HTML、CSS、JavaScript、PHP などの言語でプログラムを書くことがあります。
もともと自分でコードを書くこともありましたが、ローカルLLM を使うようになってからは、「コーディングにも使えないだろうか」と色々と試してきました。
最初は、ローカルLLM に全部やってもらいたいと思っていました。
「〇〇を作って」と伝えれば、自分好みのものができる。
OpenClaw や Hermes Agent などを使えば、そういう開発もできるのではないかと思っていたのです。
ところが、実際にやってみると、思っていたほど簡単ではありませんでした。
作業環境を整えたり、AI に事前に共有しておく情報を用意したり、AI のスキルを活用したり。
そういった部分も重要です。
僕自身、まだそのあたりを十分に使いこなせているわけではありません。
そのため、現時点では「AI が自律的に高品質な Webサイトやツールを全部完成させる」というところまでは到達していません。
ただ、実際に使い続ける中で、別の使い方がかなり便利だと感じるようになりました。
それが、自分がこれまで作ってきたプロジェクトを AI に読ませ、その内容をベースに新しいページやファイルを作ってもらう使い方です。
現在は、この方法を中心に ローカルLLM をコーディングへ利用しています。
この記事では、実際にどのように使っているのか、そして AI に任せる部分と自分で確認する部分について紹介します。
コーディングを AI に任せたかった理由
ローカルLLM を使い始めた頃から、「せっかくならコードを書く作業にも使いたい」と考えていました。
HTML や CSS を書いたり、JavaScript で処理を追加したり、PHP でページを作ったり。
こうした作業は、AI が得意そうに見えます。
特に AI エージェントを使えば、ファイルを作成したり、既存のコードを編集したり、動作を確認したりといったことまで自動化できます。
そこで最初に考えたのが、「AI に作ってもらえば、自分はほとんどコードを書かなくてもいいのでは？」ということでした。
実際に OpenClaw や Hermes Agent なども試してみました。
「こんなものを作って」と伝えれば、ある程度の形になる。
そこまではできました。
ただ、自分が欲しいものを、そのまま自分好みの形で完成させるとなると、話は少し違ってきます。
最初は AI に全部作ってもらいたかった
最初の頃は、できるだけ AI に任せようとしていました。
このページを作って
こういう機能を追加して
そんな感じで指示を出せば、AI がコードを書いてくれます。
ただ、何度か使っていると、こちらが伝えていない部分については、AI が判断して作っていくことになります。
すると、「そこはそうじゃないんだけどな 🤔 」という部分が出てきます。
修正をお願いすると、今度は別のところが変わっている。
さらに修正をお願いすると、最初に作っていた部分まで変わってしまう。
そんなこともあります。
もちろん、AI の性能だけが問題というわけではありません。
💭 どのファイルを使うのか
💭 既存のページがどういう構造なのか
💭 どんなデザインにしたいのか
💭 どんなルールでコードを書いているのか
そうした情報を AI にきちんと渡していなければ、AI も判断できません。
現在の僕には、AI が自律的に開発し続けられるような環境を十分に構築できていないというのもあります。
そこで、使い方を少し変えることにしました。
現在は既存プロジェクトを読み込ませている
今の僕が ローカルLLM でコーディングするときは、ゼロから全部作らせることはあまりありません。
まず、自分がこれまで作ってきたプロジェクトのファイルを読ませます。
例えば、すでに完成しているページがあれば、そのページを参考にして新しいページを作ってもらいます。
同じサイト内であれば、HTML の構造や CSS、レイアウトなどにもある程度のルールがあります。
そのルールを一から説明するより、実際のファイルを見てもらった方が早いことがあります。
このページを参考にして、新しいページを作って
という使い方です。
実際にやってみると、これがかなり便利でした。
完全にゼロから作るよりも、自分が欲しい形に近いものが最初から出てきます。
もちろん、そのまま完成ではありません。
生成されたコードを自分でも確認して、細かい部分を修正します。
それでも、一から全部書くよりは作業量を減らせます。
AI に作らせて、自分で確認する
現在は、
- AI にコードを書いてもらう
- そのコードを自分で確認する
- 必要なところを修正する
- そして実際にブラウザで動かして確認する
という流れで作業しています。
AI が書いたコードを、そのまま使うわけではありません。
そういった部分は、自分でも確認しています。
特に Web ツールの場合、コードが動けば終わりというわけではありません。
実際に触ってみないと分からないことも多いため、何度も動作確認をしています。
このあたりは、今のところ AI だけに任せるより、自分で確認した方が早いと感じています。
分からないコードは Gemini や ChatGPT にも聞く
ローカルLLM にコードを書いてもらっていると、自分ではよく分からない処理が出てくることがあります。
その場合は、ローカルLLM だけで解決しようとはしていません。
Gemini や ChatGPT の無料枠を使って、ソースコードを確認してもらうことがあります。
例えば、
このコードは何をしていますか？
この処理に問題はありませんか？
脆弱性やエラーの可能性があれば教えてください
といった形です。
必要なら、修正例を書いてもらうこともあります。
そして、その内容を確認したうえで、自分でコードを修正します。
場合によっては ローカルLLM に修正してもらうこともあります。
つまり、今の開発では一つの AI だけに全部を任せているわけではありません。
ローカルLLM を使いながら、必要に応じて外部の AI も組み合わせています。
必要に応じて公式ドキュメントも確認する
AI に聞けばすべて解決するわけでもありません。
特にプログラムの仕様については、公式ドキュメントを見ることがあります。
AI が説明してくれた内容が本当に合っているのか。
現在の仕様でもその方法が使えるのか。
そういったことを確認したい場合は、公式サイトまで戻ります。
- AI に聞く
- コードを確認する
- 公式ドキュメントを見る
- 必要ならまた修正する
そんな流れを繰り返しています。
実際に作った「PNG → WebP変換ツール」
こうした方法で実際に作ったものの一つが、PNG → WebP 変換ツールです。
このツールは、PNG 画像を WebP 形式へ変換するツールです。
複数画像をまとめて読み込み、変換品質をスライダーで設定できます。
変換した画像は個別にダウンロードでき、複数画像の場合は ZIP でまとめてダウンロードできます。
また、画像の処理はブラウザ内で行うようにしています。
このツールのベース部分は、ローカルLLM の ornith-1.5:35b を使って開発しました。
その後、AI に書かせたコードをそのまま公開するのではなく、別の AI にも確認してもらっています。
AI に作らせたあと、別の AI にも確認してもらった
PNG → WebP 変換ツールのベースができたあと、そのソースコードを Gemini にも共有しました。
そこで、
脆弱性、エラー、問題点、懸念点があれば指摘してください
と確認しました。
すると、自分だけでは気づかなかった部分を確認できます。
そこから、優先度の高いものから対応していきました。
修正方法も一つではありません。
ローカルLLM にコードを修正させることもあれば、Gemini に修正例を書いてもらい、その内容を見ながら自分でソースコードを修正することもあります。
最後は、自分で実際に動かして確認します。
修正したら終わりではありません。
- 動かす
- 問題がないか確認する
- また修正する
この繰り返しです。
AI と開発するときは Git を使っている
もう一つ、かなり重要だと感じているのが Git です。
AI と一緒にコードを書いていると、ソースコードが少しずつ複雑になっていくことがあります。
最悪の場合、必要なファイルを削除してしまうこともあります。
人間がやっても間違えるので、AI ならなおさらです。
そこで、ある程度のところまで開発が進んだら、Git でバージョン管理するようにしています。
何か問題があったときに、前の状態へ戻せるようにしておくためです。
AI との開発では、「さっきまで動いていたのに、いつの間にか動かなくなった」ということもあります。
そんなときに戻せる仕組みがあるだけで、かなり安心できます。
AI にコードを書かせるなら、Git によるバージョン管理は忘れないようにしています。
現在使っている環境
現在、僕がコーディングに使っている環境は次の通りです。
PCは、Mac mini M4 32GB です。
2026年9月時点では、主に、ornith-1.5:35b を使っています。
それ以前には、
🧠 gemma4:26b
🧠 qwen3.6:35b-a3b-nvfp4
🧠 qwen3.5:35b-a3b-coding-nvfp4
🧠 gpt-oss:20b
なども使ってきました。
コーディングについては、Gemma や gpt-oss もそれなりに使いやすいと感じていました。
一方で、AI エージェントやエージェンティックコーディングのように、複数の工程を続けて処理させる場合は、Qwen 系やその派生モデルの方が強いのかな、という印象があります。
あくまで僕が実際に使って感じた範囲での話です。
モデルによって得意なことも違いますし、同じモデルでも使い方によって結果は変わると思います。
モデルを動かすツールも色々触ってきましたが、記事更新時点では ChatGPT Work + Ollama の組み合わせを使うことが多いです。Codex Pet が可愛いから😆
それまでは Claude Code を使うことが多かったですが、最近は仕様変更が重なって使用頻度も減っています。
ツールはその時々の流行りで選び、自分に合うものを使おうかなと思っています。
ローカルLLM だけで完結させなくてもいい
以前は、「ローカルLLM だけで全部できるようにしたい」と考えていました。
ただ、実際に使ってみると、必ずしもそれにこだわる必要はないのかなと思うようになりました。
ローカルLLM でコードを書く。
分からないところは Gemini や ChatGPT に聞く。
必要なら公式ドキュメントを見る。
自分でソースコードを確認する。
実際に動かす。
Git で戻せるようにしておく。
今はそんな形です。
外部の AI（無料）を使えば、もちろんコードを外へ送ることになります。
そのため、扱う情報によっては注意が必要です。
ただ、個人で作っているツールなどでは、無料で使える外部 AI をうまく組み合わせることで、開発を早く進められることもあります。
僕の場合は、コストを抑えつつ開発を進めるという意味でも、この方法が今のところ使いやすいと感じています。
AI に丸投げしない今の開発スタイル
現在の僕のコーディングは、AI に全部任せる形ではありません。
むしろ、
AI にコードを書いてもらう
↓
自分でコードを確認する
↓
分からない部分は別の AI に聞く
↓
必要に応じて公式ドキュメントを見る
↓
自分で修正する
↓
実際に動かして確認する
↓
ある程度できたら Git で保存する
という流れです。
最初は「AI が全部作ってくれれば楽なのに」と思っていました。
実際には、最後の確認まで含めて考えると、それほど単純ではありませんでした。
それでも、既存のファイルを読み込ませて、それをベースに新しいページやファイルを作る使い方は、かなり役に立っています。
一から全部書く必要がなくなっただけでも、開発のハードルは下がりました。
また、AI が作ったコードを自分で読むようになったことで、これまでよく分かっていなかった処理についても少しずつ理解できるようになってきました。
僕自身、ソースコードを読んだり、仕組みを勉強したりすることも好きなので、今のスタイルはそれほど悪くないと思っています。
サブスクの AI を使った方が、もっと高性能なモデルを利用できて、開発速度も上がるのかもしれません。
それでも今は、ローカルLLMを 中心にしながら、必要なところだけ外部の AI も使う。
そのくらいのバランスが自分には合っています。
まとめ
ローカルLLM をコーディングに使い始めた頃は、AI にできるだけ多くの作業を任せようとしていました。
「これを作って」と伝えるだけで、自分が欲しいものを全部作ってもらえたら楽だと思っていたからです。
ただ、実際に使ってみると、作業環境や事前に共有する情報、AI の使い方など、コードを書く以外の部分もかなり重要だと分かりました。
現在は、AI に全部任せるのではなく、自分が作ってきたプロジェクトを読み込ませ、その内容をベースに新しいページやファイルを作ってもらうという使い方が中心です。
AI に書いてもらったコードは、自分でも確認します。
分からない部分は Gemini や ChatGPT に聞きます。
必要なら公式ドキュメントも確認します。
そして、自分で修正して、何度も動作確認します。
ある程度できたら Git でバージョン管理も行います。
実際に PNG → WebP 変換ツール も、このような流れで開発しました。
ローカルLLM だけで全部を完結させているわけではありません。
でも、ローカルLLM を使うことで、これまで自分だけで書いていたコードの一部を AI に任せられるようになりました。
その結果、一から作るよりも開発しやすくなっています。
AI に丸投げするのではなく、自分でもコードを確認する。
必要なら自分で修正する。
何度も動作確認する。
そして AI にも助けてもらう。
今の僕にとっては、このくらいの距離感で AI と開発するのがちょうどいいようです。
まだ AI エージェントを十分に使いこなせているわけではありません。
オーケストレーションなども、これから勉強していきたいところです。
今後、もっと ローカルLLM を開発に活用できるようになったら、また実際に試した内容をこの実験室に記録していこうと思います。
