以下のMacStudio2台に、EXOを使ってクラスタリングを行います。
①MacStudio(M1 MAX 32GB)
②MacStudio(M4 MAX 36GB)
1)導入方法は、以下を参照。
参照先：https://github.com/exo-explore/exo/releases
2)thunderboltケーブルで、お互いのMacStudioに接続します。
3)以下のEXO用のLLMをダウンロード
4)EXOにて、2台のMacStudioの接続状況が確認できる
MacStudio M4 MAX 36GB/1TBを使っていて
個人的な、Aiエージェントの検証結果になります。
各エージェントのパラメータの意味や模索で結構時間が溶けてしまった。。。
| ツール名 | 評価とリアルなボトルネック |
| Roo Code (Roo Cline) | 非常に賢いが、自律駆動のループによるメモリ大食い＆スワップ多発でメインマシンの快適性を損なう。 |
| Hermes Agent | 賢さは申し分ないが、こちらもメモリ消費が激しくスワップを誘発するため常用は厳しい。 |
| Hermes Agent Desktop | 期待大だが、現時点ではまだアルファ版かつ日本語非対応で実用段階に一歩届かず。 |
| Continue | 動作自体は非常に軽量だが、UI/UXを含めた使い勝手が肌に合わない。 |
| Cursor | 本質的に「なんちゃってVS Code（フォーク版）」であり、将来的な有料化の気配やベンダーロックインを考えると、あえて乗り換えるメリットが薄い。 |
| Aider | CLI（CUI）単体で完結させるならアリだが、VS Code版プラグインで llama.cpp が直叩きできないのが致命的。 |
| OpenCode | VS Codeとシームレスに調和し、llama.cpp の軽快さをそのまま活かせる「良い塩梅」の着地点。 |
VsCodeで、リソースが食わない
Aiエージェントのプラグインを探していたが
OpenCodeが結構いいかもって思ったので投稿してみました。
Roo codeは、賢いがリソースがメチャクチャ食うし
contiuneは、軽量だが使い勝手が悪すぎるので、良いのが見つからなかったが
OpenCodeをVsCodeで動かすスタンスが、現状、良い塩梅かもしれない。
あと、AiderのVsCodeのプラグイン版もあるけど、llama cpp経由で使えないので
理想とは異なっていた。
様々な、AIエージェントの模索をしてきました。
（時間を相当溶かしました。。）
私なりの現在の結果です。
Roo Code------------------>賢こかったが、スワップ発生がNG
hermes agent -------------->賢いがメモリー食う
continue-------------------->使い勝手がくそすぎる
Aider------------------------>悪くないが、vs codeライクがいいなっとぼやく
Aider chat------------------>vs codeのプラグインでだが、llama cppに対応してないくそが
Opencode------------------->aiderと同様
Cusur----------------------->別にvs codeでいいじゃない説がでてきた
Hermes agent desktop --->日本語に対応してない（発展途上なんで仕方がないが。。）
Mac Studio M4 MAX 36GB/1TBでの結果でした。
ハード環境: Mac Studio M4 Maxの導入。
背景: 以前から使い倒してきたITエンジニアとして、話題のAIツール（Cursor, Zed, Void, Continue, Roo Codeなど）を片っ端から実戦投入してみたこと。
目的: ツールをいじる時間は最小限に。本来の「達成感」を得るための開発環境を整えること。
Roo Code: 推論ステップが多く、M4 Maxのファンが回るほど考え込んでしまう。「思考の待ち時間」がネックに。
Zed (OSS): 動作は爆速だが、日本語入力に癖があり、指示を中国語で返してくるなどの不安定さが致命的。
Void: 設定の煩雑さや日本語の取り回しの不自然さが、30年の指先には合わなかった。
選定理由: 日本語がスムーズに通る。指示から「Plan」提示までの到達が圧倒的に早く、terraform init などの実行まで任せられる「話の通じる」相棒。
使い方: 構造の大きな変更や、プロジェクト全体を把握させたい時。
選定理由: 広告などのノイズが一切ない。画像（スクリーンショット）の通り、これ以上ないほどシンプルな「書く」ための究極の空間。
使い方: 自分のロジックに集中したい時や、AIに頼りすぎずクリーンにコードを書きたい時。
VS Codeをフォークして作られた独自のIDEです。
特徴: コードベース全体のインデックス作成能力が非常に高く、プロジェクト全体を俯瞰した修正が得意。
強み: 導入が簡単で、チャットや補完のレスポンスが極めてスムーズ。
ブログの切り口: 「とりあえずこれを選べば間違いない」という、完成度No.1ツールとしての紹介。
特定のツールというより、コードの「生成・実行・フィードバック・修正」のサイクルを回すために最適化されたオープンなモデル/システムを指します。
特徴: 従来のLLMと異なり、コードを書くだけでなく、実際に動かしてエラーが出たら自ら直す「自己反復」の能力に特化。
強み: オープンソースであり、特定のベンダーに依存せずに高度なコード推論が可能。
ブログの切り口: 「ただのチャットではなく、実行結果を見て改善する」次世代の知能としての紹介。
コマンドライン上でLLMと対話しながら、既存のファイルを直接編集させるツールです。
特徴: gitとの強力な連携機能。編集が終わると、変更内容を説明するコミットメッセージと共に自動でコミットまで完了します。
強み: エディタを選ばず、ターミナル操作に慣れたエンジニアにとっての作業スピードが劇的に速い。
ブログの切り口: 「VimやVS Codeなど、自分の好きなエディタと組み合わせて使える爆速ツール」としての紹介。
VS Codeの拡張機能として動作し、AIに「コンピュータの操作権限」を渡してタスクを完遂させるツールです。
特徴: ファイル作成、コマンド実行、ブラウザ操作などをAIが自律的に行います。MCP（Model Context Protocol）に対応し、外部ツールとの連携が容易。
強み: 「テストが通るまでバグを直して」といった丸投げの指示を実現可能。
ブログの切り口: 「AIを単なるアシスタントから、自律的な部下へと変えるツール」としての紹介。
VS CodeやJetBrainsに対応した、オープンソースの拡張機能です。
特徴: 任意のLLM（APIやローカルのOllamaなど）を自由に組み合わせて利用できる。
強み: 特定の商用サービスに縛られず、プライバシーを重視したローカル完結型の環境を構築しやすい。
M4 Maxのパワーを活かし、ローカルLLM環境（llama.cpp）をターミナルなしで制御することを目指します。
メニューバーにステータス（起動中/停止中）を表示。
ワンクリックで llama-server を起動・停止。
SwiftBarの仕様に基づき、エラー（はてなマーク）を徹底排除する。
今回作成した llama_control.1s.sh の全容です。
#!/bin/bash
# --- 環境設定 ---
# GUIアプリから呼ばれるため、PATHを明示してコマンドを見失わないようにする
export PATH="/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin"
# パス設定（各自の環境に合わせて変更）
MODEL_PATH="/Users/hidenari/models/Qwen3.5-9B-Q8_0.gguf"
LOG_FILE="/tmp/llama.log"
# SwiftBarに無視させるため、PIDファイルはドット（.）で始めるのがコツ
PID_FILE="/Users/hidenari/Documents/SwiftBar/.llama-server.pid"
# 自分自身のフルパス（SwiftBarの再帰呼び出しを確実にするため）
SELF_PATH="/Users/hidenari/Documents/SwiftBar/llama_control.1s.sh"
# --- プロセスチェック ---
# pgrepでプロセスを直接確認。名前で狙い撃ち
CURRENT_PID=$(pgrep -f "llama-server.*Qwen3.5-9B")
if [ -n "$CURRENT_PID" ]; then
STATUS="Running"
COLOR="green"
ICON="🤖"
else
STATUS="Stopped"
COLOR="red"
ICON="💤"
fi
# --- SwiftBarへの出力 ---
# メニューバーの表示
echo "$ICON LLM: $STATUS | color=$COLOR"
echo "---"
if [ "$STATUS" = "Stopped" ]; then
# 起動コマンド：ターミナルを開かずバックグラウンドで実行
echo "Launch Qwen 3.5 | bash='$SELF_PATH' param1=start terminal=false"
else
# 停止コマンド
echo "Stop llama-server | bash='$SELF_PATH' param1=stop terminal=false"
echo "PID: $CURRENT_PID"
fi
# --- 実行ロジック（SwiftBarからの引数 $1 で分岐） ---
case "$1" in
start)
if [ -z "$CURRENT_PID" ]; then
cd /Users/hidenari/llama.cpp/build/bin/
# M4 Maxの性能をフル活用（GPU全レイヤー、Flash Attention有効）
nohup ./llama-server -m "$MODEL_PATH" -c 65536 --n-gpu-layers 99 --port 8080 --flash-attn on > "$LOG_FILE" 2>&1 &
sleep 2
fi
;;
stop)
# 確実にプロセスを終了させる
TARGET_PID=$(pgrep -f "llama-server.*Qwen3.5-9B")
[ -n "$TARGET_PID" ] && kill -9 $TARGET_PID
;;
esac
---------------------------------------------------SwiftBarはディレクトリ内の全ファイルを自動実行しようとします。以前、プロセスIDを保存する llama-server.pidを置いていたところ、SwiftBarがそれを「スクリプト」と勘違いして実行しようとし、エラー（はてなマーク）が発生しました。
対策: ファイル名を .llama-server.pid とドットから始まる隠しファイルに。SwiftBarはこのファイルを無視するため、メニューバーがクリーンに保たれます。
GUIアプリであるSwiftBarから呼び出される際、相対パス（$0）は不安定になりがちです。
対策: SELF_PATH 変数にスクリプトのフルパスを直接記載。これにより、メニューからクリックした際のコマンド実行ミスをゼロにしました。
起動パラメータに --n-gpu-layers 99 と --flash-attn on を指定。
これにより、Qwen 3.5クラスのモデルも爆速で動作。ハードの性能を最大限引き出すのがインフラエンジニアの醍醐味です。
動機: M4 Max搭載Mac Studioという強力なインフラを最大限活かすため、ローカルLLM（Qwen 3.5など）の起動・停止や、purge コマンドによるメモリリフレッシュをGUI（メニューバー）から行えるようにしたかった。
使用ツール: SwiftBar（Macのメニューバーにスクリプトの結果を表示し、操作を可能にするオープンソースアプリ）
インストール: brew install --cask swiftbar で導入。
プラグインディレクトリの設定: スクリプトを保存するための専用ディレクトリ（例: ~/Documents/SwiftBar）を作成し、SwiftBarに指定する。
sudo 権限が必要な purge コマンドを、パスワード入力なしでメニューバーから実行するための設定。
visudoの設定: セキュリティを保ちつつ、特定のコマンドだけパスワードなしで実行できるようにする。
# sudo visudo で末尾に追記
hidenari[User名] ALL=(ALL) NOPASSWD: /usr/sbin/purge
---------------------------------------------スクリプトの作成 (purge_memory.1m.sh):
1m という名前をつけることで1分ごとに更新。
実行時の標準エラー出力を > /dev/null 2>&1 で捨てるのが、SwiftBarに「はてなマーク（エラー）」を出させないコツ。
LLMのステータス（Running/Stopped）を監視し、ワンクリックで起動・停止するスクリプト。
ポイント1：PIDファイルの隠しファイル化: SwiftBarはディレクトリ内の全ファイルを実行しようとするため、PIDファイル（.llama-server.pid）の先頭にドットを付けて無視させる。これで「はてなマーク」の発生を防ぐ。
ポイント2：フルパスの指定: GUIアプリであるSwiftBarから実行する場合、環境変数や相対パス（$0）が不安定になるため、スクリプト内で SELF_PATH を定義し、絶対パスで自分自身を呼び出すように設計。
エンジニアとしてハマりやすいポイントの解説。
原因: SwiftBarがスクリプトではないファイル（PIDファイルやバックアップファイル）を読み込もうとしてエラーを吐く。
対策: ディレクトリ内の不要なファイルを削除（rm llama-server.pid）し、一時ファイルは必ずドットから始まる名前にする。
M4 Maxの広大なメモリを、指先ひとつでいつでもリフレッシュできる最強の環境が完成。
シェルスクリプトという「古くて新しい道具」を、SwiftBarのような現代のツールと組み合わせる楽しさ。
背景: クラウド AI（OpenAI 等）にコードを投げたくない、あるいは API コストを抑えたい。
解決策: Apple Silicon (UMA) のパワーを活かし、OpenCode と llama-server でローカル完結のエージェント環境を構築する。
秀成さんが実行したコマンドをベースに、GPU をフル活用する設定を紹介します。
# Llama-server の起動例
llama-server \
--model ~/models/Qwen3.5-9B-Q8_0.gguf \
--ctx-size 8192 \
--port 8080 \
--ngl 99
ポイント: --ngl 99 で全てのレイヤーを GPU (Metal) にオフロードし、爆速化する。
ここが一番のハイライトです。UI から設定しても反映されない場合の「正解の JSON 構造」を記載します。
設定パス: ~/.config/opencode/config.json
正解の書き方:
{
"provider": {
"openai": {
"apiKey": "dummy",
"baseUrl": "http://localhost:8080/v1"
}
},
"model": "local"
}
注意点: providers（複数形）ではなく provider であること、model キーの階層が外側であることを強調します。
秀成さんが成功した "Screenshot 2026-05-04 at 23.28.36.jpg" のような、具体的なコード生成例を載せます。
「つぎに sg と vps を作成して」といった曖昧な指示から、プロバイダー設定を含む main.tf が一瞬で生成される様子を紹介。
ターミナルを叩く手間を省くための、エンジニアらしい自動化ハックを紹介します。
llama-server と opencode を同時に立ち上げるスクリプトの解説。
私が構築したのは、役割を明確に分担させた多段構成だ。
1層目（実装担当）：ローカルAI (Qwen3-9B / Roo Code)
実行環境: M4 Max / M1 Max (llama.cpp)
役割: ジュニアエンジニア。Terraformやスクリプトの初稿を爆速で書き上げる。
利点: APIコストを気にせず、機密情報を外に出さずに「100回の試行錯誤」ができる。
2層目（査読担当）：クラウドAI (Google Code Assist / GitHub Copilot)
役割: シニアエンジニア。
内容: ローカルAIが吐き出したコードのバグ、セキュリティ、ベストプラクティスをチェックし、洗練させる。
利点: クラウド側の膨大な計算資源と、最新のドキュメントに基づいた「大局的な判断」を仰ぐ。
3層目（承認担当）：自分自身
役割: CTO / 最終意思決定。
内容: 30年の経験をもとに、AIたちの提案が「現場の運用」に耐えうるかを判断する。
ローカルで動かす9Bクラスのモデルは、タイピングや定型コードの生成には非常に長けているが、全体像を把握する能力には限界がある。
一方、クラウドAI（特にGemini Code Assistなど）はコンテキスト窓が広く、プロジェクト全体を俯瞰したレビューができる。 「下書きは若手（ローカル）に、ハンコを貰う前の添削はベテラン（クラウド）に」 この役割分担が、個人の開発効率を極限まで引き上げる。
これまでGitHub Copilot Proに月10ドル払ってきたが、この構成が完成してから「いらないかもしれない」と考え始めた。 Google Code Assistの強力な無料枠があるうちは、クラウドAIを「無料のシニア」として活用し、余った予算はデバイスや投資（恩株など）に回すのが賢明だ。
もし将来的にクラウドAIが高価になる「災厄」が来ても、この構成なら問題ない。 「ローカルAI（実装）→ 自分（レビュー・承認）」 のセミオート構成に切り替えるだけだ。自前のM4 Max環境と、30年のキャリアがあれば、AIの価格変動に振り回されることはない。
エンジニアとしての達成感は、常に道具を最適化し、自らの手で環境を支配することにある。 M4 MaxのパワーをLLMに振り向け、クラウドを賢く使い倒す。これが、2026年現在の私の最適解だ。
コマンドを叩いてサーバーを立てるのも一興だが、真の「達成感」は、Macを立ち上げた瞬間にすべての環境が整っている「透明な自動化」にある。
macOS標準のサービス管理システム launchd を使い、ログインした瞬間に M1 Max（リモート）と M4 Max（ローカル）の AI サーバーをバックグラウンドで目覚めさせる設定を組んだ。
まずはメイン機 M4 Max 自身で、爆速の qwen3.5-9b を立ち上げる設定だ。
ファイルパス: ~/Library/LaunchAgents/com.hidenari.qwen35.plist
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
<key>Label</key>
<string>com.hidenari.qwen35</string>
<key>ProgramArguments</key>
<array>
<!-- 1. 実行ファイルの場所を特定したフルパスへ修正 -->
<string>/Users/hidenari/llama.cpp/build/bin/llama-server</string>
<string>-m</string>
<string>/Users/hidenari/models/Qwen3.5-9B-Q8_0.gguf</string>
<string>-c</string>
<string>65536</string>
<!-- 2. 最新版の引数名 (--n-gpu-layers) へ修正 -->
<string>--n-gpu-layers</string>
<string>99</string>
<string>--port</string>
<string>8080</string>
<!-- 3. 引数が必要になった --flash-attn の形式を修正 -->
<string>--flash-attn</string>
<string>on</string>
</array>
<key>RunAtLoad</key>
<true/>
<key>WorkingDirectory</key>
<string>/Users/hidenari/models</string>
<key>StandardOutPath</key>
<string>/tmp/qwen35.log</string>
<key>StandardErrorPath</key>
<string>/tmp/qwen35_error.log</string>
</dict>
</plist>
2. M4 Max（Local）：9Bを瞬時に立ち上げる
次に、手元のM4 Maxで、最新の Qwen3.5-9B を起動する。 /Users/hidenari/models/ に移動し
あえての wget で落とした GGUF を叩く。
------Bash-----cd /Users/hidenari/models/ && ./llama-server \
-m Qwen3.5-9B-Q8_0.gguf \
-c 65536 \
--ngl 99 \
--port 8081 \
--flash-attn
以下のMacStudio2台に、EXOを使ってクラスタリングを行います。 ①MacStudio(M1 MAX 32GB) ②MacStudio(M4 MAX 36GB) 1)導入方法は、以下を参照。 参照先： https://github.com/exo-explore/exo/...
