Android StudioのローカルLLM機能でGemma 4を動かす — Ollamaとの連携設定から実際の開発体験まで

「クラウドのAI APIを使いたいけど、コードが社外に出るのが気になる」という状況は、特に業務アプリの開発で珍しくありません。私もその悩みを抱えていたのですが、Android StudioがローカルLLM機能を搭載してから、状況が変わりました。

OllamaでGemma 4を手元で動かし、それをAndroid Studioに繋げると、コードは自分のマシンの外に出ることなく、AIアシスタントの補完や提案が使えます。ここではMacOS環境でのセットアップ手順と、実際に使ってみてわかったことをお伝えします。

必要なもの

MacOS（Apple Silicon推奨。MシリーズはGPU加速のメリットが大きい）
Android Studio Narwhal以降
Ollama（ollama.com からダウンロード）
空きRAM：Gemma 26Bを動かす場合は少なくとも32GB推奨

Intel MacやWindowsでも動作しますが、Gemma 26Bはモデルサイズが大きいため、スペックに余裕があるほど快適です。より軽量な gemma4:9b や gemma4:4b でも試せます。

Step 1: OllamaでGemma 4を起動する

まず、OllamaをインストールしてGemma 4モデルをダウンロードします。

# Gemma 4 26Bモデルのダウンロード（約17GB）
ollama pull gemma4:26b
 
# ダウンロード後、サーバーを起動
ollama serve
 
# 別ターミナルで動作確認
ollama run gemma4:26b "Hello, how are you?"

ollama serve を実行すると、デフォルトで http://localhost:11434 でAPIが提供されます。Android Studioはこのエンドポイントにアクセスしてモデルを呼び出します。

軽量モデルで試したい場合：

# 軽量版（4Bパラメータ、約3GB）
ollama pull gemma4:4b
 
# または中間サイズ（9Bパラメータ、約6GB）
ollama pull gemma4:9b

Step 2: Android StudioのローカルLLM設定

Android Studioを開き、設定を行います。

設定の場所: Preferences（またはSettings）> Tools > Gemini Code Assist > AI Provider

ここで「Local LLM」を選択し、エンドポイントURLを入力します：

http://localhost:11434

モデル名フィールドに gemma4:26b（またはダウンロードしたモデル名）を入力します。

接続テストボタンがあれば押してみましょう。Ollamaが起動していれば、接続成功のメッセージが出るはずです。

設定が完了すると、コードエディタ上でAIアシストが有効になります。通常のGemini APIの代わりに、ローカルのGemma 4が使われます。

実際にどのような場面で役立つか

設定後、いくつかのAndroidプロジェクトで試してみた感触をお伝えします。

良かった点：

コードの補完品質は、26Bモデルを使う限り実用的なレベルです。Kotlinの基本的な構文や、AndroidのViewModelやRepositoryパターンはきちんと認識されます。

// こういった定型パターンはスムーズに補完される
class UserRepository @Inject constructor(
    private val userDao: UserDao,
    private val apiService: ApiService
) {
    // AIがコンテキストを理解してメソッドを提案してくれる
    suspend fun getUser(id: String): Result<User> {
        return try {
            val localUser = userDao.findById(id)
            if (localUser != null) {
                Result.success(localUser)
            } else {
                val remoteUser = apiService.fetchUser(id)
                userDao.insert(remoteUser)
                Result.success(remoteUser)
            }
        } catch (e: Exception) {
            Result.failure(e)
        }
    }
}

制約と感じた点：

レスポンス速度はクラウドAPIより遅めです。Gemma 26BをM3 Max（96GB RAM）で動かした場合、補完のレスポンスに2〜4秒かかることがあります。軽量モデル（4B、9B）は速いですが、複雑なコードの理解度は下がります。

Jetpack Compose関連の補完は、クラウドのGeminiに比べると精度が落ちる印象がありました。新しいAPIへの追従はクラウドモデルの方が早いのは当然ですね。

OllamaをAndroid Studioと並行して常時起動する

毎回手動でOllamaを起動するのは面倒なので、Mac起動時に自動起動する設定をしておくと便利です。

# LaunchAgentとして登録（MacOS）
mkdir -p ~/Library/LaunchAgents
cat > ~/Library/LaunchAgents/com.ollama.serve.plist << 'EOF'
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
  "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.ollama.serve</string>
    <key>ProgramArguments</key>
    <array>
        <string>/usr/local/bin/ollama</string>
        <string>serve</string>
    </array>
    <key>RunAtLoad</key>
    <true/>
    <key>KeepAlive</key>
    <true/>
</dict>
</plist>
EOF
 
launchctl load ~/Library/LaunchAgents/com.ollama.serve.plist

これで、Mac起動時に自動的にOllamaが立ち上がり、Android Studioのローカル補完がすぐ使える状態になります。

機密コードを扱うプロジェクトへの導入を検討している方へ

ローカルLLMの最大のメリットは「コードがマシンから出ない」という点です。金融系・医療系・社内システムなど、コードの社外流出が許されないプロジェクトでも、AIアシストを導入できる可能性があります。

ただし、モデルの精度やレスポンス速度はクラウドAPIには及びません。「補完の品質を多少妥協してでもプライバシーを確保したい」場面に適した選択です。

より高度な活用（複数のモデルを用途別に切り替える、Gemma 4をファインチューニングしてプロジェクト特化モデルを作る）については、プレミアム記事で詳しく解説しています。