RTX 2000 Ada を積んだ NAS の Ollama を LAN 越しに Zed から使い、インフラ実務タスク12本を実際に実行して採点した記録

生成AIを開発に利用するとき、「どのAIモデルが最も優秀か」という比較に目が向きがちです。 しかし、実際の開発では、AIモデル単体の性能だけで開発効率や品質が決まるわけではありません。 重要なのは、 どの開発ツールから、どのAIエージェントを使い、どのモデルに何の役割を担当させるか という組み合わせです。 現在、私の開発環境は、次の2系統で構成しています。 メイン環境： Ghostty＋Herdr＋Claude Code CLI 予備・バックアップ・事前調査環境： Zed＋Z.ai、またはZed＋Sakana AIのFugu Ultra メイン環境では、Claude CodeのOpus 4.8を実装担当として利用し、 Codexを独立したレビュー担当として組み合わせています。 この記事では、私がこの構成を選んでいる理由と、 AIモデル、AIエージェント、開発ツール、レビュー規約を どのように組み合わせているかを紹介します。 １．AIモデル、AIエージェント、開発ツールは別物 まず、混同されやすい用語を整理します。 分類 役割 私の環境での例 開発

AIを使った開発環境では、最近よく「AIモデル」「AIエージェント」「スキル」「ツール」という言葉が出てきます。 ただ、これらは似ているようで役割が違います。特にZedのようなAI対応エディタを使うと、AIがコードを読んだり、ファイルを編集したり、ターミナルでコマンドを実行したりするため、「結局、何が何をしているのか」がわかりにくくなります。 この記事では、Zedを例にしながら、AIモデル・AIエージェント・スキル・ツールの関係を整理します。 実際にはコーディングだけなく、クラウドインフラを扱う上で、コマンドによるログ収集や取得したログの解析などといったインフラエンジニアにとっても、AIエージェントの恩恵を受ける場面は多くなっています。 まず結論 一言でいうと、次のように理解するとわかりやすいです。 AIモデルは考える。AIエージェントは動く。ツールは操作する。スキルは動き方を教える。 概念 たとえ 役割 AIモデル 頭脳 考える・理解する・文章やコードを生成する AIエージェント 作業者 目的に向かって作業を進める ツール 手足・道具...

はじめに 前回の記事では、UGREEN DXP6800 Pro に eGPU 経由で RTX 2000 Ada を載せ、Ollama を Docker 上で動かし、さらに Zed からローカルLLMへ接続するところまでをまとめました。 前回時点での到達点はこうでした。 Ollama は ollama/ollama:0.24.0 に固定 NVIDIA Driver は 535.261.03 GPU は RTX 2000 Ada 16GB qwen3:14b は 100% GPU で快適に動作 qwen3-coder:30b は本体RAM不足で本格検証できず UGREEN DXP6800 Pro の本体RAMを 64GB に増設予定 今回はその続きです。 NAS本体のメモリを 8GB から 64GB に増設し、qwen3-coder:30b がどこまで実用になるのかを試しました。 さらに今回は単なるベンチマークだけではなく、実際に Zed 経由でローカルLLMを使い、Sonnet と qwen3-coder:30b に同じようなコーディング課題を投げ

はじめに 前回、UGREEN DXP6800 Pro に eGPU 経由で RTX 2000 Ada を載せ、Docker から --gpus all でGPUを叩けるところまで持っていきました。今回はその続きで、本来の目的だった ローカルLLMをコーディングに使うところまでの記録です。 ゴールはこんな感じ: NAS本体で Ollama を常時稼働させる ブラウザからは Open WebUI で叩く エディタ Zed からも繋いで、コーディング補助に使う ……が、これがまた一筋縄ではいかず、CUDAエラーで全モデルが起動しないという壁にぶつかりました。結論から言うと、原因は「Ollamaが新しすぎたこと」でした。同じ構成でハマっている人の役に立てば嬉しいです。 最終的に安定した構成はこちら: UGREEN DXP6800 Pro └ NVIDIA Driver 535.261.03 (CUDA 12.2) └ RTX 2000 Ada (VRAM 16GB) └ Docker ├ ollama … ollama/ollama:0.2