Claude CodeはローカルのOllamaにつないで、APIに送る作業の一部を手元のモデルに回せます。Ollama v0.14.0以降はAnthropic API互換なので、環境変数3つと --model の指定で切り替えられます。ただしコーディングにはコンテキストを64k以上に広げる必要があり（既定はVRAM 24GiB未満だと4k）、公式が推奨するモデル本体も14〜19GBあります。複雑な作業はAPI、単純作業はローカルのハイブリッド運用が現実解です。
「Claude Codeは便利だけどAPIコストがかさむ」——重量利用なら月数万円に届くこともあります。そこでローカルLLM（Ollama）を併用すれば、単純なタスクを手元のモデルに回し、APIに送る量を減らせます。本記事では、Ollama公式の接続手順と、APIの料金の計算方法を解説します。
Claude APIが高い？ローカルLLMが解決策になる理由
理由はシンプルで、ローカルLLMの実行コストは電気代だけだからです。コード補完やリファクタの下書きなど、頻度が高く難易度が低いタスクをローカルに回すだけでAPI消費が激減します。
どれだけ減るかは、ローカルに回す作業の割合で決まり、決まった削減率はありません。さらにローカルに回した分のコードは外部に送らないため、機密性の高いプロジェクトでのプライバシー確保にもつながります。
Claude CodeをOllamaに繋ぐ手順
Ollama v0.14.0以降はAnthropic Messages APIに対応したため（Ollama公式ブログ・2026年1月16日）、プロキシなしで直接接続できます。現在の公式ドキュメントは ollama launch claude の1行で、モデルの選択からClaude Codeの起動までを案内しています。手動で設定する場合は次のとおりです。
# 1. モデルを取得（公式の推奨例：gpt-oss:20b・qwen3-coder）
ollama pull gpt-oss:20b
# 2. コンテキストを64k以上にしてOllamaを起動（アプリ版は設定画面のスライダーで変更）
OLLAMA_CONTEXT_LENGTH=64000 ollama serve
# 3. 別のターミナルで、Claude CodeをローカルのOllamaに向ける
export ANTHROPIC_AUTH_TOKEN=ollama
export ANTHROPIC_API_KEY=""
export ANTHROPIC_BASE_URL=http://localhost:11434
# 4. Ollamaのモデルを指定してClaude Codeを起動
claude --model gpt-oss:20b古いOllamaやマルチモデル運用の場合
Ollamaが古い、あるいはタスクごとにモデルを切り替えたい場合は、Anthropic⇔OpenAI形式を変換するプロキシ（Claude Code RouterやLiteLLM）を挟みます。ANTHROPIC_BASE_URLをプロキシのアドレス（例: http://127.0.0.1:3456）に向ければOKです。
どのモデルを選ぶ？（Ollama公式の推奨）
Ollama公式のブログは、Claude Code向けのローカルモデルとして gpt-oss:20b と qwen3-coder を挙げています。ツール呼び出しに対応したモデルを選ぶのが前提です。
| モデル | 大きさ（Ollamaライブラリの表示） | 公式での扱い |
|---|---|---|
| gpt-oss:20b | 14GB | Claude Code向けのローカル推奨（公式ブログ） |
| qwen3-coder（30b） | 19GB | Claude Code向けのローカル推奨（公式ブログ） |
| qwen3.5（既定のタグ） | 6.6GB | 手動設定の例（公式ドキュメント） |
表の大きさはモデル本体の大きさで、実行時にはコンテキストの分のメモリが上乗せされます（公式のContext length）。VRAMに収まらずCPUへはみ出すと遅くなるので、ollama ps の PROCESSOR 列が「100% GPU」かを確かめます。当サイトはOllamaを実機で測っていないため、どの構成で収まるかは手元で確かめてください。手持ちのPCで足りない場合は、ローカルAI/3DCG向けの構成をBTOで組むのが手堅い選択です。サイコムなら用途に合わせてGPUとメモリを相談しながら決められます。
ローカルLLMの限界と使い分け
ローカルLLMは万能ではありません。テキスト生成やコードレビューの補助は得意ですが、複雑なエージェント動作は本家Claudeに分があります。「全部ローカル」ではなく「使い分け」が正解です。
ローカルLLMが得意
コード補完、定型的なリファクタの下書き、コミットメッセージ生成、ドキュメントの下書き、コードレビューの一次チェックなど、頻度が高く難易度が中程度までのタスク。
Claude API（本家）が得意
複数ファイルにまたがる大規模リファクタ、設計判断、込み入ったバグ修正、長い文脈の理解、安定したツール実行。精度が重要な本番タスクはこちらに任せます。
タスクの難易度で送り先を切り替えるだけで、品質を落とさずコストだけを削れます。Claude Code自体の消費を抑える設定はClaude Codeトークンコスト削減設定術も合わせて実践すると効果的です。
コスト試算：APIの料金はどう決まる？
APIの料金は「入力トークン数×入力単価＋出力トークン数×出力単価」です。Anthropic公式の料金表の「Model pricing」（2026年10月2日確認・100万トークンあたり・Base tokens の Input／Output）は次のとおりです。
| モデル | 入力 | 出力 |
|---|---|---|
| Claude Opus 5.5 | $4 | $20 |
| Claude Sonnet 5.5 | $2 | $10 |
| Claude Haiku 4.5 | $1 | $5 |
たとえばSonnet 5.5で入力400万・出力100万トークン（月500万トークン）なら、$8＋$10＝$18です。ローカルに回した分はこの料金がかからず、代わりに電気代とGPUの費用がかかります。
サーバーに常駐させて複数人で共有したい場合は、GPU付きのクラウドや自前サーバーで動かす手もあります。VPS上でのOllama構築はVPSにOllamaを入れてローカルLLMをクラウドで動かす方法で詳しく解説しています。
まとめ：単純作業はローカル、難しい作業はAPIに
結論は「単純タスクはローカルのOllama、難しいタスクは本家Claude API」のハイブリッド。Ollama v0.14.0以降なら環境変数3つと --model で切り替えられます。コンテキストを64k以上に広げ、VRAMに収まるモデルを選んで、タスクで送り先を切り替えれば、APIに送る量を減らせます。AIツールの全体像はCopilot vs Claude Code vs Cursor比較も参考にどうぞ。
ローカルLLMやClaude Codeをさらに使いこなすなら、体系的な講座で基礎を固めるのが近道です。
よくある質問（FAQ）
Claude CodeをOllamaに繋ぐのにプロキシは必要ですか？
--model でOllamaのモデルを指定すれば接続できます。現在は ollama launch claude でも起動できます。古いOllamaやモデルを切り替えたい場合のみ、Claude Code RouterやLiteLLMを挟みます。
コメント