【2026年】Continue.dev × VS Code AIコーディング完全ガイド｜ローカルLLM対応

Continue.dev × VS Code AI コーディング完全ガイド｜ローカル LLM 対応

Continue.dev は、VS Code / JetBrains に拡張機能を入れ、Ollama または LM Studio をバックエンドに指定するだけで、ローカル LLM による AI コーディングを始められるオープンソースツールです。 VS Code なら拡張機能タブで「Continue」を検索してインストールし、コマンドパレットの「Continue: Open Config File」で config.json / config.ts を開いて接続先・モデルを設定する、という 2 ステップが導入の中心になります。本ガイドは、この導入手順を起点に、Ollama 0.5・LM Studio 0.3 を使った完全オフライン構成、Claude / GPT-4o などクラウド API とのハイブリッド運用、モデル選定の判断基準までを、再現可能な手順として扱います。対象読者は、GitHub Copilot などを使った経験はあるがローカル LLM 連携は未経験という初心者〜中級者です。

Continue.dev の特徴は、ローカル LLM との親和性が高くインターネット接続なしで動く点と、config.ts / config.json による細かなカスタマイズが効く点です。Cursor や Copilot のような固定構成ではなく「どのモデルを、どの場面で、どこに置いて使うか」を開発者が選べるため、機密コードを扱う企業環境や、自宅 GPU を活かしたいローカル重視の開発者に向いています。逆に、設定を一切いじらず即戦力の高性能チャットだけ欲しい人には、後述の Cursor などのほうが向きます。

開発環境における Continue.dev の位置づけと機能概要

結論として、Continue.dev は VS Code・IntelliJ IDEA 上で動くオープンソース（MIT ライセンス）の IDE 拡張で、Copilot・Cursor と比べて「カスタマイズ性」と「データプライバシー」に振った設計です。 単一モデルに縛られず、複雑なタスクはクラウド AI、単純な修正や補完はローカルモデル、という使い分けでコストと性能を最適化できます。

Continue.dev は 2023 年公開の OSS で、IDE（コードを書き・デバッグ・ビルドする統合開発環境）の機能を拡張します。核となる機能は、チャット・インライン編集・自動補完の三つです。チャットでは自然言語の質問に対し AI が文脈を参照して回答し、インライン編集ではコードの選択箇所に提案を表示してワンクリックで適用します。Tab 自動補完は入力中の予測を Tab キーで挿入する機能で、ローカル LLM をバックエンドにすればデータを外部に出さず、ネットワーク遅延の影響を受けない低レイテンシーな補完が得られます。これらは単独でも有用ですが、ローカル LLM と組み合わせることでデータ流出リスクをゼロにしながら使える点が、クラウド前提の他ツールとの決定的な違いです。Continue 0.9+ ではモデル接続が柔軟になり、単一モデルに依存しないハイブリッド構成が標準で組めます。

コンテキスト管理も強みです。@codebase・@docs でプロジェクト内のファイル群やドキュメントを読み込ませると、AI が依存関係を踏まえた提案を返します。たとえば「このリファクタリングの提案をして」と指示すると、関連クラスや関数の依存を考慮した変更案が出ます。さらに MCP（Model Context Protocol）対応により、ローカルファイル・データベース・外部 API へアクセスして情報を取得でき、単なるコード生成ではなくプロジェクト全体を把握したエージェントとして機能します。なお Continue 公式の概要は Continue 公式サイト、ソースは GitHub: continuedev/continue（公式リポジトリ）で確認できます。

VS Code と JetBrains 環境へのインストールと初期設定

まず拡張機能をインストールします。VS Code は拡張機能タブで「Continue」を検索、JetBrains は設定→プラグイン→Marketplace で「Continue」を検索してインストールし、サイドバーに表示される Continue アイコンから起動します。 オープンソースのため基本利用は無料で、必要に応じて API キー登録を促されます。インストール手順の詳細は VS Code Marketplace の Continue ページ（公式配布）が一次情報です。

次のステップはバックエンドとなる LLM エンジンの設定です。Continue.dev は初期状態でクラウド API（OpenAI など）に接続しようとするため、ローカル利用では設定の「Connection」セクションでプロバイダを切り替えます。Windows・Mac・Linux いずれも Ollama を使う場合は事前に ollama pull でモデルをダウンロードしておきます。JetBrains 環境では設定ダイアログ内から「Local LLM」のパスを指定するオプションが用意されています。注意点は、選んだモデルを動かすだけのメモリ・GPU があるかの確認です。VRAM 16GB を超える環境なら、32B 級のコード特化モデルも動作する可能性があります。インストール直後はライセンス認証やアカウント連携の画面が出ることがありますが、OSS のため基本機能は無料で、API キー登録は任意です。

設定ファイルは、VS Code のコマンドパレットから「Continue: Open Config File」で開けます。config.json（または TypeScript 形式の config.ts）には接続先 URL・モデル名・コンテキスト長を記述します。たとえば Ollama がローカルにある場合は http://localhost:11434 を指定します。API キーを設定ファイルに直書きするのは非推奨で、環境変数やシークレット管理機能で扱います。接続が成立すると、ステータスが「Ready」になることで確認できます。ローカル LLM の動かし方そのものに不安がある場合は、Ollama・LM Studio・vLLM を扱ったGoogle Gemma 3/4 ローカル環境構築ガイドが手順の参考になります。

ローカル LLM との連携｜Ollama 0.5 と LM Studio 0.3 の徹底比較

結論を先に言うと、CLI で軽量・自動化向きなら Ollama 0.5、GUI でモデル選定や推論モニタリングをしたいなら LM Studio 0.3 が向きます。 どちらも OpenAI 互換 API サーバーを備え、Continue.dev から HTTP リクエストで呼び出せます。選択基準はコマンドライン操作に慣れているか、グラフィカルな管理画面を好むかです。

Ollama 0.5 は、ollama serve でサーバーを起動し、ollama pull qwen2.5-coder:32b のようにコード特化モデルを取得します。Qwen 2.5 Coder 32B は 320 億パラメータで精度が高い反面、VRAM を 24GB 程度消費しうるため、q4_k_m や q5_k_m といった量子化形式でメモリ使用量を抑えるのが定石です。LM Studio 0.3 は量子化レベルを選ぶ UI を備え、ダウンロード前に「適合性」を確認できます。M1/M2/M3 や NVIDIA RTX 50 シリーズ向けの最適化も進んでいます。

使い分けの軸は明快です。Ollama の最大の強みはスクリプト性で、CI/CD パイプライン内の自動テストや Docker コンテナ内の利用など、自動化された環境で AI を動かす場合に適し、http://localhost:11434/api/chat のようなエンドポイント指定が容易です。対照的に LM Studio はダッシュボードで GPU 利用率やメモリ使用量をリアルタイム監視でき、推論速度テストやモデルの詳細プロファイル確認もできるため、リソースのボトルネック特定やトラブルシューティングに役立ちます。迷ったら、サーバー・自動化用途は Ollama、手元の開発機でモデルを試しながら選ぶなら LM Studio、と覚えておくと判断が速くなります。複数の推論バックエンド（llama.cpp・Ollama・MLX）の比較はllama.cpp / Ollama / MLX 構成ガイドも参照してください。Ollama 本体は Ollama 公式サイト、LM Studio は LM Studio 公式サイト（いずれも公式）が配布元です。

クラウド API 統合によるハイブリッド運用戦略

ローカル LLM だけでは難しい複雑な論理推論や最新知識が要るタスクは、クラウド API に任せるハイブリッド運用が有効です。 Continue.dev は config.json 内に複数プロバイダを定義し、条件で使い分けられます。Claude 3.5 Sonnet は文脈理解とコード生成のバランスに優れ長編リファクタリングで高精度、GPT-4o は汎用的な知識応答に強く、Gemini 2.0 は Google エコシステムや Android 開発との親和性が高い、という棲み分けです。

具体的には、特定の拡張子（例：.py）の編集はローカルモデル、ドキュメント作成や複雑なアルゴリズム設計はクラウド API、というルールを設定できます。各プロバイダには alias を付け、Chat ウィンドウで /model local のように切り替えられます。タスクの複雑さに応じて自動的にモデルを選ぶ「Smart Switch」も利用できます。これによりクラウド API のコスト発生を抑えつつ、必要な場面で最高性能を引き出せます。

設定では各プロバイダに alias（local・claude など）を付け、コンテキスト内で呼び出せます。API キー管理はセキュリティ面が強化され、テキストファイルへの保存ではなく OS 固有のシークレットストア（Windows Credential Manager、macOS Keychain）との連携が標準です。企業利用では SSO / SAML に対応した Enterprise 機能があり、各開発者が個別キーを持つ代わりに組織の統一プロキシ経由で API を呼ぶ構成が推奨されます。これにより不正利用の検知やコストの統括管理が容易になり、使用量制限・レートリミットを UI から設定して、特定プロジェクトだけに API クォータを割り当てて予算超過を防げます。なお、ハイブリッド運用の効果はクラウド呼び出し回数の抑制に直結するため、まずローカルで処理できるタスクを増やすほど月額コストは下がります。コーディング AI 全般の選び方はAIコーディングツール環境構築ガイド（Copilot・Cursor・Claude Code）も合わせて確認すると、ツール横断の判断がしやすくなります。

モデル選定ガイド｜Qwen 2.5 と DeepSeek の性能比較

モデル選定はまず自分の VRAM を確認し、その枠内に収まる量子化版を選ぶのが先決です。 16GB クラスなら Qwen 2.5 Coder 32B の Q4_K_M、24GB 超なら DeepSeek Coder V2、12GB 級なら Codestral 22B、という対応が目安になります。VRAM 容量別の選び方はVRAM 8GB/12GB/16GB/24GB AIワークロード別GPU選びガイドに詳しくまとめています。

Qwen 2.5 Coder 32B はアリババクラウド開発のコード特化モデルで、320 億パラメータながら混合専門家（MoE）アーキテクチャにより推論コストを抑えています。16GB VRAM の GPU で Q4_K_M 量子化版を動かせば、ほぼリアルタイムに近い応答でコード生成が可能です。DeepSeek Coder V2 は最大 128K トークンの長文コンテキストが特徴で、複数ファイルにまたがる依存を理解した修正に向きます。ローカル実行時は contextLength を 32768 や 65536 に設定すると真価を発揮しますが、VRAM 消費が大きく RTX 4090 や Mac Studio クラスが推奨されます。Codestral 22B は Mistral AI 提供の軽量モデルで、Python・JavaScript のスニペット生成に優れ、開発速度の向上に寄与します。これらのモデルは Continue.dev の「Model Hub」からワンクリックで取り込めるため、互換性で詰まることはほとんどありません。落とし穴は、精度の高さに惹かれてパラメータ数の大きいモデルを選び、VRAM 不足でスワップが発生して逆に遅くなるケースです。まず動く量子化版で始め、余力を見て上位モデルへ移行するのが安全です。

選択時は VRAM・RAM のスペックに対しモデルのメモリ使用量が収まるかをまず確認します。Windows は DirectML 対応 GPU ドライバの更新が必須、Mac は Metal API 最適化で推論速度が向上しています。Apple Silicon の NPU（Neural Engine）を使った推論加速も Continue.dev・Ollama で利用可能です。

コンテキスト管理機能｜@codebase と @terminal の活用術

@codebase・@docs・@terminal の 3 つのコマンドを使うと、AI がプロジェクトの文脈を踏まえて回答します。 @codebase はプロジェクト内の全ソースをインデックス化し、「このリポジトリで User クラスが定義されている場所を教えて」のような質問に正確なファイルパスと実装で答えます。インデックス作成は高速化されており、数百 MB のコードベースでも数秒以内に完了します。

@docs はプロジェクト付属のドキュメント（Markdown や README）を読み込む機能です。「API の使い方を知りたい」と指示したとき、AI が外部 Web 検索ではなく手元のドキュメントを参照するため、誤った情報を返すリスクが下がり、社内ツールや独自ライブラリでも信頼性の高い回答が得られます。@terminal はターミナルで実行したコマンドの履歴・出力をコンテキストに渡す機能で、「サーバーが起動しない」際に直近のエラーログを渡せば、AI が具体的なエラー原因を特定して解決策を提示でき、デバッグ時間を大きく短縮できます。これら 3 つは組み合わせるほど効果が高く、たとえばエラーログ（@terminal）と該当実装（@codebase）と仕様書（@docs）を同時に渡せば、AI は推測ではなく事実に基づいた修正案を返します。

効果的に使うには、設定ファイルでインデックス範囲とフィルタを調整します。node_modules や .git を除外すればノイズを防げ、インデックス精度と速度の両方が上がります。RAG（Retrieval-Augmented Generation）の進化でドキュメント内特定セクションの検索精度が上がっており、MCP 連携では外部 DB・ファイルシステムへのアクセス権限を細かく制御できます。config.json で contextLength を調整し、インデックス対象を特定言語（Python・JS など）に絞るフィルタも設定可能です。実務では、まず小さなリポジトリで @codebase の挙動を確認し、除外パターンを整えてから大規模プロジェクトへ適用すると、ノイズの多い回答や無駄なインデックス時間を避けられます。

Tab 自動補完とインライン編集の高度な使いこなし

Tab 補完は末尾予測から「文脈を理解した複数行生成」へ進化しており、関数定義を始めると戻り値・引数を推測し、Tab キーで完成スニペットを挿入できます。 TypeScript や Python のような型付け言語では型の整合性を保ったまま補完され、タイプエラーを未然に防げます。

インライン補完はコード記述速度の向上に直結し、思考のフローを止めずに実装を進められるよう設計されています。高度な使い方として「複数行予測」と「コメントからコード生成」があります。「この関数はファイルを読み込み、処理して返す」とコメントを書いて Tab を押すと、そのロジックの実装が生成されます。「修正モード」も強化され、既存コードを選択して指示すると、その部分だけをリファクタリングできます。変数名変更やロジック簡略化を指示すると関連箇所への影響も考慮して一括変更し、適用前に差分（Diff）ビューで内容を確認できるためミスを抑えられます。型付け言語では型整合性を保った補完が効くため、補完を受け入れた後に型エラーで手戻りする頻度が下がります。

注意点は、補完の精度がバックエンドのモデル設定に依存することです。高速なローカルモデルは予測が速い反面、論理的整合性が落ちる場合があるため、重要な実装には精度の高いモデルを割り当てる工夫が要ります。React・Vue などフレームワーク別の挙動カスタマイズも可能で、config.ts の tabCompletion でトリガー文字や表示タイミングを調整できます。

カスタム設定と MCP 連携による拡張性の追求

Continue.dev は config.ts / config.json の編集に加え、MCP（Model Context Protocol）連携で外部サービスと接続でき、単なるエディタ拡張から自律的な開発エージェントへ拡張できます。 MCP は AI モデルが外部ツールやデータソースへ安全・構造的にアクセスするためのプロトコルで、ローカルファイルシステムの参照、データベースのクエリ結果取得、CI/CD パイプライン状態の確認などを可能にします。設定ファイルに MCP サーバーの接続情報を書くと、AI が必要時に呼び出せます。

カスタムスラッシュコマンドも強力です。/test を作れば現在のファイルに関連するテストを自動生成・実行でき、/review を設定すれば Pull Request 向けレビューコメントを AI が生成してチャットに出力します。定義は config.ts の slashCommands 配列にコマンド名とスクリプト・API 呼び出しを記述します。TypeScript で書けるため、「最新の依存関係更新履歴を取得してセキュリティパッチの有無をチェックする」といった複雑なロジックも実装できます。MCP の仕組みそのものを深掘りしたい場合はMCPサーバー開発チュートリアル（Model Context Protocol 完全ガイド）が参考になります。

MCP 連携を強化すると外部ツールとシームレスに統合できます。GitHub Issues や Jira と連携して「このバグ修正はどのチケットに関連するか」を AI が推測してリンクを張ったり、ログファイルを読み込む MCP サーバーを登録してエラー発生時に原因を特定したりできます。config.ts の mcpServers キーに各サーバーのエンドポイントと認証情報を定義します。ただし MCP は AI に外部リソースへのアクセスを許可する仕組みである以上、不要な権限を与えないことが前提です。読み取り専用で足りる用途に書き込み権限を渡さない、認証情報を環境変数経由で渡す、といった最小権限の設計を徹底してください。これを怠ると、AI の誤操作がそのまま実環境のデータ破壊につながりかねません。

Cursor と Cline を含めた主要ツールとの機能比較

Continue.dev は「カスタマイズ性とローカル LLM サポート」で他ツールを上回り、Cursor は統合度と自動編集体験、Cline はエージェント自律性、GitHub Copilot はエコシステム親和性が強みです。 Cursor は VS Code フォークで AI 統合度が高い一方、ローカル LLM サポートやカスタマイズは Continue.dev に劣ります。Cline はエージェント機能特化、Copilot はローカル LLM サポートが限定的です。

判断の目安はこうです。環境を完全に制御したい・機密コードを扱う・特定ハードウェアに合わせてモデルを調整したいなら Continue.dev、チャットしながらの編集体験を重視するなら Cursor、複雑なタスクの自律実行を求めるなら [Cline](/glossary/line-2011) が向きます。Cursor は AI 統合度が高く「チャットしながら編集」する体験に優れる一方、ローカルモデルへの柔軟な接続や細かな設定では Continue.dev に及びません。Copilot はエコシステム親和性が最高ですが、学習データにない社内独自ライブラリや非標準フレームワークで認識が弱いことがあります。Continue.dev は @codebase でローカル定義を読み込ませてこれを補えるため、独自コード資産が多い現場ほど相対的な強みが出ます。実際には、日常コーディングは Continue.dev のローカル LLM、複雑な設計やドキュメントは Copilot や Cursor、というハイブリッド戦略を採る開発チームが増えています。各ツールの詳細比較はAIコーディングアシスタント比較（Copilot vs Cursor vs Claude Code）も参照してください。

FAQ｜よくある質問とトラブルシューティング

Q1. Continue.dev でローカル Qwen 2.5 Coder 32B を動かすのに必要な VRAM は？ A1. 最小 16GB が推奨で、通常は Q4_K_M（4 ビット量子化）版を使います。フル精度では 48GB 以上が必要ですが、量子化版なら約 20GB 程度で動き、RTX 3090 / RTX 4090 や Apple M1/M2/M3 の Mac で利用できます。Mac はメモリ共有によりシステムメモリを VRAM 代わりに使えるため、総メモリ 32GB あれば動作します。

Q2. Continue から Ollama に接続できないときの確認手順は？ A2. まず ollama serve でサーバーが正常起動しているか確認します。次に Continue 設定でプロバイダ URL が http://localhost:11434 になっているか確認してください。Windows ではファイアウォールが Ollama の通信をブロックしている場合があり、設定変更が必要です。ローカル利用では HTTP 接続が標準です。

Q3. @codebase が「インデックス未完了」と表示されて機能しない原因は？ A3. プロジェクトが大きすぎるか、設定で除外パスが含まれている可能性があります。config.json の indexConfig を確認し、excludePatterns に node_modules や .git が入っているか見てください。VS Code で開いているフォルダが正しいかも重要で、進行状況はステータスバーで確認できます。

Q4. Tab 補完が遅いときの設定変更方法は？ A4. 原因はモデルの推論速度やネットワーク遅延です。ローカル LLM なら軽量モデル（例：Codestral 22B）に切り替えるか量子化レベルを調整します。config.json の tabCompletion で補完頻度やトリガー条件を変えると負荷を減らせます。複雑なプロジェクトではインデックス再構築が必要な場合があります。

Q5. API キーを設定ファイルに保存せず使う方法は？ A5. 可能です。config.json に直書きせず環境変数を使います。Windows なら setx API_KEY "your-key" で定義し、Continue.dev はその変数を参照します。設定ファイルに機密情報が残らずチーム共有も安全です。OS のシークレットストア連携も標準対応しています。

Q6. MCP サーバーを登録したのに AI が外部ツールを呼び出せない原因は？ A6. MCP サーバーの接続設定を確認してください。config.ts の mcpServers キーにエンドポイントと認証情報が正しく記述されている必要があります。MCP が有効か拡張機能一覧で確認し、エラーログは VS Code の「出力」パネルで「Continue: MCP」フィルタをかけると詳細が見えます。

Q7. ローカル LLM 使用中にメモリ不足になるときの対処は？ A7. 量子化レベルを上げるか、コンテキスト長を短縮します。config.json の contextLength を 8192 や 4096 に設定すると VRAM 使用量を大幅に削減できます。ゲームやブラウザなど他アプリを閉じてリソースを解放するのも有効です。

Q8. Cursor と Continue.dev はどう使い分けるべき？ A8. プライバシー重視やカスタマイズが必要なら Continue.dev、高度な推論やチーム共有機能が必要なら Cursor が向きます。機密コードや社内プロジェクトは Continue.dev、外部ライブラリの学習やデザイン思考を伴う作業は Cursor、という使い分けが効率的です。

Q9. 設定ファイル編集時のエラーはどう直す？ A9. config.json / config.ts の構文エラーが原因のことが多いです。JSON ならカンマ忘れや括弧の閉じ忘れ、TypeScript なら型定義の整合性を確認します。VS Code で波線が入る箇所とエラーメッセージに従って修正してください。拡張機能のバージョンが古いとパースに失敗することがあるため、最新版へ更新します。

Q10. 2026 年以降のモデル選定で注意すべき点は？ A10. パラメータ数だけでなく推論速度と VRAM 使用量のバランスを重視します。MMLU・HumanEval などのベンチマークでコード生成能力を確認し、コミュニティのサポート状況・更新頻度も判断基準に入れます。オープンソースモデルはセキュリティパッチの適用頻度にも注目してください。

まとめ

本ガイドでは、Continue.dev をローカル LLM とクラウド API のハイブリッドで活用する方法を、導入から運用まで解説しました。要点は次の通りです。

• 環境構築: VS Code / JetBrains に Continue をインストールし、Ollama 0.5 または [LM Studio](/glossary/udio-music-2024) 0.3 をバックエンドに設定すれば、ローカルで高速なコーディング支援を始められます。
• モデル選定: Qwen 2.5 Coder 32B や DeepSeek Coder V2 などコード特化モデルを、VRAM に合わせた量子化（Q4_K_M）で動かし、性能とコストを両立させます。
• コンテキスト管理: @codebase / @docs でプロジェクト全体を理解させ、精度の高い提案とデバッグ効率の向上につなげます。
• カスタマイズ: config.ts の設定や MCP 連携で、独自スラッシュコマンドや外部ツール統合を実現します。
• 比較と選択: データプライバシーとカスタマイズ性で優れる [Continue.dev は、企業環境やローカル重視の開発者にとくに向きます。

まずは VS Code に拡張機能を入れ、Ollama で 1 つモデルを pull して接続するところから始め、慣れてきたらクラウド API との使い分けと MCP 連携へ広げていくのが、無理のない導入の道筋です。（以上）