Qwen3.5-35B-A3BとAiderで爆速コーディング環境を構築する方法

所要時間: 約40分 | 難易度: ★★★☆☆

この記事で作るもの

• Qwen3.5-35B-A3Bをローカルで動かし、AIエージェント「Aider」と連携させて、既存のPythonコードのバグ修正と機能追加を全自動で行う環境を構築します。
• 前提知識：Pythonの基本的な読み書きができること、ターミナルの操作に抵抗がないこと。
• 必要なもの：VRAM 12GB以上のGPU（RTX 3060 12GB / 4070以上推奨）、Docker（任意だが推奨）。

なぜこの方法を選ぶのか

これまでローカルLLMでのコーディングといえば、Llama 3や旧Qwenの70Bクラスを無理やり動かすか、軽量な7Bクラスで妥協するかの二択でした。 しかし、Qwen3.5-35B-A3Bは「MoE（Mixture of Experts）」を採用しており、総パラメータは35Bありながら、推論時に動くのはわずか3B程度です。 これにより、RTX 3060のようなミドルレンジのGPUでも、Claude 3.5 Sonnetに匹敵する「エージェントとしての思考能力」をローカルで実現できるようになりました。

他の軽量モデルは指示を忘れたり、ファイル構造を壊したりすることが多々ありますが、このモデルは「ツール利用（Function Calling）」の精度が異常に高いです。 有料のAPIに課金し続けるのではなく、プライバシーを守りつつ、手元のハードウェア資産をフル活用して「24時間働いてくれるプログラミング助手」を作るには、現時点でこの構成がベストな選択肢だと言い切れます。

Step 1: 環境を整える

まずはLLMを動かすためのバックエンドとして「Ollama」を導入し、Qwen3.5-35B-A3Bをダウンロードします。

# Ollamaのインストール（未導入の場合）
curl -fsSL https://ollama.com/install.sh | sh

# Qwen3.5-35B-A3Bをダウンロードして起動
ollama run qwen3.5:35b-coder-instruct-q4_K_M

Ollamaは複雑な設定なしにモデルをAPIサーバー化してくれるツールです。 今回使用する q4_K_M 量子化版は、推論精度をほぼ維持したままVRAM消費を約20GB程度に抑えてくれます。 もしVRAMが12GB程度しかない場合は、さらに軽量な q2_K などを選ぶ必要がありますが、まずはこの標準的な量子化版で試すべきです。

⚠️ 落とし穴: WindowsユーザーでWSL2を使用している場合、GPUが正しく認識されないことがあります。 nvidia-smi コマンドでGPUが見えるか確認し、見えない場合はNVIDIA Container Toolkitのインストールが必要です。 これを確認せずに進めると、CPU推論になってしまい、1文字出すのに数秒かかる地獄を見ることになります。

Step 2: 基本の設定

次に、AIエージェントである「Aider」をインストールし、Ollama経由でQwen3.5を使えるように設定します。

# Aiderのインストール
pip install aider-chat

# 作業ディレクトリの作成
mkdir ai-coding-test && cd ai-coding-test
git init

# AiderをQwen3.5設定で起動する
export OLLAMA_API_BASE=http://localhost:11434
aider --model ollama/qwen3.5:35b-coder-instruct-q4_K_M

Aiderは「チャットで指示すると、ファイルを直接書き換えてGitコミットまでしてくれる」強力なCLIツールです。 なぜ export でAPIベースを指定するのかというと、AiderがデフォルトでOpenAIのAPIを探しに行ってしまうため、接続先をローカルのOllamaに強制的に向ける必要があるからです。 Gitを初期化（git init）するのは、AIがコードを壊したときにいつでもロールバックできるようにするためです。これは実務でAIを使う際の鉄則です。

Step 3: 動かしてみる

実際に、わざとバグを含んだFlaskアプリをQwenに直させてみましょう。 まずは適当なファイルを作成します。

# app.py
from flask import Flask

app = Flask(__name__)

@app.route('/')
def hello():
    # わざと変数を間違えるバグ
    return f"Hello, {name}!"

if __name__ == "__main__":
    app.run(debug=True)

Aiderのプロンプト画面で、以下のように指示を出してください。

/add app.py
app.pyには'name'が定義されていないというバグがあります。
クエリパラメータからnameを取得するように修正し、デフォルト値を'World'にしてください。
また、修正が終わったらこのコードを実行するためのrequirements.txtも作成してください。

期待される出力

（Qwenの思考プロセスが表示された後）
Applied edit to app.py
Created requirements.txt
Commit 1234abc: Fix undefined variable bug and add requirements.txt

Qwen3.5-35B-A3Bは、ファイルのコンテキストを正確に理解し、request.args.get('name', 'World') という修正案を提示するはずです。 注目すべきは、単にコードを出すだけでなく「既存のコードのどこを消してどこに挿入するか」というDiff形式の指示をAiderに完璧に送っている点です。

Step 4: 実用レベルにする

単一ファイルの修正だけでなく、複数のファイルにまたがるリファクタリングをさせると、このモデルの真価がわかります。 実務では、以下の設定を追加して「思考の深さ」を調整します。

# コンテキストウィンドウを拡張して起動（大規模プロジェクト用）
aider --model ollama/qwen3.5:35b-coder-instruct-q4_K_M --cache-prompts --map-tokens 1024

--cache-prompts を使う理由は、大規模なコードベースを読み込ませた際に、毎回同じコードを送り直してVRAMを消費するのを防ぐためです。 また、Qwen3.5は英語での指示の方がわずかに精度が高い傾向にありますが、日本語でも十分に論理的な推論が可能です。 私はSIer時代、手動でテストコード（Unit Test）を書くのに1日費やしていましたが、今は /test と指示するだけで、QwenがPytestのコードを数秒で生成してくれます。

さらに実用性を高めるには、.aider.conf.yml という設定ファイルを作っておくと便利です。 そこに「常に使うモデル」や「除外するディレクトリ（node_modulesなど）」を書いておくことで、タイピングの手間を減らせます。

よくあるトラブルと解決法

次のステップ

Qwen3.5-35B-A3Bを使ったローカル開発環境が整ったら、次は「Open Interpreter」との連携に挑戦してみてください。 Aiderはコード修正に特化していますが、Open InterpreterはOSレベルでの操作（ファイルの整理、グラフの作成、ブラウジング）が可能です。 この2つを使い分けることで、設計はClaude 3.5 Sonnetで行い、実装とデバッグはローカルのQwenで行うという、コストと効率の最適解が見つかるはずです。

また、RTX 4090を2枚挿ししているような環境であれば、さらに大きな70Bモデルも視野に入りますが、正直なところ「レスポンスの速さ」と「賢さ」のバランスでは、この35B-A3Bが現状のローカルLLM界の覇者だと言えます。 まずは自分のプロジェクトに導入して、1時間かかっていたリファクタリングが5分で終わる快感を味わってください。

よくある質問

Q1: RTX 3060 (12GB) でも快適に動きますか？

動きますが、35Bモデルの q4_K_M 量子化だとVRAMが少し溢れるかもしれません。その場合は q3_K_L 以下の量子化モデルを試してください。動作速度は若干落ちますが、思考のロジック自体は大きく崩れません。

Q2: 日本語で指示しても大丈夫ですか？

問題ありません。Qwenシリーズは中国語と英語がメインですが、日本語の理解力も非常に高いです。ただし、技術的な用語は英語で伝えたほうが、モデルが学習データ内の正解にたどり着きやすくなります。

Q3: API（OpenAI等）を使うのとどちらが安いですか？

初期投資（GPU代）を除けば、圧倒的にローカルです。特にエージェント機能は何度もLLMにリクエストを投げるため、APIだと月額数万円飛ぶこともあります。1日3時間以上開発するなら、RTX 4090を買っても数ヶ月で元が取れます。

あわせて読みたい

• 次世代AI「Qwen3.5」をいち早くローカル環境で試す方法
• Claude 3.5 Sonnetのアイデンティティを検証しモデルの汚染を確認するスクリプト
• オープンソース最強候補「Kimi K2.5」をローカル環境で導入し、マルチモーダルAIエージェントを構築する方法