ローカルLLM (Llama 4) をAntigravityのバックエンドに設定する方法

2026年3月9日

URLをコピーしました！

GoogleのAIエディタ「Antigravity」は、標準でGeminiを利用するように設計されています。しかし、セキュリティやコストの観点から、自分のPC内で動かす「ローカルLLM」を利用したいというニーズも増えています。

特に最新の「Llama 4」はコーディング能力が非常に高く、適切に設定すればクラウドAIと遜色ない開発体験が得られます。この記事では、AntigravityのバックエンドをGeminiからLlama 4に切り替えるための具体的な手順や、安定して動作させるためのコツを詳しく解説します。

AntigravityでローカルLLMを使う理由は？

Antigravityの頭脳をGeminiからLlama 4などのローカルLLMに切り替えることには、単なるコスト削減以上の価値があります。多くのエンジニアが注目しているのは、情報の機密性と、クラウド側の利用制限からの解放です。

この章では、ローカル環境でAIを動かすことが開発の現場でどのように役立つのか、その具体的なメリットを整理します。まずはローカルLLMを選ぶべき理由について、全体像を把握していきましょう。

ソースコードを外部へ送らずに開発できる

ローカルLLMを利用する最大の利点は、情報の機密性を完全に守れることです。クラウドAIを利用する場合、コードの一部が外部サーバーへ送信されます。どれほど規約が整っていても、社外秘のロジックや機密情報を送信することに抵抗を感じる場面は多いでしょう。

Llama 4を自分のPC内で動かせば、データの処理はすべて手元のマシンで完結します。インターネットを切断した状態でも動作するため、情報の流出リスクを根本から断ち切ることが可能です。例えば、銀行系の基幹システムや、独自のアルゴリズムなど、外部に絶対に出せないコードを扱う際に、この仕組みは強力な武器になります。

ただし、モデルを動かすためのパソコンには高い性能が求められます。特にビデオメモリ（VRAM）が不足すると、AIの返答が極端に遅くなり、作業のテンポが崩れてしまう点には注意が必要です。安全性を最優先しつつ、快適な速度を両立させるのがローカル運用の基本といえます。

インターネットを介さずコードを解析できる。
社内の厳しいセキュリティポリシーをクリアしやすい。
機密情報のマスク作業といった手間を省ける。

Geminiの利用枠を気にせず使い込める

クラウドプランには、5時間ごとのリセットや週間制限といった「利用枠」が必ず存在します。大規模なリファクタリングや、一気に大量のテストコードを書きたいときに、この制限が壁となって作業が止まってしまうのはエンジニアにとって大きなストレスです。

ローカルLLMであれば、電力を供給し続ける限り、何回でも何時間でもAIを使い続けられます。リセットの時間を待つ必要も、追加料金を払って枠を買い足す必要もありません。一日に数千回のやり取りを行うようなハードな開発でも、コストや制限を気にせずAIの力を最大限に引き出せます。

一方で、ローカルLLMはクラウド版に比べると、推論速度がPCスペックに依存しやすいという制約があります。サクサク動かすためには、最新のGPUを搭載した環境を整える必要がありますが、一度環境を作ってしまえば、それ以降のランニングコストは電気代のみとなります。

比較項目	クラウド(Gemini)	ローカル(Llama 4)
利用制限	プランごとの枠がある	24時間使い放題
セキュリティ	通信が発生する	完全にオフライン
動作速度	高速・安定	PCのGPU性能に依存
運用コスト	月額サブスク料金	PC購入費と電気代

オフライン環境でもAIエージェントが機能する

出張中の移動中や、セキュリティ上の理由でネット接続が制限されている場所でも、ローカルLLMならAIの支援を受けられます。Antigravityの強力なエージェント機能（Planningなど）は、バックエンドをLlama 4に切り替えても、同じようにファイルを書き換えたりターミナルを操作したりすることが可能です。

カフェの不安定なWi-FiでAIの返答が途切れてイライラするといった経験は、誰しもあるでしょう。ローカル接続なら通信環境に左右されず、常に一定のレスポンスで対話を続けられます。場所を選ばず、いつでも最高の開発環境を持ち運べるのは、ローカルLLMならではの魅力です。

ただし、ネット検索を必要とする指示（最新のライブラリ情報の取得など）については、オフラインでは限界があります。AIが持つ学習データ内の情報で解決できる範囲に留まるため、最新情報を追う作業はオンラインのGemini、ロジックの構築はLlama 4といった使い分けが現実的です。

電波の届かない場所でもAIと対話できる。
ネットワークの遅延（レイテンシ）がない。
オフラインでもファイルの自動生成が可能。

Llama 4を動かすための環境を整える

バックエンドを設定する前に、まずはあなたのPC上でLlama 4が動く状態を作らなければなりません。Antigravity自体はAIを動かすエンジンを持っていないため、外部の推論サーバーを介してAIと通信します。

この章では、現在主流となっている「Ollama」を使った環境構築の手順を詳しく解説します。初心者でも迷わずサーバーを立ち上げられるよう、必要な準備を一つずつ確認していきましょう。

Ollamaでモデルをインストールする手順

ローカルLLMを最も簡単に動かせるツールが「Ollama」です。公式サイトからソフトをダウンロードしてインストールするだけで、コマンド一つで世界中のAIモデルを手元のPCに呼び出すことができます。

インストールが完了したら、ターミナルを開いて以下のコマンドを入力してください。Llama 4のモデルデータがダウンロードされ、すぐにAIとの対話が可能になります。モデルにはサイズがありますが、コーディング用途であれば「70b」や「40b」など、ある程度知能が高いものを選ぶのがコツです。

ollama run llama4:70b

ダウンロードには数GBから数十GBの空き容量が必要なので、あらかじめストレージを整理しておきましょう。一度ダウンロードが終われば、次からはコマンドを打つだけで一瞬で起動します。このOllamaが、AntigravityとAIを繋ぐ「通訳」の役割を担ってくれます。

Ollamaの公式サイトからインストーラーを入手。
コマンドラインでLlama 4をプル（取得）する。
モデルのダウンロード完了を待つ。

推論サーバーを立ち上げてAPIを公開する

モデルが動くようになったら、Antigravityから接続できるように「APIサーバー」としての機能を立ち上げます。Ollamaの場合、特別な設定をしなくても起動していれば自動的に 11434 ポートで待ち受け状態になります。

Antigravityが「このコードについて教えて」とリクエストを送ると、OllamaがそれをLlama 4に伝え、答えをエディタに送り返すという流れです。このとき、サーバーが正しく動いているかは、ブラウザで http://localhost:11434/ にアクセスして確認できます。「Ollama is running」と表示されれば、準備は万端です。

注意点として、ファイアウォールなどの設定で外部からのアクセスを遮断している場合、エディタとの通信がうまくいかないことがあります。基本的には自分自身のPC（localhost）内の通信なので問題ありませんが、もし繋がらない場合はネットワーク設定を一度見直してみてください。

Llama 4が快適に動くPCスペックを確保する

Llama 4は非常に高性能なモデルですが、その分パソコンにも高い負荷がかかります。特に重要なのは、CPUよりもGPU（グラフィックボード）の性能、そしてビデオメモリ（VRAM）の容量です。VRAMが不足すると、動作がカクつくだけでなく、途中でエラーが出て止まってしまうことがあります。

例えば、Llama 4の70bモデルをまともに動かすなら、最低でも24GB程度のVRAMを持つグラフィックボードが推奨されます。もしVRAMが8GB程度しかない場合は、より小さなモデル（8bなど）を選ぶ必要があります。自分のマシンの限界を知り、それに合わせたモデルを選ぶことが、ストレスのない開発環境を作るための秘訣です。

モデルサイズ	推奨VRAM容量	特徴
8b (軽量)	8GB以上	動作が非常に速いが、複雑な論理は苦手
40b (中量)	16GB以上	速度と知能のバランスが良い
70b (重量)	24GB以上	コーディング能力が非常に高く、メインで使える

AntigravityにLlama 4を接続する手順

サーバーの準備ができたら、いよいよAntigravity側の設定を書き換えます。Antigravityは「OpenAI互換API」という標準的な規格に対応しているため、接続先のアドレスを少し書き換えるだけで、簡単にローカルLLMと連携できます。

ここでは、設定画面のどこを触ればいいのか、具体的な項目の入力方法を解説します。この設定が終われば、あなたのエディタの知能はGeminiからLlama 4へと入れ替わります。

モデル管理画面で基本設定を行う

Antigravityを起動し、サイドバーの下部にある「Settings（設定）」アイコンをクリックしてください。メニューの中から「Models」または「AI Provider」という項目を探します。初期状態ではGoogleが選択されていますが、これを「OpenAI (Compatible)」または「Custom API」に切り替えます。

この切り替えによって、接続先の情報を自由に入力できるようになります。Googleの専用サーバーではなく、あなたのPC内のOllamaへ通信を飛ばすための「道」を作る作業です。切り替えボタンを押した際、現在のGemini設定が消えても、後で戻すことは可能なので安心して進めてください。

接続先URLを正しく入力する

次に、接続先のURL（エンドポイント）を入力します。Ollamaを使っている場合、通常は以下のURLを入力することになります。

http://localhost:11434/v1

末尾の /v1 を忘れると、通信の形式が合わずにエラーが出てしまうため注意してください。また、APIキーの入力欄が出る場合がありますが、ローカル接続では基本的に不要です。空欄にできない場合は、「sk-12345」などの適当な文字列を入力しておけば問題なく動作します。このURLが、エディタとAIを繋ぐ唯一の生命線となります。

使用モデルにLlama 4を指定する

最後に、どのモデルを使って考えるかを指定します。Ollama側でダウンロードしたモデル名（例：llama4:70b）を、Antigravityの「Model Name」欄に一字一句正確に入力してください。ここが一致していないと、Ollama側が「そんなモデルは持っていない」とエラーを返してしまいます。

スペルミスがないか、バージョンの指定（:latest など）が必要かどうかを確認し、設定を保存しましょう。これで、Antigravity上で質問を投げた際、手元のPCのファンが回り始めれば成功です。AIエージェントが、GeminiではなくLlama 4の言葉で語りかけてくるのを楽しみましょう。

Providerを「OpenAI (Compatible)」にする。
Endpointに http://localhost:11434/v1 を入れる。
Model NameをOllamaの名称と合わせる。

ローカル接続後の動作をテストする

設定が終わったら、まずはAIが正常に動いているかを確認する必要があります。通信の通り道が一つでも詰まっていると、いくら指示を出しても返答が返ってこなかったり、意味不明な文字が出力されたりするからです。

ここでは、接続テストを行う際にチェックすべき3つのポイントを紹介します。これらをクリアすれば、実戦投入の準備は完了です。

コード生成のレスポンスを確認する

まずは簡単な質問を投げてみましょう。「Hello Worldを表示する関数を書いて」といった、一瞬で答えが出るはずの問いが最適です。もし1分以上待っても何も返ってこない場合は、接続URLが間違っているか、モデルが正しくロードされていません。

このとき、レスポンスの「速度」にも注目してください。ローカル環境では、最初の一文字が出るまでに時間がかかる「レイテンシ」が発生しやすいです。あまりに遅すぎる場合は、モデルのサイズを一段階小さいものに変えてみるなど、自分のPCに合わせた微調整を検討してください。

ターミナル操作やエージェント機能を試す

Antigravityの真骨頂であるエージェント機能（Planning）が、Llama 4でも動くか試しましょう。「新しいファイルを作って、ターミナルでlsコマンドを打って」と指示してみてください。Llama 4が正しく計画を立て、エディタに「ファイルの作成」を要求できれば成功です。

ローカルLLMによっては、エディタ側が求める「特定のフォーマット（JSONなど）」で返答するのが苦手なモデルもあります。Llama 4はこうした命令への追従性が高いですが、もしエージェントが途中で固まってしまう場合は、システムプロンプトの調整が必要になるかもしれません。

ログを見てエラーが出ていないかチェックする

表面上は動いているように見えても、裏側でエラーが多発していることがあります。Antigravityの出力パネル（Output）から、AIとの通信ログを確認しましょう。ステータスコードが「200 OK」になっていれば正常です。

もし「404 Not Found」や「Connection Refused」といった文字が見える場合は、サーバーのアドレスやポート番号が間違っています。また、モデルを読み込む際のVRAM不足エラー（OOM）が出ていないかも、Ollama側のログと突き合わせて確認しておくと安心です。

簡単なコード生成で疎通を確認。
ファイルの作成や削除ができるか試す。
出力パネルでステータスコードを確認。

エージェント機能を安定させるコツ

Llama 4をバックエンドにした場合、標準のGeminiを使っているときよりも少しだけ「AIへの接し方」に工夫が必要なことがあります。モデルの癖を理解し、設定を最適化することで、ローカル環境でも驚くほど安定した開発が可能になります。

この章では、エージェント機能をスムーズに動かし続けるための、具体的な3つのテクニックを解説します。

システムプロンプトで役割を教え込む

ローカルLLMは、クラウド版ほど「忖度」が得意ではありません。Antigravityの設定画面にある「System Instructions」や「Custom Prompt」の欄に、より具体的な指示を書き込みましょう。「あなたはコードの書き換えとターミナル操作が得意なAIエンジニアです」といった一言を添えるだけで、回答の質が安定します。

特に、出力を「JSON形式のみに限定して」といった制約を強めることで、エディタ側がAIの回答を読み取れずにエラーになる現象を防げます。Llama 4という強力な頭脳に対して、どのような立ち振る舞いを期待しているのかを、明確なルールとして提示してあげることが大切です。

ローカル特有の待ち時間を調整する

ローカル環境では、PCの負荷状況によってAIの応答が数秒から数十秒遅れることがあります。Antigravity側の設定で「Request Timeout（タイムアウト時間）」を短く設定しすぎていると、AIが一生懸命考えている最中にエディタ側が通信を切ってしまうことがあります。

初期設定では30秒程度になっていることが多いですが、重いモデルを使っているなら60秒から120秒程度まで伸ばしておくと安心です。待ち時間は増えますが、確実に答えを受け取れるようになるため、結果として開発のリズムが保ちやすくなります。

モデルのサイズをタスクで使い分ける

すべての作業を巨大な「70b」モデルで行う必要はありません。単純なボイラープレートの生成やタイポの修正なら、より軽量な「8b」モデルの方が圧倒的に高速です。Antigravityのプロファイル機能などを使って、タスクの種類に合わせてモデルを切り替える運用を考えてみましょう。

設計・バグ修正: 賢い70bモデルでじっくり考える。
定型コード・テスト量産: 速い8bモデルでサクサク書く。

このように、賢さと速さのバランスを取ることで、PCへの負荷を抑えつつ、効率的に開発を進められます。一つのモデルに執着せず、場面に合わせて「頭脳を入れ替える」のが、ローカルLLM使いの醍醐味です。

作業内容	推奨モデル	理由
アプリの全体設計	70b	広い文脈と論理的思考が必要
単体テストの作成	40b / 8b	パターン化されており速さが優先
コードの解説	8b	内容把握なら軽量モデルで十分
原因不明のバグ調査	70b	高度な推論能力が不可欠