AI開発 ガイド

Continue.dev × Ollama コード補完 2026

Continue.dev は Cursor 買収後もコミュニティ管理の Apache 2.0 コードベースが残り、Ollama + Qwen3-Coder 30B A3B / Qwen2.5-Coder 1.5B の組合せで無料ローカルコード補完が引き続き動きます。VS Code 拡張の config.yaml 実例(VRAM 12GB / 24GB / 48GB 別)、Autocomplete と Chat/Edit のモデル分離、Cline / Roo Code との使い分け、有料 Copilot と Claude Code Pro 月額との TCO 比較、Cursor 買収を踏まえた代替(Twinny / Tabby)まで整理します。

  • #Continue.dev
  • #Ollama
  • #Qwen3-Coder
  • #Qwen2.5-Coder
  • #ローカルLLM
  • #コード補完
  • #config.yaml
  • #VS Code
  • #JetBrains
  • #AI コーディング

本記事は Amazon.co.jp および各販売店のアフィリエイトリンクを含む場合があります。推奨は性能・コスパ・実機ベンチマーク基準で編集判断しており、提供記事は受け付けていません。詳細は プライバシーポリシー をご覧ください。

Continue.dev × Ollama コード補完 2026:Cursor 買収後もコミュニティで動く Apache 2.0 コードベース + Qwen3-Coder 30B A3B / Qwen2.5-Coder 1.5B

結論:Continue.dev は 2026 年 6 月に Cursor に買収され、公式メンテナンスは終了しました。ただし最終 v2.0.0 リリースが Apache 2.0 でコミュニティ管理として残っており、Ollama + Qwen3-Coder 30B A3B(chat / edit / apply)+ Qwen2.5-Coder 1.5B(autocomplete)の 2 モデル併用で、無料ローカルコード補完環境が引き続き動きます。有料 Copilot($10 / 月)や Claude Code Pro($20 / 月)を節約したい VS Code / JetBrains 派の第一候補として、24GB VRAM のノート / デスクトップなら 1 年で電気代込みで元が取れる TCO 感です。エージェント寄りの用途は Cline を、Tab 補完・チャット・小規模編集寄りの用途は Continue.dev コミュニティ版を選ぶ棲み分けが 2026 年秋時点で妥当です。

「Copilot / Claude Code の月額を節約したい、VS Code のまま無料でローカル AI コード補完を動かしたい」という相談が 2026 年後半に増えました。もっとも自然な選択肢が Continue.dev + Ollama + Qwen3-Coder の組合せでしたが、Continue の開発チームは 2026 年 6 月に Cursor に買収され、公式メンテナンスは終了しています(The New Stack のカバレッジ、daily.dev の要約)。

ただし Continue.dev はコードベースが Apache 2.0 で公開されており、最終 v2.0.0 リリースが VS Code Marketplace と JetBrains Plugins Marketplace に残っています。ローカル LLM 用途では「Cursor 買収前と同じ config.yaml で今も動く」状態です。本記事では、買収後のコミュニティ管理状況を踏まえた上で Continue.dev + Ollama の無料コード補完環境を組む手順を、Cline との使い分け・TCO 比較・代替(Twinny / Tabby)まで含めて解説します。

Continue.dev の 2026 年 9 月時点の状況

まず現状を正しく把握しておきます。

Cursor 買収と v2.0.0 リリース

  • 買収発表:2026 年 6 月 18 日、Cursor(Anysphere)が Continue(Continue Dev, Inc.)を acqui-hire。取引条件は非公表
  • 公式製品の停止:Continue の standalone 製品は shut down 済み。既存ユーザーのデータエクスポート期限は 2026 年 7 月 15 日
  • 最終リリース:v2.0.0(VS Code 拡張 / CLI / JetBrains プラグイン)が最終公式リリース
  • コードベース:GitHub の continuedev/continue リポジトリは Apache 2.0 のままアーカイブ状態で残り、read-only。フォーク / コミュニティメンテナンスは可能

つまり 公式マネージド機能は停止したが、ローカル LLM で動かす分にはコードベース・拡張・CLI が今もインストール可能 という状態です。ローカル完結のコード補完に使う場合、買収前と同じ体験がそのまま利用できます。Anthropic や OpenAI の API キーを Continue に紐付ける利用形態も動きますが、Continue Hub(サーバサイド機能)を必要とする一部プレビュー機能は停止した可能性があります。

現時点で Continue.dev を選ぶ理由 / 選ばない理由

選ぶ理由:

  • Ollama 対応、VS Code / JetBrains 両対応
  • Autocomplete と Chat / Edit / Apply の役割別モデル割当てが config.yaml で明示的に設定できる
  • 買収後もコードは Apache 2.0 で残っており、コミュニティフォークによる継続開発の可能性がある
  • Cline / Cursor に比べて軽量、Tab 補完 + Chat が中心のシンプルな UX

選ばない理由:

  • 公式ロードマップが停止(新機能追加は期待できない)
  • 買収前にサーバサイドで動いていた Continue Hub のプレビュー機能は使えない可能性
  • 「10 年使うツール」として選ぶには公式運営の継続性リスクがある
  • エージェント型(自律ファイル書き換え)が本命なら Cline / Cursor / Claude Code のほうが強い

代替として Twinny(VS Code / JetBrains、Ollama ネイティブ、v1.x で活発更新)、Tabby(自ホスト型サーバー + IDE クライアント、企業向け)、Cline(エージェント寄り)が候補になります。本記事は「Continue.dev のコミュニティ版を今から使う」場合の実務手順を扱いますが、末尾で代替も整理します。

Continue.dev の 3 機能:Autocomplete / Chat / Edit の役割分担

Continue.dev の中核機能は 3 系統に分かれています。それぞれ最適なモデルサイズが違うため、役割別に別モデルを割り当てる のがローカル LLM 運用の勘所です。

機能用途応答目標推奨モデルサイズ
AutocompleteTab 補完(インライン補完、fill-in-the-middle)500ms 以下1.5B〜7B(Qwen2.5-Coder 1.5B / 7B、DeepSeek-Coder 1.3B)
Chatサイドバーで対話、コード提案・説明数秒〜10 秒14B〜32B(Qwen3-Coder 30B A3B、DeepSeek-Coder-V2)
Edit / Apply選択範囲を書き換え、差分適用数秒〜30 秒14B〜32B(Chat と同じで可)
Embedワークスペース検索・RAGバッチnomic-embed-text(Ollama library)
Rerank検索結果の再ランキングバッチbge-reranker-v2-m3(Ollama library)

Autocomplete は「あなたのタイピングより速く出る」ことが必須なので、応答遅延に非常にシビアです。1.5B〜7B の小型モデルに絞り、fill-in-the-middle(FIM)対応 tokenizer を持つ Qwen2.5-Coder 系や DeepSeek-Coder 系を選びます。Chat / Edit は多少遅くても品質を優先するので、30B クラスの MoE(Qwen3-Coder 30B A3B)や DeepSeek-Coder-V2-Lite 16B(MoE、アクティブ 2.4B)が主力です。

VRAM 別・config.yaml 実例(12GB / 24GB / 48GB)

以下の 3 パターンで、実運用に耐える構成を示します。設定ファイルは Ctrl+Shift+P → Continue: Open Config で ~/.continue/config.yaml を開いて編集します。

VRAM 12GB(RTX 4070 / RTX 3060 12GB / M2 MacBook Air 16GB)

Autocomplete を Qwen2.5-Coder 1.5B、Chat を Qwen2.5-Coder 7B に絞る構成です。

name: local-continue-12gb
version: 1.0.0
schema: v1

models:
  - name: qwen-autocomplete
    provider: ollama
    model: qwen2.5-coder:1.5b-base
    apiBase: http://localhost:11434
    roles:
      - autocomplete
  - name: qwen-chat
    provider: ollama
    model: qwen2.5-coder:7b-instruct
    apiBase: http://localhost:11434
    roles:
      - chat
      - edit
      - apply
  - name: nomic-embed
    provider: ollama
    model: nomic-embed-text
    apiBase: http://localhost:11434
    roles:
      - embed

Qwen2.5-Coder 7B は Q4_K_M で約 4.7GB、Autocomplete の 1.5B は約 1GB、埋め込みモデルは約 300MB。合計 6〜7GB で 12GB VRAM に収まります。コンテキスト(num_ctx)は Chat 側で 32K に設定するのが実用範囲です。

VRAM 24GB(RTX 4090 / RTX 3090 / M4 Pro 24GB)

Chat / Edit を Qwen3-Coder 30B A3B に上げます。この構成が 2026 年秋時点で「ローカル完結・無料・実用速度」の最適点 です。

name: local-continue-24gb
version: 1.0.0
schema: v1

models:
  - name: qwen-autocomplete
    provider: ollama
    model: qwen2.5-coder:1.5b-base
    apiBase: http://localhost:11434
    roles:
      - autocomplete
  - name: qwen3-coder-chat
    provider: ollama
    model: qwen3-coder:30b
    apiBase: http://localhost:11434
    defaultCompletionOptions:
      contextLength: 65536
    roles:
      - chat
      - edit
      - apply
  - name: nomic-embed
    provider: ollama
    model: nomic-embed-text
    apiBase: http://localhost:11434
    roles:
      - embed

Qwen3-Coder 30B A3B は Mixture-of-Experts で総 30B・アクティブ 3.3B の構成です。Q4_K_M で約 19GB、コンテキスト 64K を含めても 24GB VRAM に収まります。アクティブパラメータが 3.3B なので、Dense 30B より生成速度が数倍速く、コード補完の体感が大幅に改善します。ネイティブで 256K コンテキストに対応しているのも強みです。

Qwen3-Coder 30B A3B の性格は ローカルコーディング LLM ベンチマーク比較 2026 年版 で他モデルと並べて評価しています。同帯の DeepSeek-Coder-V2 との比較も参考になります。

VRAM 48GB(RTX 6000 Ada / A6000 / RTX Pro 6000 / M4 Max 48GB)

Chat / Edit を DeepSeek-Coder-V2 系に上げるか、Qwen3-Coder 30B A3B を Q8 で回すかの二択になります。

name: local-continue-48gb
version: 1.0.0
schema: v1

models:
  - name: qwen-autocomplete
    provider: ollama
    model: qwen2.5-coder:7b-base
    apiBase: http://localhost:11434
    roles:
      - autocomplete
  - name: deepseek-coder-v2-chat
    provider: ollama
    model: deepseek-coder-v2:16b-lite-instruct-q8_0
    apiBase: http://localhost:11434
    defaultCompletionOptions:
      contextLength: 131072
    roles:
      - chat
      - edit
      - apply
  - name: nomic-embed
    provider: ollama
    model: nomic-embed-text
    apiBase: http://localhost:11434
    roles:
      - embed

DeepSeek-Coder-V2-Lite 16B は Q8 で約 17GB。Q8 まで上げると精度が Q4_K_M より一段上がります。Autocomplete も 7B に上げて FIM 精度を強化できます。128K コンテキストにも対応します。

Ollama のセットアップ手順(3 分でここまで)

Ollama 本体のインストール後、モデルを事前 pull しておきます。

# Ollama 本体(macOS / Linux)
curl -fsSL https://ollama.com/install.sh | sh

# 24GB VRAM 構成の推奨モデル
ollama pull qwen2.5-coder:1.5b-base
ollama pull qwen3-coder:30b
ollama pull nomic-embed-text

# 動作確認
ollama list
ollama run qwen3-coder:30b "hello"

Ollama はデフォルトで localhost:11434 で待ち受けます。VS Code に Continue.dev 拡張をインストールし、上記 config.yaml を配置すれば動きます。JetBrains 派も同じ設定ファイルが JetBrains Plugins Marketplace の Continue プラグインから使えます。

Ollama vs vLLM:バックエンド選択の判断軸

Continue.dev は OpenAI 互換 API に対応しているため、Ollama 以外に vLLM や TGI(Text Generation Inference)もバックエンドに選べます。

バックエンド強み弱み向いている用途
Ollamaセットアップ 3 分、モデル切替えワンコマンド、macOS ネイティブ対応高並列で vLLM に劣る、KV cache 制御が浅い個人 1 人利用(本記事の想定)
vLLM高スループット、PagedAttention、Continuous BatchingLinux 主体、セットアップ手数多め複数人開発チーム、共有 GPU サーバー
TGI(Hugging Face)商用サポート、モデル互換性広いDocker 前提、モデル起動遅い企業内の共有推論サーバー

個人 1 人が VS Code から Continue.dev で使う想定なら Ollama が最適点です。チームで共有 GPU サーバーに乗せる場合は vLLM が推奨で、Continue.dev 側は provider: openai + apiBase: http://gpu-server:8000/v1 で接続します。

推論サーバーの技術差分は vLLM / SGLang / TensorRT-LLM サービング比較 2026年版 で詳しく整理しています。

Cline / Roo Code との使い分け

「エージェント寄りの Cline」と「補完寄りの Continue.dev」は用途が明確に分かれます。混同すると期待外れになるので、選定軸を整理します。

観点ClineContinue.dev
UX の中心サイドバーの対話でファイル生成・複数ファイル書き換えエディタ内 Tab 補完 + サイドバーで Chat / Edit
ファイル書き換え自律的に複数ファイルを触る(エージェント)ユーザーが範囲を選んで Edit / Apply を明示
得意領域大きい機能追加、リファクタ、テスト生成関数単位の補完、行内の続き、選択範囲の書き換え
ローカル LLM 対応Ollama ネイティブ、num_ctx チューニング必須Ollama ネイティブ、config.yaml で役割分離
VRAM 目安16GB〜、Chat 用大型モデル前提12GB〜、Autocomplete + Chat の 2 モデル
開発状況活発(v3.82 系、2026 年 8 月時点でも更新中)Cursor 買収で公式停止、コミュニティ運用
ハマりどころコンテキストが数ターンで溢れるAutocomplete の遅延が 500ms を超えると使えない
従量課金依存実質ゼロ(ローカルLLM 使用時)実質ゼロ(ローカルLLM 使用時)

「自律的にファイル群を書き換えてほしい」なら Cline、「エディタで手を動かしながら Tab で補完してほしい・Chat で相談したい」なら Continue.dev、というのが 2026 年秋時点の使い分け方針です。両方入れて使い分ける人も多いです。Cline 側のセットアップ詳細は Cline / Roo Code をローカルLLM (Ollama) で使うセットアップ完全ガイド 2026年版 で、IDE 全体の比較は AI コーディング IDE 徹底比較 2026年版 で扱っています。

有料 Copilot / Claude Code Pro との TCO 比較

「ローカル LLM を回す電気代 + PC 減価償却」と「Copilot / Claude Code Pro の月額」を並べて、1 年運用で元が取れるかを見ます。

プラン月額(税込目安)年額補足
GitHub Copilot Individual約 1,500 円約 18,000 円Tab 補完 + Chat
GitHub Copilot Pro+約 6,000 円約 72,000 円上位機能
Cursor Pro約 3,000 円約 36,000 円Cursor IDE 前提
Claude Code Pro約 3,000 円約 36,000 円Anthropic Claude モデル
Continue.dev + Ollama(ローカル)0 円0 円(電気代別)24GB VRAM PC が別途必要

24GB VRAM PC を新規で組む場合の初期費用は、RTX 4090 系中古で 15 万円前後、RTX 5090 32GB 新品構成で 35 万円前後、M4 Pro 24GB Mac mini で 25 万円前後です。GitHub Copilot Pro+ 相当なら 3〜4 年で元が取れ、開発マシンを兼ねるなら実質すぐ回収 できます。1 日 8 時間フル稼働で電気代は月 1,500〜2,500 円前後(GPU 電力 200W 想定、東京電力 30 円 / kWh 換算)。

コード補完用途以外にローカル LLM 用途を持てば TCO 上さらに有利になります。用途別の使い分けは Copilot+ vs ローカルLLM 用途別使い分けガイド 2026年版 や クラウド API vs ローカル LLM TCO 比較 2026年版 を参照してください。

Cursor 買収後の代替選択肢:Twinny / Tabby

Continue.dev の公式継続性リスクを踏まえて、代替となる OSS プロジェクトを 2 つ紹介します。

Twinny

  • VS Code 向けの Tab 補完 + Chat 拡張(JetBrains 版は無い)
  • Ollama ネイティブ、config は拡張機能側の UI で完結
  • v3.x 系で活発に更新されている
  • 「Continue.dev の後継として個人利用で選ぶ」場合の第一候補(VS Code 派に限る)

Tabby

  • 自ホスト型サーバー + IDE クライアントの構成
  • 企業内チーム利用向け、複数開発者が 1 台の GPU サーバーを共有する用途
  • コード補完 + Chat + RAG(ワークスペース検索)を統合
  • モデルは Qwen2.5-Coder / DeepSeek-Coder / StarCoder2 などに対応

個人利用で Continue.dev の代わりを探すなら Twinny、チーム開発で共有 GPU サーバー方式に寄せるなら Tabby、というのが代替の指針です。Continue.dev コミュニティ版で当面問題がなければ本記事の構成を使い続け、公式継続性が気になり始めたら Twinny への移行を検討する形が現実的です。

トラブルシューティング:よくある詰まりどころ

Autocomplete が動かない / 遅い

Autocomplete モデルが 500ms を超えると Continue.dev が補完を出す前にユーザーが次のキーを打ってしまい、体感で「効いていない」状態になります。Qwen2.5-Coder 7B 以上を Autocomplete に割り当てている場合は 1.5B に落とすと解決します。CPU 推論しかできない環境では Autocomplete を諦めて Chat のみ運用する判断もあります。

Chat のレスポンスが黙って止まる

contextLength を大きくしすぎて VRAM から溢れているケースが多いです。Ollama のログで KV cache が溢れているか、モデルの応答が途中で切れているかを確認します。24GB VRAM で Qwen3-Coder 30B A3B なら contextLength: 65536 が実用上限、それより広げると生成が不安定になります。

Continue.dev の設定 UI が真っ白

Cursor 買収後、Continue Hub のサーバサイド機能に依存するプレビュー画面が真っ白になる場合があります。設定は config.yaml を直接編集すれば動くので、UI は諦めてテキストエディタで設定する形で回避できます。

モデル選択が UI に反映されない

VS Code の Continue.dev 拡張は config.yaml を保存すると自動再読込しますが、稀に反映されない場合があります。VS Code コマンドパレットで Continue: Reload Window を実行すると確実に読み直します。

まとめ:Continue.dev × Ollama は 2026 年秋も現役

  • Continue.dev は Cursor 買収で公式停止したが、Apache 2.0 コードベースは残る。v2.0.0 拡張はローカル LLM 用途で今も動作
  • VRAM 24GB + Qwen3-Coder 30B A3B(chat / edit)+ Qwen2.5-Coder 1.5B(autocomplete) の 2 モデル併用が 2026 年秋の最適点
  • 役割別モデル割当て(config.yaml の roles: 配列)が Continue.dev の設計の核。Autocomplete は 500ms 以下、Chat / Edit は品質優先で分ける
  • Cline はエージェント寄り、Continue.dev は Tab 補完 + Chat 寄り、で棲み分け
  • 有料 Copilot / Cursor / Claude Code Pro の年 3〜7 万円 を節約でき、24GB VRAM PC の初期費用は 3〜4 年で回収圏内
  • 公式継続性リスクが気になり始めたら Twinny(個人)、Tabby(チーム)が代替候補

Continue.dev の公式運営は終わりましたが、コード補完 + ローカル LLM の組合せとしては 2026 年秋時点でも競争力のある選択肢です。Cursor が Continue の哲学(オープンソース、ローカル LLM ネイティブ)をどこまで受け継ぐかは不透明ですが、少なくとも既存の Continue.dev v2.0.0 は「今も普通に動く無料のコード補完ツール」として当面使い続けられます。

入手先・関連商品

当サイトは Amazon.co.jp アソシエイト・プログラムに参加しています。下記リンク経由で購入された場合、紹介料を受け取ることがあります。読者の負担は増えません。リンクは記事評価とは独立しており、編集判断には影響しません。

Continue.dev + Ollama を実用速度で回すには、24GB 以上の VRAM を持つ dGPU または統合メモリ 24GB 以上の Apple Silicon Mac が必要です。本記事で扱った VRAM 構成に沿って主要選択肢の探索リンクを置きます。

24GB VRAM 帯 dGPU(Continue.dev の最適点)

Apple Silicon Mac(統合メモリ 24GB 以上)


あなたに合うPCを診断する

用途や予算をもう少し細かく入力すると、3つの候補構成を提案します。

→ 診断スタート

関連記事