インターネットなしのオフラインコーディング環境：完全ローカル開発セットアップ (2026)

高速な事実

• スタック： Qwen3-Coder 30B（または7B）+ Continue.dev または Aider + Devdocs（またはZeal）+ Verdaccio（npm）と devpi（pip）+ ripgrep と rga。
• 合計ディスク： 言語カバレッジとStack Overflowダンプをキャッシュするかどうかに応じて約50～80GB。
• ハードウェアの甘い点： Apple M5 MacBook Pro 64GB。統一メモリは30Bモデルとエディタとdockerが1つのプールを共有することを意味します。
• オフラインvs オンライン品質： モデル自体は同一 – オートコンプリート、リファクタリング、コードレビューは同じ感覚です。摩擦はモデルの周り、内ではなく。
• オフラインレイテンシ： M5で約280msオートコンプリート（シグナルがあるときCopilotサーバーへの往復より速い）。
• 全体オープンソース： Ollama（MIT）、Continue.dev（Apache）、Aider（Apache）、Qwen3-Coder（オープンウェイト）、Devdocs（MPL）、Zeal（GPL）。
• アップデート： セットアップは「スナップショットして実行」 – すべてキャッシュされたら、更新を選択するまで現在のまま。オンラインで更新、それからオフラインに戻す。

オフラインスタック

14時間飛行テスト：実際に起こったこと

• 時間1 – ラップトップを取り出し、前夜にクローンしたNext.jsプロジェクトを開きました。 Continue.devは既にlocalhost:11434のOllamaを指していました。リファクタリングしたい関数にCmd+Iを押しました。Diffは2秒で現れました。受け入れられました。モデルはQwen3-Coder 30B Q4_K_Mで、メモリに読み込まれていました。パック以来、そこにいました。
• **時間3 – 新しい依存関係を追加する必要があった：@tanstack/react-query。** npm installを実行しました。Verdaccioはローカルキャッシュから提供しました（家でスモークテストとしてnpm installを実行していた）。合計経過時間：4秒。tcpdumpでネットワーク呼び出しは観測されません（はい、確認しました – それはそのようなフライトでした）。
• 時間5 – Zod методを正確な署名を忘れました。 ブラウザタブでDevdocsを開きました。Zodドキュメントセットが含まれていました。8秒で答えが見つかりました。「読み込み中…」スピナーなし。
• **時間6 – キャッシュにないパッケージをインストールしようとした：vitest-html-reporter。** npm installはVerdaccioから404で失敗。これは最初の壁でした。フォールバック：ローカルにリポをクローン、手動でnode_modulesにソースをコピー、package.jsonをローカルパスに指すように修正。12分かかりました。修正は予防的です：オフラインに行く前に必要になるかもしれない何でもキャッシュを温めてください。
• 時間8 – 2月2026年にリリースされたライブラリについてモデルに尋ねました。 自信を持ってAPIを幻視。Qwen3-Coderのトレーニングカットオフは2025年10月でした；2月2026年のAPIはトレーニングデータになかった。修正：飛行前にライブラリのrepoをrgaで索引付けしました。実際のソースを検索。本当の署名を見つけました。教訓：モデルはトレーニングデータにあったことを知っている；より新しい何でも、ドキュメントとソースが権限です。
• 時間11 – フルテストスイートを実行。 423テスト、4.7秒。リグレッションなし。テストランナーはネットワークを気にしません。
• 時間13 – 何も推さず。 Gitコミットはローカルに蓄積。飛行機が着陸したとき、空港ラウンジで1回git pushを実行。1つの推しで17コミット。ローカルファースト git モデルはこれを可能にします – 唯一のネットワーク依存ステップは最終的なプッシュです。
• 純結果： 1つの機能を配備、2つのバグを修正、11の新しいテストを書き、3つのコミット私はまだ誇りに思う。生産的な時間：14時間中約11時間（残りは食べる、寝る、時間6で悪い依存関係を対処）。セットアップはこのフライトだけで自分を支払いました。

フライト前チェックリスト：番号付きステップ

1. 1
   ローカルLLMを取得します。ollama pull qwen3-coder:30b（16GB マシンの場合は:7b）。ollama run qwen3-coder:30b "say hi" – 数秒で応答するはずです。
2. 2
   Continue.dev（またはAider）をインストールおよび構成します。VS Code を開き、Continue.dev拡張をインストール、~/.continue/config.jsonを編集してhttp://localhost:11434（Ollama デフォルト）を指す。ファイルを開いてCmd+I を押すことでテストします。
3. 3
   プロジェクトのパッケージキャッシュを温める。プロジェクトにcd、npm installを実行（またはpip install -r requirements.txt、またはcargo build、またはgo mod download）。Verdaccio、devpi、またはCargoは最初の実行でディスクにすべてをキャッシュします。
4. 4
   インストール中に必要な可能性のあるオプションの依存関係のサンプルをインストールします。フライト中に@tanstack/react-queryまたはzodを追加することがあればスクラッチディレクトリでそれらの使い捨てnpm installを今実行。パッケージはキャッシュに到着します。
5. 5
   参照したい可能性のあるリポをプリクローン。git clone --mirrorは最も安全 – 完全な履歴とすべてのブランチを取得します。
6. 6
   Devdocs を同期（または必要な Zeal docsets をダウンロード）。Devdocs で、Settings → Disable Auto-update → Download All を選択。必要な Docsets（TypeScript、Node、React、Python、Rust）はローカルに到着します。
7. 7
   使用する可能性のある Docker イメージをプリプル。docker pull node:20-alpine、docker pull postgres:16 など。後でdocker compose upを使用する場合、ローカルストレージから提供されます。
8. 8
   プロジェクトのテストスイートを1度実行します。ネットワークから35,000フィート遠い前に欠落しているビルドアーティファクト（コンパイル TypeScript、生成 Prisma クライアント）をキャッチします。
9. 9
   30分間切断して再テストします。Wi-Fi をオフにし、セルラーを無効にして、5分間の実際の作業をしてみてください。失敗するもの – 今修正、ゲートではなく。
10. 10
    すべてを充電します。バッテリーは欠落キャッシュの後の2番目のオフライン失敗モード。M5 MacBook Pro で2時間の LLM 使用はバッテリーの約30～40% を消費します – それに応じて計画し、ラップトップ定格のUSB-C パワーバンクを持ってきてください。

ハードウェア：M5 64GB統一メモリ MacBook Pro が勝つ理由

• 統一メモリはモデルが「VRAM内」も「システムRAM内」もない – メモリ内にあります。 Qwen3-Coder 30B Q4_K_M（約18GB）をロード場合、それは常駐。Docker composeスタックへの切り替えは削除しません。16GB VRAMと32GB システムRAMのディスクレートGPUラップトップでは、モデル交換は スイッチ毎に5～10秒かかります。
• 30B モデルは 24GB に快適に適応；64GB は残りのためのヘッドルーム。 64GB で、モデルをロード、3つのDockerコンテナ（データベース、redis、サンドボックス）、VS Code、Devdocs 付きChromiumタブ、ターミナルマルチプレクサーはすべて実行無し遅く。
• 負荷下の電池寿命：6～8時間。 ほとんどのフライトはUSB-C パワーバンクでカバーします。M5 は持続 LLM 推論の最も効率的なチップ - エネルギートークン当たりの数字は約3× よい同じスループット時のディスクレートGPUラップトップより。
• 静かな飛行機でのファンノイズなし。 M5 シャーシは持続期間パッシブで30Bモデルを実行。ディスクレートGPUラップトップは推論負荷下でファン著名 - 家では問題ですが、27 行での社会問題。
• ディスクレートGPU選択肢は生スループットで競争的ですが、妥協のコスト。 Razer Blade 16 RTX 4090 モバイル（16GB VRAM）は M5 より高い tokens/sec で30Bモデルを実行しますが、推論下バッテリー寿命は約2時間、ファンノイズは重要、16GB VRAM 天井は32K コンテキスト設定を保持できない、またはモデル横のデータベース実行 Docker コンテナを保持できない。
• より深いハードウェア ランキングについては、 Best Laptops for Local LLMs in 2026 を参照してください – この記事はすべての実行可能な選択肢（M-シリーズ Mac、ROG Strix、Razer Blade、Framework 16）を tokens/sec、バッテリー、合計システムメモリにランク付けします。

オフライン作業の正しい地元のモデルを選ぶ

• Qwen3-Coder 30B Q4_K_M（約18GB）– 推奨デフォルト。 TypeScript、Python、Rust、Go オートコンプリートのベストインクラス；信頼できるツール呼び出し；32K トークンコンテキストを処理。利用可能メモリの 24GB が必要（Apple Silicon システムRAM、ディスクレートGPU VRAM）。
• Qwen3-Coder 7B Q4_K_M（約5GB）– 軽量フォールバック。 8GB 統一 RAM または 8GB VRAM で実行。日常の仕事で 30B 品質の約80～85％；ギャップはマルチステップリファクタリングおよび長文脈推論に表示されます。ラップトップが 24GB 未満メモリを持つ、または重いdockerワークロードと共存する場合の正しい選択。
• DeepSeek Coder V3 – 非常に長いコンテキストが必要な場合これを選択。 DeepSeek V3 は 128K トークン サポート；多くのファイル間でデバッグが有用。ディスク上より大きい（Q4_K_M での約25GB）；生品質で Qwen3-Coder 30B と大体同等。
• Codestral 22B – 速度ピック。 Qwen3-Coder 30B より高速オートコンプリート；ツール呼び出しおよびマルチステッププランで弱い。オフラインワークフロー Autocompletion が支配的で、エージェントハーネスを使用しない場合良い。
• スキップ： コーディング ファイン チューンなしで 13B 未満の汎用モデル（Llama 3.2 7B、Mistral 7B）および Q4_K_M より厳しい任意の量子化。両方は実際のコーディング作業で明白に失敗。
• 言語毎 HumanEval+ スコアを含む完全なコーディングモデル比較のため、 Best Local Coding Models in 2026: Qwen3-Coder vs DeepSeek vs Codestral を参照してください。

依存関係キャッシング：npm、pip、cargo、go

• npm（Node.js）： Verdaccio をインストール（npm install -g verdaccio）、npm をそこに指す（npm config set registry http://localhost:4873/）、各プロジェクトで1度npm installを実行。Verdaccio は各パッケージをローカル キャッシュ；後続インストールはオフラインで機能。キャッシュは~/.local/share/verdaccio/storageに存在。
• pip（Python）： 最もシンプルなパターンはpip download -r requirements.txt -d ~/wheelhouse、その後pip install --no-index --find-links ~/wheelhouse -r requirements.txtでインストール。マルチプロジェクト使用、devpi はより強力な選択肢 – Python 向け Verdaccio と同じ形。
• cargo（Rust）： cargo vendor は各依存関係をプロジェクトのvendor/ディレクトリに書き込み、プラスcargoに使用するよう指示する.cargo/config.toml スニペット。コミットされたら、プロジェクトはオフラインで常に構築。Cargo はグローバルレジストリを~/.cargo/registry/cache でもキャッシュ – これをcargo fetchで事前に温めるはほとんどの場合をカバー。
• go（Go）： 最もシンプルなパターンはプロジェクトあたりgo mod vendor（Go はCargo のようなvendor/ディレクトリを書き込み）。グローバルキャッシング、ローカル Athens プロキシを実行しGOPROXY=http://localhost:3000設定。
• pnpm と yarn（npm形）： npm の同じ方法で Verdaccio を指す。pnpm コンテンツアドレス店はデフォルトでオフライン親しみやすい；パッケージがストアにあれば、各プロジェクトがそれを共有。
• Brew、apt、dnf（システムパッケージ）： 短いトリップでは重要度が低いですがはす値する。brew bundle dump Brewfile を生成し後で再実行できます；apt/dnf は共にapt-get downloadとダウンロード.deb/.rpmファイル経由オフラインモード。

オフラインドキュメント：Devdocs、Zeal、Stack Overflow ダンプ

• Devdocs（Webアプリ、約3GB）。 約150言語とフレームワーク向けのミラーオフィシャルドキュメントが収納型 Progressive Web App。devdocs.io開く、Settings、使用するドキュメントを有効にする、「Make available offline」を打つ。ブラウザはすべてキャッシュ；その後飛行機モードで永久に動作。
• Zeal（デスクトップアプリ、約5GB）。 Dash docsets を使用するネイティブデスクトップドキュメントブラウザ – macOS Dash アプリと同じフォーマットがフリーかつクロスプラットフォーム。Devdocs より良好なキーボードナビゲーション；より弱いサーチ。1つまたは他を選択；両方は過剰。
• Stack Overflow データダンプ（約8GB 圧縮）。 Internet Archive はオフィシャル Stack Exchange データダンプをトレント としてホスト。Kiwix のようなツールは閲覧可能サイトとしてレンダー、または Elasticsearch / SQLite-FTS で高速ローカルサーチ用に索引。カバレッジはダンプ日で切断 – 通常数か月以内 – しかし一般的なプログラミング質問はファイン。
• プロジェクト固有ドキュメント。 強く使用するライブラリについて、リポとドキュメント サイトソースをクローン。ほとんどのドキュメント サイトは静的でdocs/ディレクトリに存在；mkdocs buildまたはnpm run docs:buildローカルサイトが生成できpython -m http.serverで提供可能。
• モデル自体はトレーニングデータにある事柄のドキュメントとしてカウント。 Qwen3-Coder 30B は標準ライブラリとメジャーフレームワークをよく知っています – TypeScript、React、Python stdlib、NumPy、AWS SDK。モデルに尋ねることはこれらについて Devdocs を検索するより度々優って。分割は「モデル既知、ドキュメント新規、ソース未知」。

Google なしローカル検索

• **ripgrep（rg）– コード用高速テキストサーチ。** grep -r置き換え、大きなリポジトリで10～50× 優秀。自動的に.gitignore読み込み。「この関数どこ」と「この API のすべての呼び出し元を見つける」標準ツール。
• **rga（ripgrep-all）– PDF、アーカイブ、他のバイナリフォーマット向け ripgrep。** PDF、zip ファイル、gzipped ログ、SQLite データベース、Office ドキュメント内を透過的に検索。rga "query" .は ripgrep ができないすべてのファイルフォーマットを検索、プレーンテキスト ripgrep にフォールバック。
• ユースケース 1 – 「この API を使用方法例が必要」。 これを使用する複数リポを事前クローン；rg "api_function_name" ~/code/examplesは秒のほんの一部で各実コールサイト戻します。使用パターンのためドキュメントより良好。
• ユースケース 2 – 「この PDF 仕様に X と言うどこ」。 rga "specific phrase" ~/specs/。2分スキミング必要だった PDF は200ms 検索へ。
• ユースケース 3 – 「Stack Overflow なし Stack Overflow」。 Kiwix または Elasticsearch でStack Overflow ダンプを索引付けした場合、ダンプに対するrg風クエリは レガシートピック向けGoogle「stackoverflow」検索置き換え。
• 速い code の質問、モデルは検索より高速。 Continue.dev Cmd+Lはコンテキストとして codebase を開いたチャット；「auth フロー処理どこ」は検索ツールに質問をタイプせず1～2 秒で正しいファイル戻す。

完全にオフラインで機能する IDE

• VS Code – 完全にオフラインで機能；AI 機能は使用する拡張に依存。 Continue.dev はローカル Ollama エンドポイントに対して完全に実行、推奨ペアリング。Cursor の組み込みTab オートコンプリート作成ネットワーク呼び出し、静かに低下。GitHub Copilot は直ちに停止機能。
• JetBrains IDE（IntelliJ、PyCharm、GoLand、WebStorm）– ライセンスキャッシュされたら完全オフラインで機能。 ライセンスサーバーは定期的にピンも（個人ライセンス30日毎）、拡張オフラインウィンドウを許容。Continue.dev は機能パリティ付き JetBrains ビルドを持つ。
• Vim と Neovim – 完全オフラインデザイン。 ライセンスチェック無し、テレメトリー無し。サイドターミナルペインで Aider とペア；またはローカル Ollama に指すllm.nvimプラグイン でnvim使用。
• Emacs – 完全オフラインデザイン。 aidermacs経由で Aider とペア、またはgptel経由でローカル Ollama HTTP API 直接呼び出し。
• Cursor – 部分的オフライン。 IDE 自体はインターネットなし実行、しかし見出し機能（Tab オートコンプリート、Cmd+K エージェント）Cursor クラウドルーティング要求。VS Code 拡張を Cursor 内にインストール Continue.dev は制限をサイドステップ；オフライン対応可能 IDE 内動作ローカル AI エディタを取得。
• ハーネスレイヤー具体的なより深い比較のため、 Continue.dev vs Cline vs Aider: Best Local Coding Agent in 2026 参照してください。

オフラインで実際に壊れるもの（正直なリスト）

• 新しいサードパーティパッケージのインストール。 キャッシュ無し、手動ベンダソース以外フォールバック無し。修正は予防的 – 必要かもしれない何でもプリキャッシュ、ストレッチ目標含む。
• ポストカットオフ API 別モデル知識。 Qwen3-Coder トレーニングカットオフ 2025年10月（2026年5月リリース）；その後 API はベスト推測。修正：ソース複製、疑問時実署名rg。モデルをトレーニングデータより新しいライブラリ信頼しない。
• OAuth または API 認証往復要求するすべて。 クラウドプロバイダにログイン、OAuth トークン交換、チーム SSO ポータル打つ – すべてオフラインで機能しない。修正：テイクオフ前すべて認証、キャッシュトークン信頼（通常12～24時間後に期限切れ）。
• リモートサービスのブラウザベーステスト。 テスト実 API または staging 環境打つ場合、オフライン失敗。修正：ローカルモック使用（msw、nock、vcr）、プリレコード fixtures。
• 外部サービス呼び出す画像と資産生成。 クラウドベース画像生成器、フォントサービス、CDN フェッチ資産すべて失敗。修正：固定資産をリポに焼き込むか、完全ローカル画像モデル使用（別スタック）。
• 「そのライブラリ名何だった」問題解は モデル自体。 Google 検索できない場合、モデル「X-機能のパッケージ名何か」尋ねる – トレーニングデータのもの、80～90% 正しく回答。インストール前パッケージキャッシュに対し確認。

モデルとキャッシュ後で更新

• ollama pull経由モデルアップデート。** 新 Qwen3-Coder 版が出荷場合、オンラインollama pull qwen3-coder:30b実行。新重み古い置き換え；前バージョン消えるタグしない限り（プルさせる前にollama tag qwen3-coder:30b qwen3-coder:30b-2026-05）。
• **パッケージキャッシュは次 オンラインnpm install / pip install / cargo update更新。** 特別なワークフロー無し – 通常パッケージマネージャーはオンラインで機能し、オフラインで凍結。
• Devdocs はデフォルト自動更新。 フライト前自動更新無効にして驚きダウンロード避ける空港信号の場合（設定 → 自動更新無効）。
• Stack Overflow ダンプは四半期ごとにリフレッシュ。 Internet Archive は3ヶ月毎に新ダンプ公開；新しいカバレッジ選択再ダウンロード。
• 計画向け cadence： モデルと Devdocs 2～3ヶ月毎、パッケージキャッシュ新作仕事開始毎、Stack Overflow ダンプ6～12ヶ月毎。これらのどれも緊迫しない限り genuinely 新作仕事開始。

チームとのオフラインキャッシュ共有

• Verdaccio はチームサーバーとしても実行。 小さなオフィスサーバーをVerdaccio 指す、npm config set registry http://team-cache.local:4873/ 全員向け。新開発者自動的にキャッシュ得；オフライントリップはラップトップに必要物プリシンク意味。
• モデルをチーム Ollama サーバーでホスト可能。 beefy オフィスマシンollama serve、办公内にオフィス内にチームサーバーの各開発者 Continue.dev 設定ポイント、移動向けにlocalhost:11434（ローカルプルモデル）に切り替え。
• Devdocs は ネイティブチームモード無し しかし trivially shareable 静止フォルダとして。 1度構築、http://docs.team.localホスト、全員ブックマーク。移動、個々の開発者localhostインスタンス実行。
• Git は既にチームshareable。 ローカル Gitea または自ホスト GitLab オフィスネット内、各開発者オフィスからオフラインリポアクセス与える；個別ラップトップgit clone --mirror移動と組み合わせ。
• プライベートレジストリ経由コンテナイメージ。 小さな Harbor または Gitea 組み込みレジストリ一度イメージキャッシュ；移動者が先ローカルdocker pull去る前。
• 経済ケース： 定期的に移動5開発者チーム、キャッシュ共有は1ヶ月毎約250GB インターネットダウンロード保存し、フライト前チェックリスト60分から5。

オフラインコーディングスタック設定一般的間違い

• 間違い 1：トリップ前セットアップオフラインをテスト忘れ。 ほとんど一般的失敗は空港ギャップを見つけるは。「ライト消す」30分リハーサル実行家で – Wi-Fi オフ、セルラー無効、実仕事試す – 少なくも24時間前必要。
• 間違い 2：現在使う パッケージのキャッシュのみ、必要かもしれない無し。 機会があり、トリップ中依存関係加算場合、スモークテストスト家で1度インストール。キャッシュ保持。
• 間違い 3：Cursor のタブオートコンプリート有効化し、オフラインで機能します想定。 しません。IDE 静かにノッシング フォールバック；オートコンプリートゼロ。Continue.dev を VS Code拡張として Cursor 内にインストールするか、直接 VS Code 使用。
• 間違い 4：7B 下のモデル使用真摯なコーディング作業。 Sub-7B コーディング モデルミス十分修正出力に書きコード以上時間費す。Qwen3-Coder 7B に最小限低下；ハードウェアが処理不可オフラインコーディングセットアップはこのラップトップで実行可能しない。
• 間違い 5：ないトレーニングカットオフより新しいライブラリモデルに信頼。 自信を持ち幻視。最後6ヶ月以内に公開何でも、モデル出力を推測として扱う、ソースコードに対し確認。
• **間違い 6：パッケージキャッシュをスキップし、npm install 空港ラウンジで十分速い。** ラウンジ Wi-Fi は信頼できず、ダウンロード停滞、半インストール依存ツリーで搭乗。前日キャッシュ。
• 間違い 7：Docker イメージ忘れ。 Dev ワークフロー データベース用docker compose up使用場合、イメージプリプルが必要。最初フライトなしdocker compose upイメージはハード壁。

ソース

• Ollama ドキュメント — オフィシャルモデルライブラリ、Qwen3-Coder 変動とオフライン VRAM/RAM 予算向け参照量子化レベル含む。
• Continue.dev ドキュメント — 設定ガイド、ローカルモデル設定、オフライン対応オートコンプリート チャットワークフロー。
• Aider ドキュメント — ターミナル CLI リファレンス、ローカルモデル設定、git-ネイティブオフラインワークフローパターン。
• Devdocs ソース — オフライン使用向けミラーオフィシャルドキュメント Web アプリ；ダウンロード PWA キャッシュ指示。
• Stack Exchange データ ダンプ（Internet Archive） — 検索向けオフライン置換として使用四半期 Stack Overflow コンテンツダンプ。

FAQ

関連読書

• Replace GitHub Copilot With a Local LLM: Setup + Cost Comparison 2026 – 関連目標：同じスタック、異なるフレーミング（コストオーバーオフライン）。最初にコスト数学希望場合読む。
• Continue.dev vs Cline vs Aider: Best Local Coding Agent in 2026 – どのハーネスが完全オフラインで機能、Continue.dev/Aider/Cline トレードオフの深カバレッジ。
• Best Local Coding Models in 2026: Qwen3-Coder vs DeepSeek vs Codestral – 方程式のモデル側、言語毎 HumanEval+ スコア。
• Run AI on a Tablet: iPad and Android Local LLM Apps – ラップトップより軽いオフラインデバイス希望旅行者向け。
• Best Laptops for Local LLMs in 2026 – ハードウェア権限；各実行可能ラップトップをtokens/sec、バッテリー、合計システムメモリにランク。
• Write Better Code With AI –任意モデルのコード生成品質向上プロンプト技術、オンラインまたはオフライン。
• Power Local LLM Hub – コーディング、RAG、エージェント、クリエイティブ作業を覆う完全ガイドライブラリ。