VS CodeとCursorでローカルLLMを使用する：セットアップとベストプラクティス

VS CodeでContinue.devをセットアップするにはどうすればよいですか？

# 1. VS Code Marketplaceからcontinueをインストール
# 「Continue」を検索してインストールをクリック

# 2. Ollamaが実行されていることを確認
ollama serve

# 3. Continue設定を開く（Ctrl+Shift+P → Continue：設定を開く）
# config.jsonが開きます

# 4. ローカルモデルのために設定：
# デフォルト設定を以下で置き換え：
{
  "models": [{
    "title": "Ollama",
    "provider": "ollama",
    "model": "qwen2.5-coder:7b",
    "apiBase": "http://localhost:11434"
  }],
  "tabAutocompleteModel": {
    "title": "Ollama",
    "provider": "ollama",
    "model": "qwen2.5-coder:7b"
  }
}

# 5. コード入力を開始し、Tabキーで補完
# または Ctrl+Shift+\ 補完を手動トリガー

Cursorでローカルモデルを使用するにはどうすればよいですか？

# 1. cursor.shからCursorダウンロード
# 2. Ollamaが実行されていることを確認
ollama serve

# 3. Cursor設定を開く（Cmd/Ctrl + ,）
# 4. 「Model」を検索して設定：
#    - Model Provider: "Ollama"
#    - Model: "qwen2.5-coder:7b" （または選択）
#    - API Base: "http://localhost:11434"

# 5. コード入力し、インライン補完にTab
# 6. 複数行補完にCtrl+K

コードに最適なモデルはどれですか？

どのレイテンシとVRAMを期待すべきですか？

パフォーマンスのためにコード補完を設定するにはどうすればよいですか？

# config.json高度な設定
{
  "tabAutocompleteModel": {
    "contextLength": 2048,     # 送信するコードコンテキスト
    "maxTokens": 50            # 補完あたりの最大トークン
  },
  "completionOptions": {
    "maxContextTokens": 1024,
    "maxSuggestionsCount": 5,
    "debounceWaitMs": 200      # 表示前待機（ms）
  },
  # より高速な推論のために小さいコンテキスト：
  "models": [{
    "contextLength": 1024      # 小さいコンテキスト = 高速
  }]
}

# 8GBマシンの最高速度：
# - 7Bモデル使用（13Bでなく）
# - maxTokensを30に設定
# - debounceWaitMsを500に設定（ちらつき少なく）

ローカルコード補完セットアップで何が一般的な間違いですか？

• Debounceレイテンシを調整しない：補完が「遅い」と感じたら、debounceWaitMsを増やす（例えば400 ms）して不完全な提案を表示しない。
• VRAMに対して大きすぎるモデルを使用：13Bモデル+エディタオーバーヘッドは12+ GB使用できる。8GBマシンでは7Bモデルを使用。
• クラウドレベルのコード品質を期待：GPT-5.5はどの7Bモデルよりもコードで大幅に優れている。ローカル補完はクラウド品質の70〜80%。
• CPUで推論を実行：CPU補完は非実用的（5〜10秒レイテンシ）。GPUは有用な補完に必要。

FAQ：ローカルコード補完

日本人開発者のためのローカルLLMコード補完：Cursor vs Continue.dev

• Zenn/Qiitaの日本語セットアップ記事： 「Continue.dev Ollama 設定」「Cursor ローカル LLM」などで検索すると実践的な記事が多数ヒット。Zenn（zenn.dev）は技術記事品質が高く、GitHub連携で更新管理されている点が特徴。
• 日本語コード用推奨モデル： Qwen3-Coder-7B（日本語コメント・文書化に強い）、DeepSeek Coder V2（英語中心だが日本語コンテキストも理解）。日本語変数名やコメントを含むプロジェクトではQwen3-Coderが優位。
• Continue.dev 日本語設定： `~/.continue/config.json`のシステムプロンプトに「日本語でコメントを生成してください」と追加すると日本語コード補完の品質が向上。
• Apple Silicon優位性（日本市場）： 日本はMacBook M系列の普及率が高い。MLX経由でのコード補完はOllama比で1.5-2倍速い（M2 Pro基準）。ただしContinue.devとの直接MLX統合は未対応 — Ollama経由が現実的。
• 日本語コミュニティ・Discordサーバー： 「AI開発者JP」「Ollama日本語ユーザー会」などのDiscordサーバーでローカルLLMセットアップの日本語サポートが得られる。

関連情報

• ローカルLLM向け最高のAIコーディングアシスタント -- Cursor、Continue.dev、Cody、Tabnine、Windsurfの包括的な比較とローカルLLMサポート。
• ローカルLLM開発スタック -- IDE統合を超えたAPIサーバーと本番モニタリングを含む完全スタック。
• Ollama をインストール -- コード補完用 Ollama セットアップ。
• コーディング用の最高のローカル LLM -- 詳細なコーディングモデルベンチマーク。
• How to Install LM Studio -- どのツールを使用するか。
• ローカル LLM OpenAI 互換 API -- コード補完 API。

ソース

• Continue.dev Team. (2026). "Continue Documentation." https://docs.continue.dev/ -- Official setup guide, config.json reference, and local model integration instructions.
• Cursor. (2026). "Cursor Documentation." https://docs.cursor.com/ -- Local model configuration, Ollama integration, and inference setup guide.
• Alibaba Qwen Team. (2025). "Qwen3-Coder Technical Report." arXiv:2409.12186. https://arxiv.org/abs/2409.12186 -- HumanEval and code generation benchmarks for Qwen3-Coder variants.
• DeepSeek-AI. (2024). "DeepSeek-Coder Technical Paper." arXiv:2401.14196. https://arxiv.org/abs/2401.14196 -- Benchmark data and capability analysis for DeepSeek-Coder family.