーを取得し、argsに "--api-key", "YOUR_API_KEY" を追加。

5-3. 自動発動ルールの設定(推奨)

毎回「use context7」と書くのは面倒なので、プロジェクトルートに .clinerules ファイルを作って自動発動させます:

# .clinerules

外部ライブラリやフレームワークに関するコード生成・設定手順・APIドキュメントが
必要な場合は、必ずContext7 MCPツール(resolve-library-id → get-library-docs)を
使って最新のドキュメントを取得してから回答すること。
Next.js、React、TypeScript等のフレームワークAPIについて、学習データの記憶だけで
コードを書かないこと。プロジェクトのpackage.jsonに記載されたバージョンに
一致するドキュメントを優先すること。

5-4. 使い方の例

package.jsonを確認して、このプロジェクトのNext.jsバージョンに合った
Server Actionsの実装でフォーム送信を作って。use context7

Clineが resolve-library-id でライブラリIDを解決 → get-library-docs で該当バージョンのドキュメントを取得 → それを根拠にコードを書く、という流れになります。

トークン節約の注意: Context7の1回のドキュメント取得はデフォルト5000トークンをコンテキストに載せます。低スペック機ではコンテキストが貴重なので、変化の速いライブラリ(Next.js、Tailwind v4など)に絞って使い、安定したAPI(lodashなど)では発動させない運用が現実的です。

Step 6. 動作確認チェックリスト

curl http://localhost:11434 → Ollama応答あり
Clineでチャット:「このプロジェクトの構成を説明して」→ ファイルを読んで回答する
編集タスク:「utils.tsにkebab-case変換関数を追加して」→ diffが提示され、承認で反映される
新規作成:「Buttonコンポーネントを components/ に新規作成して」→ ファイルが作られる
Context7:「Tailwind CSS v4のtheme設定方法を教えて。use context7」→ MCPツール呼び出しが走り、v4の書き方(CSS-first設定)で回答する
Copilotのタブ補完が今まで通り動く

低スペック機での運用のコツ

タスクは小さく切る。 8〜16GB機の7Bモデルでは、マルチファイルにまたがる大規模なエージェントタスクは精度が落ちる。「このファイルにバリデーションを追加してテストも更新」程度の単一〜少数ファイルのタスクが適正サイズ
エージェントの暴走はモデルサイズが原因のことが多い。 編集が明後日の方向に行く場合、ツールの問題ではなくモデルが小さすぎる可能性が高い。タスクを分割するか、重要な作業だけClaude CodeなどクラウドLLMに切り替える(ClineはプロバイダーをタスクごとにOllama⇔Anthropicで切り替え可能)
メモリ圧迫時: ollama ps で常駐モデルを確認し、OLLAMA_KEEP_ALIVE=5m(デフォルト)で自動アンロードに任せる。Premiere Proなど重いアプリとの同時使用は避ける
速度が遅い場合: num_ctxを下げる、3Bモデルに落とす、他アプリを閉じてメモリを空ける

トラブルシューティング

症状	原因と対処
Clineが途中で無限ループ/沈黙する	num_ctx未設定が9割。Step 3のカスタムモデルを使っているか確認
ポート11434で競合エラー	GUI版Ollama起動中に `ollama serve` を手動実行している。どちらか一方に
Context7がツールを呼ばない	`.clinerules` の設定を確認、またはプロンプト末尾に明示的に `use context7` を付ける
npx実行でMCPが起動しない	Node.js 18以上か確認。ダメなら `bunx` に置き換えると解決することが多い
応答が極端に遅い	Activity Monitorでスワップ確認。モデルサイズかnum_ctxを下げる

付録: Ollamaのよく使うコマンド一覧

モデルの取得・確認

コマンド	動作
`ollama pull <model>`	モデルをダウンロード(例: `ollama pull qwen2.5-coder:7b`)
`ollama list`	インストール済みモデルの一覧(サイズ・更新日も表示)
`ollama show <model>`	モデルの詳細(パラメータ数、コンテキスト長、量子化、Modelfile内容)
`ollama pull <model>` (再実行)	モデルの更新(新バージョンがあれば差分ダウンロード)

実行・対話

コマンド	動作
`ollama run <model>`	ターミナルで対話開始(未DLなら自動でpullしてから起動)
`ollama run <model> "質問文"`	ワンショット実行(対話に入らず1回だけ回答)
`/bye`	対話モードの終了(対話中に入力)
`/clear`	対話の文脈をリセット(対話中に入力)

稼働状況・メモリ管理

コマンド	動作
`ollama ps`	現在メモリにロードされているモデルと使用量、残り常駐時間を表示
`ollama stop <model>`	ロード中のモデルを即座にメモリからアンロード
`curl http://localhost:11434`	サーバー死活確認("Ollama is running" が返ればOK)

カスタムモデル・削除

コマンド	動作
`ollama create <名前> -f <Modelfile>`	Modelfileからカスタムモデルを作成(num_ctx変更など)
`ollama cp <元> <新名>`	モデルの複製
`ollama rm <model>`	モデルの削除(ディスクから消える。カスタムモデルの元モデルは残す必要あり)

補足

モデルの実体は ~/.ollama/models/ に保存される。ディスク使用量は du -sh ~/.ollama/models で確認
ロードされたモデルはデフォルトで最終使用から5分後に自動アンロードされる(OLLAMA_KEEP_ALIVE で変更可)。すぐメモリを空けたいときは ollama stop
サーバー自体の起動/停止は Step 1 の brew services コマンド一覧を参照

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up

低スペックMacBookで作る ローカルLLM × VSCode コーディング環境

注意

概要

ゴール