無料で使える「LM Studio」でローカルLLM入門

1. 無料で使える「 LM Studio 」で ローカル LLM 入門 1
2. 今日のアジェンダ 1. LM Studio とは？ 2. LM Studio のインストール方法 3. LM Studio の基本的な使い方 4. Java で LLM にアクセスしてみよう（ LangChain4j ） 5. Function Calling （ Tool use ）と RAG で外部情報を利用する 6. MCP サーバーと MCP クライアントを作る 7. 応用（ AI エージェントのオーケストレーション） 2
3. 1. LM Studio とは？ 3
4. LM Studio とは？ ローカル PC で LLM を簡単に動かせるデスクトップアプリ GUI で直感的にモデルをダウンロード・管理 チャット UI ですぐに試せる OpenAI 互換の API サーバーを内蔵 http://localhost:1234/v1 でアクセス可能 ( 設定で変更可 ) 既存の OpenAI 向けコードがそのまま動く Windows / macOS / Linux 対応 完全無料 4
5. なぜローカル LLM ？ クラウド API ローカル LLM コスト 従量課金 無料 プライバシー データが外部に送信 データが PC 内で完結 オフライン カスタマイズ 制限あり 自由 性能 非常に高い PC スペック依存 開発・検証・学習用途には最適！ 5
6. 2. LM Studio のインストール方法 6
7. インストール手順 1. 公式サイトからダウンロード https://lmstudio.ai 2. インストーラーを実行 Windows: .exe を実行 / macOS: .dmg を開く / Linux: .AppImage を実行 3. 起動して完了！ 特別な設定は不要。すぐに使い始められます。 モデルのダウンロードにはそれなりの容量が必要（例 : 4B モデルで約 3GB ） 7
8. 3. LM Studio の基本的な使い方 8
9. モデルのダウンロード Hugging Face からモデルを検索・ダウンロード 例 : https://huggingface.co/lmstudio-community/Qwen3.5-4B-GGUF LM Studio 内の検索バーからモデル名を入力するだけ！ 9
10. 無印と GGUF の違い 無印（ base モデル） オリジナルの形式（ float16/32 ） 高精度だがメモリ消費が大きい ハイスペック GPU が必要 GGUF （量子化モデル） 精度を少し落として圧縮したフォーマット 一般的な PC の CPU/GPU で動作可能 一般 PC で動かすなら GGUF がおすすめ！ lmstudio-community とか Qwen の公式モデルをおすすめします LM Studio 用に最適化されています 10
11. パラメータ数の違い（例 : Qwen3.5 シリーズ） モデル パラメータ数 VRAM 目安 (GGUF) 特徴 0.8B 8 億 約 1GB 超軽量・お試しに最適 4B 40 億 約 3GB 軽量・高速。今回のデモで使用 8B 80 億 約 5GB バランス型 14B 140 億 約 9GB 高い推論能力 32B 320 億 約 20GB より複雑なタスクに対応 11
12. パラメータ数が意味すること パラメータが少ない（ 4B 〜 8B ） 知識の引き出しが少ない / 複雑な思考は苦手 身軽なのでパッと素早く答えられる 今回のデモでは 4B を使用 → 一般的な PC でも十分動く パラメータが多い（ 14B 〜 32B ） 知識の引き出しが多い / 文脈を読んだり複雑な論理を組み立てるのが得意 その分、 GPU メモリと処理時間が必要 GPT、Claude、Gemini など普段使っているモデルは 数千億〜 1 兆個以上のパラメータを持つと言われています（実際は非公開） 12
13. モデルの起動とチャット 1. モデルをロード ダウンロードしたモデルを選択して「 Load」 2. チャットで試す LM Studio 内蔵のチャット UI で会話 3. API サーバーを起動 「Local Server」 タブからサーバーを起動 → http://localhost:1234/v1 で待ち受け # curl で動作確認 curl http://localhost:1234/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{"model": "any", "messages": [{"role": "user", "content": "Hello!"}]}' 13
14. 実際の動作パフォーマンス 参考値（ Qwen3.5-4B-GGUF / Vulkan GPU 利用時） 生成速度 : 約 30 tokens/ 秒 VRAM 使用量 : 約 3GB パフォーマンスに影響する要素 GPU/CPU のスペック モデルのパラメータ数・量子化レベル コンテキスト長の設定 モデルサイズと PC スペックのバランスが重要！ まずは 4B くらいの小さいモデルから試すのがおすすめ 14
15. 4. Java で LLM にアクセス LangChain4j 15
16. LangChain4j とは？ Java で LLM アプリケーションを構築するためのフレームワーク Python の LangChain にインスパイアされた Java ライブラリ // build.gradle dependencies { implementation 'dev.langchain4j:langchain4j:1.2.0' implementation 'dev.langchain4j:langchain4j-open-ai:1.2.0' implementation 'dev.langchain4j:langchain4j-http-client-jdk:1.2.0' } 16
17. LM Studio への接続設定 # application.yaml llm: base-url: http://localhost:1234/v1 api-key: dummy model-name: Qwen3.5-4B-GGUF temperature: 0.8 request-timeout-seconds: 300 context-window: 262144 max-tokens: 262144 @ConfigurationProperties(prefix = "llm") public record LlmProperties( String baseUrl, String modelName, String apiKey, Double temperature, Long requestTimeoutSeconds, Integer maxTokens, Integer contextWindow ) {} 17
18. ChatModel の構築 @Bean public OpenAiChatModel chatLanguageModel() { return OpenAiChatModel.builder() .baseUrl(llmProperties.baseUrl()) .apiKey(llmProperties.apiKey()) .modelName(llmProperties.modelName()) .temperature(llmProperties.temperature()) .maxTokens(llmProperties.maxTokens()) .timeout(Duration.ofSeconds( llmProperties.requestTimeoutSeconds())) .build(); } LM Studio では dummy で OK パブリッククラウドやプライベートクラウドでは必須 18
19. 実際のリクエスト（デバッグログ） POST /v1/chat/completions に OpenAI 互換の JSON 形式で送信 LM Studio で起動中のモデルを指定 temperature , max_tokens などのパラメータも確認できる 19
20. LM Studio からのレスポンス OpenAI 互換の JSON 形式でレスポンスが返る <think> タグ内に Thinking Process （思考過程）が含まれる（ LM Studio の設定次 第） 20
21. AiService インターフェース public interface AiService { String chat(@UserMessage String userMessage); TokenStream stream(@UserMessage String userMessage); } @Bean public AiService assistant(OpenAiChatModel model, OpenAiStreamingChatModel streamingModel, ChatMemory chatMemory, ContentRetriever contentRetriever) { return AiServices.builder(AiService.class) .chatModel(model) .streamingChatModel(streamingModel) .chatMemory(chatMemory) .tools(weatherService) // Function Calling .contentRetriever(contentRetriever) // RAG .toolProvider(mcpToolProvider) // MCP Client .build(); } 21
22. デモアプリの画面 LangChain4j チャット メッセージ入力欄 通常送信 / ストリーミング送 信の切り替え テンプレート挿入ボタン 22
23. 5. Function Calling （ Tool use ）と RAG 23
24. Function Calling とは？ LLM が外部のツール（関数）を呼び出せる仕組み ユーザー: 「福岡の天気を教えて」 ↓ LLM: 「天気取得ツールを呼ぼう」→ getWeather(" 福岡") ↓ ツール実行 → 天気データ取得 ↓ LLM: 「福岡の天気は晴れです... 」 LLM 単体では知り得ないリアルタイム情報にアクセスできる LLM が自律的にどのツールを使うか判断する 24
25. LangChain4j での実装 @Service public class WeatherService { @Tool(" 与えられた場所の天気の情報を取得します。") public String getWeather(String place) { log.info("place: {}", place); return " 晴れ 最高気温25 度"; } @Tool(" 現在時刻を返します") public String getTime() { return LocalDateTime.now().toString(); } } // AiService にツールを登録するだけ AiServices.builder(AiService.class) .chatModel(model) .tools(weatherService) // ← ツールを渡すだけ！ .build(); 25
26. Function Calling デ モ 「what time is it now? 」 と質問 LLM が getTime() ツールを 自動呼び出し 現在時刻を取得して回答を 生成 LLM 自身は時計を持たない が、ツール経由で取得でき た 26
27. Function Calling ≒ Skills Skills （ Claude Code 等で定義する手順書）は、 Function Calling で実装できる Skills Function Calling ( @Tool ) 定義 AI への手順指示書 Java メソッド＋説明文 実行者 AI が手順に従って実行 LLM が自律的に呼び出し 利点 柔軟・自然言語で定義 型安全・テスト可能・安定 Skills で定義した手順を @Tool として実装すると、 LLM が「いつ使うか」を自律判断しつつ、実行は Java コードで安定動作する 27
28. Skill の定義例 : GitHub PR コメント取得 # GitHub PR 全コメント取得スキル ## 目的 Pull Request に対する「全体コメント（Conversation ） 」 と 「インラインコメント（Files changed ） 」 の両方を漏れなく取得する。 ## 実行ステップ 1. Owner 名・Repository 名・PR 番号を特定 2. 全体コメントを取得 → GET /repos/{owner}/{repo}/issues/{pr}/comments 3. インラインコメントを取得 → GET /repos/{owner}/{repo}/pulls/{pr}/comments 4. 結果を統合して提示 自然言語で手順と目的を記述するだけ 28
29. 実装例 : GitHub PR コメント取得スキル @Service public class GitHubPrCommentService { @Tool(""" GitHub Pull Request の全体コメントと インラインコメントの両方を取得して一覧表示します。 """) public String fetchAllPrComments( @P(" リポジトリのオーナー名") String owner, @P(" リポジトリ名") String repo, @P("PR 番号") int prNumber) { // GitHub REST API を HttpClient で直接呼び出し String issueComments = callGitHubApi( "/repos/%s/%s/issues/%d/comments" .formatted(owner, repo, prNumber)); String reviewComments = callGitHubApi( "/repos/%s/%s/pulls/%d/comments" .formatted(owner, repo, prNumber)); // ... 結果を整形して返却 } } 29
30. RAG （ Retrieval-Augmented Generation ） 検索で取得した情報を LLM の回答に活用する手法 質問 → ベクトル検索 → 関連ドキュメント取得 → LLM に渡して回答生成 @Bean public EmbeddingStore<TextSegment> embeddingStore( EmbeddingModel embeddingModel) { InMemoryEmbeddingStore<TextSegment> store = new InMemoryEmbeddingStore<>(); List<String> documents = List.of( "LM Studio はローカルで動くデスクトップアプリです...", "GGUF は量子化されたモデル形式で...", "LangChain4j はJava でLLM アプリケーションを...", "MCP はModel Context Protocol の略で...", "Function Calling はLLM が外部のツールを..." ); // Embedding モデルでベクトル化して登録 for (String text : documents) { var embedding = embeddingModel.embed(text).content(); store.add(embedding, TextSegment.from(text)); } return store; } 30
31. RAG デモ 「LM Studio について」と質問 登録済みドキュメントから 関連情報を検索 LLM が検索結果をもとに回答 を生成 LLM の学習データにない情 報でも回答できる Embedding モデルもローカ ルで動作 31
32. 6. MCP サーバー / クライアント 32
33. MCP （ Model Context Protocol ）とは？ LLM とツールを繋ぐ標準プロトコル LLM アプリ（MCP クライアント） MCP MCP サーバー（ツール提供） 外部サービス（GitHub, ファイルシステムなど） Anthropic が提唱したオープン標準 ツールの発見・呼び出しを統一的に行える 様々な MCP サーバーが公開されている 33
34. MCP サーバーを自作する（ Spring AI ） @Service public class McpServerTools { @Tool(description = " 与えられた場所の天気の情報を取得します。") public String getWeather(String place) { ... } @Tool(description = " 現在時刻を返します") public String getTime() { ... } } @Bean public ToolCallbackProvider mcpToolCallbackProvider( McpServerTools mcpServerTools) { return MethodToolCallbackProvider.builder() .toolObjects(mcpServerTools) .build(); } Spring AI の @Tool （ org.springframework.ai.tool.annotation.Tool ）を使用 LangChain4j の @Tool とは別のアノテーション 34
35. MCP サーバー デモ（ LM Studio から接続） LM Studio の設定に http://localhost:8080/sse を登録 「今日の福岡の天気は？」 → getWeather を自動呼び出し Spring Boot アプリがツールを実行して結果を返す 35
36. MCP クライアントの実装（ Filesystem MCP ） @Bean @ConditionalOnProperty(name = "mcp.filesystem.enabled", havingValue = "true") public McpClient filesystemMcpClient() { McpTransport transport = new StdioMcpTransport.Builder() .command(commandWithArgs) .logEvents(true) .build(); return new DefaultMcpClient.Builder() .transport(transport) .build(); } # application.yaml mcp: filesystem: enabled: true command: /path/to/node args: /path/to/server-filesystem/dist/index.js,/tmp 36
37. MCP クライアント デモ 「/tmp/demo.txt の内容を教えて」 read_file ツールを自動呼び出 し /tmp/demo.txt の実際の内容を読 み取って回答 VSCode で実ファイルと一致を確 認 37
38. ローカル LLM を試してわかったこと ローカル LLM を手元で試すことで、アプリケーションの動き方がわかった気がする （浅い） Function Calling や RAG、MCP を組み合わせると LLM 単体の限界を超えられる 一方で、 1 つの AI に全部任せると品質・速度に限界があるのも実感した この気づきを踏まえて、さらに一歩先に進んでみましょう 38
39. 7. 応用 AI エージェントのオーケストレーション 39
40. なぜオーケストレーション？ ローカル LLM を試して、 1 つの AI との対話でできることと限界が見えてきました。 しかし実際の開発では、タスクは多岐にわたります。 設計、実装、テスト、レビュー … 一人の AI に全部任せるのは非効率 得意分野が異なる AI を役割分担させたらどうなる？ 人間のチーム開発と同じように、 AI にもチームを組ませる発想 サブエージェントやエージェントチームとの違い サブエージェント（ Claude Code 等）は同一プロダクト内の親子関係 エージェントチーム（ CrewAI, AutoGen 等）は同一 LLM プロバイダ内での役割分担 これらでは Claude Code・Copilot・Gemini を直接つなぎ込むことができない 今回のアプローチでは、ステップベースで並列実行・条件分岐・障害復旧まで制御する Function Calling や MCP で「ツールとの連携」ができるなら、 次は 「AI 製品を横断した連携」 に挑戦してみよう 40
41. チーム構成の例 各 AI に役割を割り当て、 得意分野を活 かす構成： 設計 : Claude Code が全体方針を 決める 実装 : Copilot （ゲームロジック） / Gemini （ UI ） / OpenCode・Codex など（定型タ スク）を並列活用 統合・修正 : Claude Code が成果 物をまとめる 最終レビュー : Copilot が全体の破 綻がないか確認する ローカル LLM だけにすれば機密情 報も安全に扱える 41
42. PoC: すごろくゲーム アプリ この構成で実際にアプリを作ってみ ました。 Dart / Flutter でシンプルなすごろくボードゲームアプリを作成してください。 - 2 〜4 人のプレイヤーが参加可能 - サイコロを振ってマスを進む - マスにイベント（進む / 戻る / 1 回休み）がある - ゴールに到達したプレイヤーの勝利 - シンプルなUI でモバイル対応 42
43. 実行結果 うまくいったこと PoC として動くものが 1 発で 作れた 盤面移動、イベント、勝敗判定など最低限の流れは実装できた 課題 UI/UX がシンプルすぎる → Figma デザインや画像を入力として渡す工夫が必要 実装の品質が荒い → テンプレートや AI への指示（ skills / instruction ）の改善が必要 どこかで人間の判断が必要 → 要所でのレビューを組み込む設計が重要 43
44. PoC: ワークフロー申請システム 44
45. PoC: 問い合わせ振り分け 実行結果 課題 ポジティブ : この新しい機能は本当に使いやすいと感じた。 ネガティブ : 価格設定が高すぎて、導入に躊躇してしまう。 ネガティブ : もう少し改善の余地があるように思う点もある。 ポジティブ : 全体的なクオリティは非常に高く評価できる。 ポジティブ : 期待していた以上の満足感が得られたよ！ ネガティブ : 対応が遅いので、ストレスを感じてしまう。 45
46. オーケストレーションの学び 開発の基本は今までと変わらない： 設計 → 実装 → レビュー → テスト -> 強制させる。 AI に自由度を与えすぎると品質がブレる。 ワークフローに沿った動きを強制する 仕組みが効果的 どこで並列してパフォーマンス出すか、どこで人間が判断するかの設計が重要 46
47. まとめ LM Studio + LangChain4j から広がる活用 1. 無料でローカル LLM を動かせる 2. Function Calling で LLM が外部ツールと連携 3. RAG でドメイン知識を活用 4. MCP クライアント /MCP サーバーでツール連携 5. 複数 AI の役割分担で開発プロセス自体も設計対象になる 6. PoC が自宅で簡単に作れる → アイデア次第で何でもできる ローカル LLM は開発・検証・学習の強力なパートナー！ 47
48. ありがとうございました！ ソースコード このリポジトリのコードを参照してください 参考リンク LM Studio: https://lmstudio.ai LangChain4j: https://docs.langchain4j.dev MCP: https://modelcontextprotocol.io 48