OpenClawでローカルLLMを連携する方法【完全ガイド】

OpenClawは複数のLLMプロバイダーを柔軟に切り替えて使えるAIエージェントプラットフォームです。クラウドAPIだけでなく、ローカルで動作するLLMとの連携も可能です。

この記事では、Ollama・vLLMなどのローカルLLMをOpenClawに接続し、コスト削減とプライバシー保護を両立する方法を解説します。

OpenClaw × ローカルLLMのメリット

コスト削減とプライバシー保護

ローカルLLMを活用する最大のメリットは、APIコストの削減とデータのプライバシー保護です。

比較項目	クラウドAPI	ローカルLLM
月額コスト	$50〜$200+	電気代のみ（$5〜$15）
データの送信先	外部サーバー	ローカルマシン内
レスポンス速度	ネットワーク依存	GPU性能依存
品質（2026年）	最高品質	中〜高品質
可用性	API障害リスク	ハードウェア依存

日常的な軽量タスク（メール下書き、スケジュール確認、簡単なコード補完）をローカルLLMに任せるだけで、月$30〜$80のAPI費用削減が見込めます。

オフライン環境での自律運用

出張先やネットワーク制限のある環境でも、ローカルLLMがあればOpenClawの基本機能を利用できます。

• 機内でのコーディング支援
• セキュリティが厳しい客先での利用
• ネットワーク障害時のフォールバック

対応するローカルLLMプロバイダー

Ollama（Llama 3.x / Mistral / Gemma）

Ollamaは最も手軽にローカルLLMを実行できるツールです。

# Ollamaのインストール
curl -fsSL https://ollama.ai/install.sh | sh

# モデルのダウンロード
ollama pull llama3.3:70b   # 高品質（要40GB+ VRAM）
ollama pull llama3.3:8b    # 軽量（8GB VRAMで動作）
ollama pull mistral-nemo   # バランス型
ollama pull gemma2:27b     # Google製、日本語性能高い

Ollamaの特徴は以下の通りです。

• ワンコマンドでインストール・モデルダウンロード
• macOS（Metal）/ Linux（CUDA）/ Windows対応
• OpenAI互換APIを自動で提供（http://localhost:11434）
• モデルの切り替えがollama runコマンドで即座に可能

vLLM / llama.cpp / LM Studio

より高度なカスタマイズが必要な場合は、以下のツールも選択肢に入ります。

ツール	特徴	推奨環境
vLLM	高スループット推論エンジン	NVIDIA GPU搭載サーバー
llama.cpp	CPU推論に最適化	GPU非搭載マシン
LM Studio	GUIでモデル管理	初心者向け

OpenAI互換APIとしての接続方式

すべてのローカルLLMツールは、OpenAI互換APIエンドポイントを提供します。これにより、OpenClawからは通常のOpenAI APIと同じように呼び出すことができます。

POST http://localhost:11434/v1/chat/completions
Content-Type: application/json

{
  "model": "llama3.3:8b",
  "messages": [{"role": "user", "content": "Hello!"}]
}

セットアップ手順

Ollamaのインストールとモデルダウンロード

macOSでの最短セットアップ手順は以下の通りです。

# 1. Ollamaをインストール
brew install ollama

# 2. Ollamaサーバーを起動
ollama serve &

# 3. 推奨モデルをダウンロード
ollama pull llama3.3:8b         # 日常タスク用
ollama pull deepseek-coder-v2   # コーディング用

# 4. 動作確認
curl http://localhost:11434/v1/chat/completions \
  -d '{"model":"llama3.3:8b","messages":[{"role":"user","content":"テスト"}]}'

openclaw.jsonのモデル設定

OpenClawの設定ファイルにローカルモデルを追加します。

{
  "models": {
    "local-llama": {
      "provider": "openai-compatible",
      "baseUrl": "http://localhost:11434/v1",
      "model": "llama3.3:8b",
      "maxTokens": 4096
    },
    "local-coder": {
      "provider": "openai-compatible",
      "baseUrl": "http://localhost:11434/v1",
      "model": "deepseek-coder-v2",
      "maxTokens": 8192
    }
  }
}

カスタムエンドポイントの指定

vLLMやLM Studioを使う場合も、同じ形式でエンドポイントを指定するだけです。

{
  "models": {
    "vllm-server": {
      "provider": "openai-compatible",
      "baseUrl": "http://192.168.1.100:8000/v1",
      "model": "meta-llama/Meta-Llama-3.3-70B",
      "maxTokens": 4096
    }
  }
}

OpenClaw導入ガイドで、基本的なOpenClawの設定方法を確認できます。

モデル選定ガイド — タスク別おすすめ

日常タスク向け（7B-13Bモデル）

日常的なタスクには、軽量で高速なモデルが最適です。

モデル	パラメータ	必要VRAM	推奨タスク
Llama 3.3 8B	8B	6GB	チャット、要約、翻訳
Gemma 2 9B	9B	7GB	日本語タスク全般
Mistral Nemo	12B	8GB	分析、レポート

コーディング向け（CodeLlama / DeepSeek Coder）

コーディングタスクには、コード特化モデルが効果的です。

• DeepSeek Coder V2: コード補完、バグ修正、テスト生成
• CodeLlama 34B: 大規模コードベースの理解
• Qwen2.5-Coder 7B: 軽量でバランスの良いコード生成

長文処理向け（大コンテキストモデル）

長いドキュメントの処理には、コンテキスト長の大きいモデルを選びます。

• Llama 3.3 8B（128K）: 大量のログ分析
• Mistral Nemo（128K）: 長文レポートの要約
• Gemma 2 27B: 高品質な長文生成

ハイブリッド運用のベストプラクティス

ローカル × クラウドの自動切り替え

OpenClawでは、タスクの複雑さに応じてローカルLLMとクラウドAPIを自動切り替えする設定が可能です。

{
  "routing": {
    "default": "local-llama",
    "complex": "anthropic/claude-sonnet-4.6",
    "coding": "local-coder",
    "creative": "anthropic/claude-opus-4"
  }
}

軽量タスクはローカル、複雑タスクはクラウドへ

実用的な使い分けの例は以下の通りです。

タスクの複雑さ	使用モデル	理由
簡単な質問応答	ローカル（8B）	コスト削減、高速応答
メール下書き	ローカル（8B）	プライバシー保護
コード生成	ローカル（Coder系）	高速、十分な品質
複雑な分析	クラウド（Claude）	高い推論能力が必要
クリエイティブ作業	クラウド（Claude/GPT）	最高品質が必要

OpenClawコスト最適化で、さらに詳しいコスト削減テクニックを解説しています。

パフォーマンスチューニング

GPU/Metal活用の最適化

ローカルLLMのパフォーマンスは、GPU設定によって大きく変わります。

macOS（Apple Silicon）の場合:

# Metal GPUを使用（デフォルトで有効）
OLLAMA_NUM_GPU=999 ollama serve

Linux（NVIDIA CUDA）の場合:

# CUDA GPUを使用
CUDA_VISIBLE_DEVICES=0,1 ollama serve

コンテキスト長とメモリ管理

コンテキスト長を増やすとメモリ消費が増加します。タスクに応じて適切に設定しましょう。

# コンテキスト長を指定してモデル実行
ollama run llama3.3:8b --ctx-size 8192   # デフォルト
ollama run llama3.3:8b --ctx-size 32768  # 長文処理時

OpenClawマルチモデル運用で、モデル管理の詳細な手法を確認できます。

まとめ — ローカルLLMで完全自律AIアシスタントを構築

OpenClaw × ローカルLLMの組み合わせは、コスト削減・プライバシー保護・可用性向上を同時に実現する強力な選択肢です。

実践のポイントを整理します。

• ✅ まずはOllamaでLlama 3.3 8Bを試す（最も手軽）
• ✅ openclaw.jsonにローカルモデルのエンドポイントを追加する
• ✅ 日常タスクはローカル、複雑タスクはクラウドのハイブリッド運用にする
• ✅ コーディング用にはDeepSeek CoderやCodeLlamaを別途用意する
• ✅ GPU設定とコンテキスト長を調整してパフォーマンスを最適化する

ローカルLLMの性能は日々向上しています。まずは小さく始めて、自分のワークフローに最適な構成を見つけてください。