クラウドベースのAIサービスは強力ですが、いくつかの欠点があります。コスト、データプライバシー、インターネットへの依存性がその代表です。機密データを扱ったり、オフライン環境でAI機能が必要だったり、あるいは単に実験コストを管理したい場合に、セルフホスティングが代替案となり得ます。しかし、言語モデルを自分で設定するプロセスは複雑で、多くの時間を要します。
Ollamaは、このような問題を解決する優れたオープンソースプロジェクトです。複雑な設定なしに、いくつかのコマンドだけで個人のコンピュータで強力な言語モデルを動かすことができます。特定のモデルをダウンロードし、実行し、HTTPエンドポイントを通じて他のサービスと連携するプロセスを極めて単純化します。これにより、開発者はモデル自体の活用方法により集中できるようになります。
コードレビューはソフトウェアの品質を維持するための重要なプロセスですが、同僚の時間を多く消費する作業でもあります。GitHub CopilotやChatGPTのようなAIツールは優れた補助手段となりましたが、機密性の高いコードを外部APIに送信することに対するセキュリティ上の懸念やコストの問題は依然として残っています。
この記事では、これらの問題を解決するため、ローカル環境で完全に独立して動作するコードレビューCLI（コマンドラインインターフェース）ツールを自作します。人気のローカルLLM実行ツールであるOllamaとPythonを使用し、外部ネットワーク接続なしで安全かつ迅速にコードのフィードバックを得る方法を探ります。
大規模言語モデル（LLM）は、膨大なテキストデータに基づいて驚くべき言語能力を発揮します。しかし、LLMはそれ自体では外部世界から切り離されています。リアルタイムの株価情報を取得したり、データベースにクエリを実行したり、メールを送信したりといったタスクを直接実行することはできません。この限界を克服する核心技術が、まさに「Tool Use」、すなわち関数呼び出し（Function Calling）です。
この記事では、GoogleのGemini 1.5 Proモデルを中心に、Tool Useの概念と動作原理を説明します。単にAPIを呼び出すだけでなく、実務で直面しうるトレードオフや潜在的な失敗例まで深く掘り下げます。これにより、LLMを単なるチャットボットではなく、実際のタスクを遂行するエージェントへと変える第一歩を踏み出すことができるでしょう。
数多くのAIコーディングアシスタントツールが登場しています。GitHub Copilotは基本的な自動補完を超え、開発ワークフローの一部となり、各IDEも独自のAI機能を続々と組み込んでいます。しかし、そのほとんどは既存のエディタにプラグインとして追加される形に留まっています。
Cursorは少し異なるアプローチを取ります。VS Codeをベースにしていますが、最初からAIとのインタラクションを中心に設計された「AIネイティブ」IDEを謳っています。単なるコード補完にとどまらず、コードベース全体の文脈を理解し、ユーザーと対話しながらソフトウェアを構築していく体験を提案します。本記事では、Cursorを実際の業務に導入する過程で経験した設定、印象的だった機能、そして直面した明確な限界点について共有します。
開発者はコードを書く以外にも、数多くの認知的労働をこなします。レガシーコードを分析し、より良い構造を考えてリファクタリングを行い、変更内容を明確に説明するコミットメッセージを作成するなどです。GitHub Copilotがコード自動補完の時代を切り開いたとすれば、今やAIツールは開発ワークフロー全体にさらに深く関与するようになっています。
JetBrains AI Assistantは、私たちが日々使用するIntelliJ、PyCharm、WebStormといったIDEに直接統合されたAIツールです。単なるコードスニペットの生成にとどまらず、IDEが持つ豊富なコードインデックス情報を基に、より文脈に即した提案を行うことを目指しています。
本記事では、JetBrains AI Assistantの基本設定から、実務で役立つ主要機能、そして私が実際に経験した失敗談や技術的なトレードオフまで、シニア開発者の視点から率直に解説します。