AIツール断捨離の果てに

 

導入

• 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。

1. 期待したが「断捨離」したものとその理由

• 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。

2. 生き残った「一軍」の二枚看板

① Cursor（メイン・司令塔）

• 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。

② OpenCode Zen（ミニマル・OSS）

• 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。

「エディタ統合型」か「CLI/エージェント型」か、そして「操作性（UX）」の観点で整理

1. Cursor：圧倒的なUXを誇るIDE統合型

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。

2. OpenCode (OpenCodeInterpreter)：実行と修正を繰り返す「知能」

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。

3. aider：ターミナルで爆走するCLIエージェント

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。

4. Roo Code (Roo Cline)：MCP対応の自律型エージェント

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。

5. Continue：カスタマイズ自由自在なオープン・ハブ

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。

SwiftBarで構築するLLM（llama-server）のワンクリック起動環境

 

1. 実装のゴール

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。

2. 起動・制御用シェルスクリプト

今回作成した llama_control.1s.sh の全容です。

--------------Bash-------------------

#!/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

---------------------------------------------------

3. こだわりの「記載過程」とエンジニアの知恵

① 「はてなマーク」との決別：隠しファイルの活用

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。

② 「自分自身」をフルパスで定義する

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。

③ M4 Maxのポテンシャルを活かす

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。

M4 Maxをさらに快適に。SwiftBarでLLM（llama-server）とメモリ解放をメニューバーから一元管理する

 

1. はじめに

• 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）

2. SwiftBarの導入

• インストール: SwiftBar公式サイト または 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。

3. メモリ解放（purge）の自動化

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。

  -------------Bash----------------------------------

  # 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。

4. ローカルLLM（llama-server）の管理

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。

5. トラブルシューティング：なぜ「はてなマーク」が出るのか？

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。

6. まとめ

• 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。

---

Mac Studio で作る完全ローカル AI 開発環境（OpenCode + Qwen 3.5）

 

1. はじめに

• 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。

2. 事前準備：Llama-server の起動

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。

Bash

# 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。

3. OpenCode のインストールと「魔の」設定ファイル

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:

JSON

{
  "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。

4. 実際の動作：Terraform 等での検証

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。

5. Automator による「一発起動アプリ」化

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。

  
  

  
  
  
  

M4 MaxとローカルLLMで構築する、最強のエンジニアリング・パイプライン：クラウドAIを『シニア』に据える合理的な選択

 

1. 開発パイプラインの全体像

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。

---

2. なぜローカルAIは「ジュニア」で、クラウドAIは「シニア」なのか

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。

---

3. コストと「災厄」への備え

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。

---

結び

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。

Launchdによる「自律起動」――Macを開けば、そこにAIがいる

 

【OS起動時の「透明な」自動化】

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。

1. M4 Max（ローカル：Qwen3.5）の plist 作成

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---

<?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

M4 MaxとM1 Maxで挑む「自律型Terraform構築環境」の模索

 

【導入】

エンジニアを30年以上やってきた。 フリーランスとして、今も現場でキーボードを叩き続けているのは、何よりも「達成感」を味わいたいからだ。

今回、手元に届いた M4 Max (Mac Studio) をメイン機に据えるにあたり、これまで現役だった M1 Max を「引退」させるのではなく、「自分専用のローカルLLM推論サーバー」として再定義することにした。

GPTに頼り切るのではなく、完全にクローズドな環境で、インフラ構成（Terraform）を自律的に爆速で組み上げる。そんな「理想のエンジニアリング環境」を構築した記録だ。

【ハードウェア：M4 Max × M1 Max の重なり】

新旧のMac Studioが重なる姿は、エンジニアとしてのキャリアの積み重ねのようにも見える。 M1 Maxを llama.cpp サーバーとして稼働させ、M4 Max上の Continue（VS Code拡張）からSSH経由で命令を飛ばす。

この構成の肝は、電源アダプターすら不要なM4 Maxのパワーと、まだまだ現役でAIを回せるM1 Maxのメモリ帯域の共演にある。

【ソフトウェア：お作法を捨てた実戦ルール】

AI（Qwen）に指示を出す中で、一つ気づいたことがある。 AIは「シニアエンジニア」という役割を与えると、教科書通りの「綺麗なモジュール分割」をしようとして自滅するのだ。

サブディレクトリを掘り、変数を渡し、複雑な構造を作ろうとして、結果的にLLMのコンテキストを使い果たしてエラーを吐く。 「しんどそうだな、お前」 画面の中のAIに、思わずそう声をかけそうになった。

そこで私は、19項目の「行動規範（Rules）」を再定義した。

1. モジュール分割の禁止: すべてをルート直下のファイル名（vpc.tf, ec2.tf等）で分ける「フラット構成」にする。

2. 一気通貫の実行: フォルダ作成から validate まで、承認を待たずに一気に完遂させる。

3. 日本語の徹底: 思考のノイズを減らすため、 Reasoning も含めてすべて日本語で行う。

ブログに技術的な裏付けを持たせるために、具体的な「足場」の部分を書き加えました。M1 Maxをサーバーにする際の実践的なノウハウとして、エンジニア読者が最も喜ぶセクションになります。

---

ブログ追加セクション案：M1 Maxを最強の推論サーバーに変える「足回り」

【採用モデル：Qwen2.5-Coder-32B】

今回、Terraform構築の相棒に選んだのは Qwen2.5-Coder-32B だ。 これまで数多くのモデルを試してきたが、コーディングにおける「正確性」と、HCL（HashiCorp Configuration Language）の構造を理解する「論理力」において、現時点でのローカルモデルとしては群を抜いている。

M1 Maxの広帯域なユニファイドメモリ（64GB搭載機であればなおさら）なら、このクラスのモデルも驚くほど軽快に、かつ深いコンテキストを持って動かすことができる。

【バックエンド：llama.cpp の起動戦略】

この Qwen を裏側で支えているのが llama.cpp だ。 ただ動かすだけではなく、M1 Max の GPU 性能を引き出し、かつ VS Code（Continue）からの要求に耐えうる「サーバー」として、私は以下のパラメータで叩いている。

Bash

./llama-server \
  -m models/qwen2.5-coder-32b-instruct-q4_k_m.gguf \
  -c 32768 \
  --ngl 99 \
  --host 0.0.0.0 \
  --port 8080

設定のポイント：

• -c 32768: コンテキストサイズを 32k まで拡張。Terraform の複数ファイルを一気に読み込ませるには、デフォルトでは到底足りない。

• --ngl 99: GPU（Metal）に全レイヤーをオフロード。M1 Max の GPU コアをフルに使い切るための「魔法の数字」だ。

• --host 0.0.0.0: M4 Max からネットワーク越しに叩くため、バインド先を広げておく。

【「道具」を使いこなすという快感】

SSH で繋いだ M1 Max のターミナルでこのコマンドを叩き、サーバーが立ち上がるログが流れる。 その瞬間、昨日の主力機だった M1 Max は、現代最強の「コーディング専用ブレイン」に生まれ変わる。