◉ANTIGRAVITY LABEN
記事一覧/Antigravity 基本
◉ Antigravity 基本/2026-04-09中級

Antigravity にローカル LLM をつなぐ手順 — Ollama で最初の 1 往復を通すまで

Antigravity にローカル LLM(Ollama・LM Studio)をつなぐ手順です。導入と動作確認、OpenAI 互換エンドポイント(/v1)の指定、用途別のモデルの選び方、「接続できない」「モデルが見つからない」「WSL やコンテナから届かない」ときの切り分けを、私がつまずいた順に書き残しました。

Antigravity419ローカルLLM23Ollama14LM Studio5設定ガイド

壁紙アプリの広告まわりのコードを、新幹線の車内で直そうとしたことがあります。トンネルに入るたびに回線が切れ、クラウドの LLM は返事を途中で止めてしまいました。コードの断片を外に送ることへのためらいも、同じ頃から少しずつ膨らんでいたのです。

そこで、手元の iMac で LLM を動かし、Antigravity から呼び出す構成を整えました。最初にお伝えしたいのは、ローカル LLM はクラウドの代わりではなく、使い分ける相手だということです。最初のうち、私は全部をローカルに寄せようとしすぎました。結果は芳しくなく、重い設計相談は手元のモデルだと浅い答えしか返らず、かえって時間を溶かしました。

ここでは、Ollama を入れて最初の 1 往復を通すまでと、Antigravity 側の接続、つながらないときの切り分けを順に書き残します。

先に決めておきたい線引き

導入の前に、何をローカルへ任せ、何をクラウドに残すかを決めておくと迷いません。私はいまこう分けています。

  • ローカル:コード補完、コメントやコミットメッセージの下書き、機密に近いコードの読み解き、回線のない場所での作業
  • クラウド:複数ファイルにまたがる設計の相談、長い調査、品質をいちばん優先したい生成

手元で済む作業は手元で、迷う作業はクラウドで。 この一文を決めてから、設定で悩む時間がはるかに減りました。

ランナーの選び方

ローカルで LLM を動かすソフトを「ランナー」と呼びます。私が実際に触れたのは Ollama と LM Studio の 2 つです。LocalAI は Docker 前提の構成で、個人開発の手元環境では出番がありませんでした。

ランナー導入のしやすさGUI向いている場面
Ollamaコマンド数行なし常駐させて、エディタやエージェントから呼び出す
LM Studioアプリを入れて画面で操作ありモデルを見比べながら試す
LocalAIDocker の知識が必要なしサーバーやコンテナ環境で複数モデルを束ねる

Antigravity から呼ぶ用途では、バックグラウンドで常駐してくれる Ollama がいちばん扱いやすいと感じています。LM Studio は、モデルの手触りを確かめる試運転に使っております。

Ollama を導入する

公式サイト(ollama.com)から、お使いの OS 向けのインストーラーを入れます。macOS なら Homebrew でも導入できます。

# macOS(Homebrew)
brew install ollama
 
# Linux
curl -fsSL https://ollama.com/install.sh | sh

Windows は公式のインストーラーを実行すれば、バックグラウンドサービスとして自動で起動します。

モデルを取得して動作を確かめる

モデルは ollama pull で取得します。最初の取得は数分から十数分かかるので、回線の良い場所で行ってください。

# 例:コード向けの小さめのモデルを取得
ollama pull qwen2.5-coder:7b
 
# 取得済みのモデルを確認
ollama list

モデル名は入れ替わりが速いため、取得前に Ollama のモデルライブラリで現在の名前とサイズを確かめてください。上の名前は一例です。

サーバーが動いているかは、次のコマンドで確認します。

curl http://127.0.0.1:11434/api/generate \
  -d '{"model": "qwen2.5-coder:7b", "prompt": "1 から 5 までの合計を返す関数を書いて", "stream": false}'

JSON で返事が戻れば、ローカル側の準備は終わりです。Ollama は初期設定で 127.0.0.1:11434 を待ち受けます。

Antigravity が呼ぶのは次の節で指定する /v1 側なので、そちらの道も先に確かめておくと安心です。

# OpenAI 互換のモデル一覧
curl http://127.0.0.1:11434/v1/models
 
# OpenAI 互換のチャット
curl http://127.0.0.1:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "qwen2.5-coder:7b", "messages": [{"role": "user", "content": "こんにちは"}]}'

ここで返事が戻らないなら、原因は Antigravity の設定ではなくローカル側にあります。私は一度、/api/generate だけを確かめて安心し、/v1 の確認を飛ばして半日を使いました。

Antigravity から呼び出す

ここが、私が最初に手間取ったところです。Antigravity の設定画面の名前や並びは、版によって変わります。次の手順は一例としてお読みいただき、実際の画面と照らしてください。

  1. 設定から、使用するモデルや接続先を扱う項目を開きます。
  2. カスタムのプロバイダー(または OpenAI 互換のエンドポイント)を追加します。
  3. エンドポイントに http://127.0.0.1:11434/v1 を、モデル名に ollama list で表示された名前を入力します。
  4. API キーは使いませんが、入力を求められる場合は任意の文字列で通ることが多いです。
  5. 接続テストを実行し、返事が戻ることを確かめます。

エンドポイントは、/api/generate ではなく OpenAI 互換の /v1 を指定するほうが、多くのクライアントとつながります。この違いに気づくまでに、私は半日ほどかかりました。

LM Studio をランナーに使う場合は、アプリ内でローカルサーバーを起動し、表示されたアドレス(初期値は http://localhost:1234/v1 であることが多いです)をエンドポイントに入れます。モデル名は LM Studio の画面に出ているものを、そのまま写してください。

モデルの選び方

モデルは「何を任せるか」から逆算します。私の目安は次のとおりです。

任せる作業目安のサイズ選ぶときに見る点
補完・短いコメント3B〜7B 級応答の速さ。メモリに余裕を残せること
エラーの読み解き・小さな修正7B〜14B 級コードに特化した学習がされているか
日本語での説明・下書き7B 級以上日本語の出力が自然か。短い文章で試して確かめる

目安のメモリは、モデルのファイルサイズに 2〜4 GB を足した程度を見ています。余裕がないと、Antigravity とモデルがメモリを取り合って、どちらも重くなります。

つながらないときの切り分け

つまずいたときは、手前の層から順に確かめるのが近道です。

1. 接続がタイムアウトする

Ollama が起動していない可能性が高いです。

ps aux | grep ollama
curl http://127.0.0.1:11434/api/tags

api/tags に返事がなければ、ollama serve で起動し直します。

2. 「モデルが見つからない」と言われる

エディタ側に書いた名前と、ollama list の名前が一字でも違うと起きます。タグ(:7b など)の付け忘れが、私の場合は大半でした。

3. 応答が極端に遅い

GPU が使われず CPU だけで動いているか、メモリが足りていません。ollama ps を実行すると、読み込み中のモデルと、CPU と GPU のどちらで動いているか(PROCESSOR の列)が分かります。CPU の割合が大きいなら、ひとまず小さいモデルに替えて、速さが戻るかを見てください。

4. 接続だけが拒否される

OS やセキュリティソフトが、ローカルホストへの通信を止めている場合があります。Windows では、ollama.exe を除外設定に加えると通ることがあります。

5. 2 回目以降だけ遅い、または落ちる

モデルを切り替えるたびに前のモデルがメモリに残ります。使わないモデルは ollama stop <モデル名> で解放できます。

6. ターミナルでは通るのに、Antigravity からだけ届かない

Antigravity と Ollama が、別の場所で動いていないかを疑います。WSL、コンテナ、リモート接続の先では、127.0.0.1 は「その環境自身」を指すため、Windows や Mac 側で動く Ollama には届きません。

# Ollama を動かしている側で、待ち受けを広げる例
OLLAMA_HOST=0.0.0.0:11434 ollama serve

エンドポイントには、相手の環境から見えるホスト名か IP アドレスを指定します。ただし、待ち受けを広げると同じネットワーク内の他の端末からも呼べてしまいます。私は自宅内の回線に限り、外へ公開する設定にはしないと決めています。構成によって手順が変わるので、まずは同じ環境の中に Ollama を入れて通すところから確かめるのが確実です。

つながるのに、答えが浅い・途中で話を忘れるとき

接続のテストは通るのに、実際に使うと返事がちぐはぐになることがあります。私がこれに気づいたのは、長めのファイルを貼って質問した夜でした。冒頭で伝えた条件を、モデルが後半ですっかり忘れていたのです。

原因の多くは、モデルの賢さではなくコンテキスト長(一度に覚えていられる量)でした。既定の値は Ollama の版や環境で異なり、思ったより短いことがあります。溢れた分は黙って切り捨てられるため、エラーも出ません。

# 対話モードで一時的に広げる
ollama run qwen2.5-coder:7b
>>> /set parameter num_ctx 8192

常用するなら、Modelfile に PARAMETER num_ctx 8192 と書き、ollama create で別名のモデルとして作っておきます。版によっては環境変数 OLLAMA_CONTEXT_LENGTH でも指定できます。ただし、広げた分だけメモリを使います。先ほどの目安に余裕がなければ、値を欲張らず、貼る範囲を絞るほうが確実です。

答えが浅いときは、まず入力が切れていないかを疑ってみます。 モデルを大きくするのは、そのあとでも遅くありません。

使ってみて気づいたこと

試験的に、同じ質問をクラウドの LLM とローカルのモデルに投げ、答えを見比べたことがあります。単純な関数の書き換えでは差がほとんど出ませんでした。一方で、複数のファイルにまたがる設計の相談になると、差は一目で分かるほど開きました。

そして、いちばん効いたのは性能ではなく、回線を気にしなくてよいことでした。新幹線の中でも、手が止まらなくなったのです。

まず試していただきたいこと

最初の一歩として、小さなモデルを 1 つだけ入れ、curl で返事が戻るところまで確かめてみてください。Antigravity への接続は、そのあとで十分です。ローカル側が動いていると分かっていれば、つながらないときの原因を半分に絞れます。

この線引きだけは、体調の悪い日でも崩さないようにしています。確かめられる層から、一つずつ確かめていきます。

次は、複数のエージェントでモデルを使い分ける構成に進む方へ、Antigravity マルチエージェントシステム完全実装ガイドを置いておきます。

シェア

お読みいただきありがとうございます

Antigravity Lab は広告なしで運営しており、サーバー費用などの運営コストはメンバーシップのご支援で賄っています。実装コード・ベンチマーク・本番設計パターンなど、実務でお役立ていただける記事を毎日更新しています。もし読んでよかったと感じていただけましたら、ぜひご覧ください。

  • ✦コピー&ペーストで使える実装コード付き
  • ✦毎日新しい上級ガイドを追加
  • ✦¥580/月 または ¥1,480 の永久アクセス
メンバーシップを見る →

もしこの記事がお役に立ちましたら、チップ(¥150)で応援いただけると大変励みになります。広告なしでの運営を続けるため、皆さまのご支援が大きな力になっています。

関連記事

⚙ AIツール2026-11-18
手元の Mac を重くせずにローカル LLM を試す — SSH 先の Linux に Ollama を置き、Antigravity から使うまでの最初の30分
Antigravity App v2.33.0 で入った SSH 接続を使い、別の Linux マシンに Ollama を置いて、エージェントにそのホスト上で動く確認スクリプトを書かせるまでの最初の30分です。ポートを外へ開けずに済む理由と、どこで何が動いているかの見分け方を書き残します。
◈ Agents & Manager2026-09-05
any_of と書いたカスタムツールは、エラーを出さないまま制約を失います
カスタムツールのパラメータ定義に含まれる綴りゆれのうち、どれが落ちてどれが黙って通るかを 10 種類で確かめました。正規化が入ったあとに引数の合否がどう変わるかと、事前の棚卸し手順もあわせて書き残します。
⬡ 連携・プラグイン2026-07-09
Antigravity からローカル LLM を呼ぶ実用ワークフロー
Ollama や LM Studio 経由の Antigravity ローカル LLM 運用を、実測ベンチ・GPU に載っているかの確認手順・損益分岐の計算モデル・JSON 出力を強制するラッパー実装まで含めて整理しました。機密案件と API コストの両面から判断材料を揃えています。