2026年のローカルAIアシスタント：Ollama、MCP、堅牢なツール境界

ベンダーの公式文書を、運用上の管理策、移行の判断、検証可能なリリース基準に落とし込む、本番運用に向けた最新の続編です。

2026年に変わったこと

運用上の境界条件が変化したため、このテーマを改めて検討します。長期的に有効な原則は残る一方、現行バージョンでは過去の近道が不十分、あるいは危険になっている場合があります。本稿は2026年7月14日時点で入手できる公式文書を起点に、事実とローカルな判断を分け、設定変更をすべて管理された本番介入として扱います。

この更新版の使い方

まず一次資料を確認し、実際に稼働しているバージョンを記録し、設定を変える前に観測可能な成果を定義します。代表性のある環境で、最小かつ元に戻せる変更を試します。コマンドが成功しただけでは受け入れ基準を満たしません。サービスの健全性、データ完全性、レイテンシー、セキュリティ境界、ロールバック時間まで確認します。旧稿の診断手順で現在も有効な部分は運用基盤として残しますが、バージョン依存の例は必ず現行文書と照合します。

運用の基盤

データのプライバシーを保ちながら、ローカル言語モデルとWeb検索機能を組み合わせる方法

業務用のAIツールを導入する際は、利便性とプライバシーのどちらを優先するかという選択が必要になることがあります。クラウドベースのソリューションは使いやすいですが、データを外部に送信します。ローカルソリューションはすべてを手元に保持しますが、セットアップや機能追加が複雑になることがあります。

ここでは、利便性とプライバシーを両立する実用的なAI環境の構築方法を紹介します。会話と処理をすべて自分のハードウェア上に保ち、必要に応じてWeb検索ができるローカル言語モデルを構築します。このアプローチは、n8n自動化プラットフォームのセルフホスティングで完全なワークフロー制御を実現する方法を紹介したのと同様に、当社のセルフホスティングの考え方に沿っています。

使用するツール

まず、各構成要素の役割を確認します。

Ollama：ローカルAIエンジン

Ollamaは、自分のコンピューター上で大規模言語モデルを実行するソフトウェアです。OpenAIや他のクラウドプロバイダーにデータを送信することなく、ChatGPTのような機能を利用できる方法と考えてください。モデルのダウンロード、メモリ管理、シンプルなAPIを通じたモデルの提供を処理します。

最大の利点は、ローカルモデルを使う場合、すべてがローカルで完結することです。質問、AIの回答、すべての処理がお使いのマシン上で完全に行われます。これは、機密性の高い業務上の相談、独自の情報、または単に月額AIサブスクリプション費用を避けたい場合に重要です。

Model Context Protocol（MCP）：機能の追加

言語モデルは会話や推論には優れていますが、自力ではWebを閲覧したり、ファイルを読んだり、他のシステムと対話したりすることはできません。Model Context Protocol（MCP）は、AIモデルが外部ツールを利用するための標準的な方法を提供し、この問題を解決します。

MCPはAIモデルと他のソフトウェアの間の共通の橋渡し役と考えてください。AIにWeb検索をさせたいですか？そのためのMCPサーバーがあります。データベースを読み取らせる必要がありますか？別のMCPサーバーがあります。プロトコルをセットアップすれば、新しい機能の追加がはるかに簡単になるのが魅力です。

mcphost：信頼性の高い接続

ここからが実践的な部分です。MCPは標準ですが、実際にローカルAIモデルをMCPサーバーに接続するソフトウェアが必要です。mcphostはまさにこれを行い、確実に動作します。

最初は他のオプション（ollmcpなど）を試しましたが、接続タイムアウトや設定の煩わしさが絶えずありました。mcphostはすべてを自動検出しようとする代わりに明示的な設定ファイルを使用するため、実際の運用で確実に動作します。2026年10月時点でmcphostのリポジトリはアーカイブされており、メンテナーは後継としてKitを案内しています。

DuckDuckGo MCPサーバー：プライベートWeb検索

Web検索機能には、DuckDuckGo MCPサーバーを使用しています。これにより、ローカルAIがDuckDuckGoを通じてWeb検索を実行できます（サーバーが問い合わせるのは公式APIではなく、DuckDuckGoのHTML検索エンドポイントです）。DuckDuckGoのプライバシーポリシーでは、ユーザーの追跡や検索履歴の保存を行わないとしています。プライバシー重視のローカルセットアップへの完璧な補完です。

uv：Python環境管理

uvは、分離された環境の作成と依存関係の管理を処理する高速なPythonパッケージマネージャーです。システム上の他のPythonプロジェクトに干渉することなく、DuckDuckGo MCPサーバーをクリーンに実行するために使用します。

全体の連携の仕組み

ローカルAIに何かを検索させる場合のフローは以下の通りです：

「EC規制の最近の動向を検索して」のような質問を入力します

mcphostがメッセージを受信し、ローカルのOllamaモデルに転送します

モデルは検索が必要であることを認識し、MCPプロトコルを通じてDuckDuckGo MCPサーバーを呼び出します

MCPサーバーがDuckDuckGoを検索し、結果を返します

ローカルモデルが検索結果を処理し、包括的な回答を提供します

実際のWeb検索クエリを除き、すべてがお使いのマシン上に留まります

セットアップ：実践的な手順

以下のコマンドと設定ファイルは元のセットアップガイドから引用し、必要な箇所を修正しています。使用前に最新のドキュメントと照合してください。

基盤の準備

まず、ツール呼び出しをサポートするモデルでOllamaを実行する必要があります。機能とスピードのバランスが良いqwen3:30b-a3bをお勧めします。

# Start the Ollama server (skip this if the desktop app or system service already runs it)
ollama serve &

# Pull a model that supports tool calling
ollama pull qwen3:30b-a3b

mcphostのインストール

mcphostはGoで書かれているため、まずGoが必要です。

# On macOS
brew install go

# On Ubuntu/Debian, install a current Go release from https://go.dev/doc/install
# (mcphost needs Go 1.26 or newer; the distribution's golang-go package is usually older)

# Install mcphost
go install github.com/mark3labs/[email protected]

# Make sure it's in your PATH
export PATH=$PATH:$(go env GOPATH)/bin

DuckDuckGo検索のセットアップ

DuckDuckGo MCPサーバーをクローンしてセットアップします。

# Install uv if you don't have it
curl -LsSf https://astral.sh/uv/install.sh | sh

git clone https://github.com/nickclyde/duckduckgo-mcp-server
cd duckduckgo-mcp-server
uv sync

実際に動作する設定

~/.mcphost.jsonに設定ファイルを作成します。

{
  "mcpServers": {
    "duckduckgo-search": {
      "command": "uv",
      "args": [
        "run",
        "--directory",
        "/path/to/your/duckduckgo-mcp-server",
        "python",
        "src/duckduckgo_mcp_server/server.py"
      ]
    }
  }
}

/path/to/your/duckduckgo-mcp-serverをリポジトリをクローンした実際のパスに置き換えてください。

新しいAIアシスタントの使い方

すべてが起動したら、いくつかの方法でAIと対話できます：

インタラクティブチャット

# Start a conversation
mcphost -m ollama:qwen3:30b-a3b

継続的な会話ができ、必要に応じてWeb検索を依頼できるチャットインターフェースが表示されます。

単発の質問

# Get a quick answer
mcphost -m ollama:qwen3:30b-a3b -p "Search for information about EU data privacy laws"

自動化スクリプト

# Save results to a file
mcphost -m ollama:qwen3:30b-a3b -p "Search for competitors in the bowling equipment market" --quiet > research.txt

このセットアップで実際にできること

リサーチとファクトチェック

ビジネスに関連するトピックの最新情報を検索するようAIに依頼できます。DuckDuckGoを使用しているため、追跡なしで適切なWeb検索結果が得られます。

コンテンツリサーチ

「持続可能な包装の最近のトレンドを検索」と指示すると、モデルが学習済みの知識を使って分析・要約できる最新情報が得られます。

競合情報の収集

「[競合他社名]に関するニュースを検索し、最近の活動を要約して」と指示すると、分析内容をクラウドAIプロバイダーと共有せずに最新情報が得られます。ただし、検索クエリ自体はDuckDuckGoに送信されます。

技術的な問題解決

「APIレート制限の問題に対する解決策を検索」と指示すると、最新のベストプラクティスやコード例を見つけるのに役立ちます。

n8nとの接続：ワークフロー自動化とAIの融合

ここからが本当に興味深い部分です。n8nをセルフホスティングしてワークフロー自動化を行う方法を紹介したように、このローカルAIセットアップは自動化ワークフローに統合できます。

n8nワークフローを通じてローカルAIをトリガーすることを想像してください：

自動リサーチ：業界ニュースを検索して要約をまとめる日次ワークフロー

コンテンツ生成：カレンダーイベントやフォーム送信に基づいてトリガーされるコンテンツ作成

データ分析： AIによるアップロード済み文書の自動分析

カスタマーサポート：人間のレビュー前にサポートチケットをローカルAIで処理

セルフホスト型n8nとローカルAIの組み合わせは、アシスタントが外部に送信するWeb検索クエリを除き、データを自社のインフラ上に保持する強力な自動化スタックを構築します。データをより細かく管理しながら、自動化の利便性を享受できます。

将来の統合の可能性

これらのシステムを接続するいくつかの方法を検討しています：

n8nから呼び出せるローカルAIのHTTPエンドポイント

n8nがドキュメントに対するAI処理をトリガーするファイルベースの統合

AIの結果を自動化した業務プロセスに渡すデータベースワークフロー

ローカルAIが回答の起草とパーソナライズを支援するメール自動化

WordPress自動化ツールがコンテンツ管理を効率化するのと同様に、ローカルAIとn8nワークフローの組み合わせは、データ主権を維持しながら複雑なビジネスプロセスを自動化できます。

実際のメリット

本当に重要なプライバシー

ビジネスの会話、社内ディスカッション、戦略的思考はすべてお使いのハードウェアに留まります。外部に出るのはWeb検索クエリのみで、送信先はプライバシー重視のDuckDuckGoです。会話全体が含まれるわけではありませんが、クエリの文面自体から取り組んでいる内容が分かる場合があります。機密性の高い話題では、その点に注意してください。

AIサブスクリプション料金なし

初期セットアップ後は、継続的なAIサブスクリプション費用やトークン単位の料金はかかりませんが、ハードウェア、電力、利用するホスティングには引き続き費用がかかります。すべてを自分のハードウェアで実行しています。n8nのセルフホスティングが高価なSaaSワークフローツールの費用を節約するのと同様です。

信頼性の高いパフォーマンス

適切な設定を行えば、このセットアップは驚くほど安定しています。「AIサービスがダウンしている」や「月間上限に達した」といった問題はもうありません。

カスタマイズ可能で拡張可能

データベース検索を追加したいですか？ファイル読み取り？カスタムビジネスロジック？MCPエコシステムにより新しい機能の追加が簡単になり、将来のn8nワークフローとの連携により無限の自動化の可能性が開かれます。

よくある問題と解決策

「Command Not Found」エラー

GoのバイナリディレクトリがPATHに含まれていることを確認してください。

echo 'export PATH=$PATH:$(go env GOPATH)/bin' >> ~/.zshrc
source ~/.zshrc

接続タイムアウト

通常、MCPサーバーが正しく起動していないことを意味します。手動でテストしてください。

cd /path/to/your/duckduckgo-mcp-server
uv run python src/duckduckgo_mcp_server/server.py

モデルがツール呼び出しに応答しない

関数呼び出しをサポートするモデルを使用していることを確認してください。すべてのOllamaモデルにこの機能が組み込まれているわけではありません。

パフォーマンスが遅い

ハードウェアが限られている場合は、より小さなモデル（qwen3:8bなど）の使用を検討してください。temperatureを下げると回答の焦点が絞られますが、この設定が制御するのは速度ではなくランダム性です。

mcphost -m ollama:qwen3:8b --temperature 0.3 -p "your question"

インフラの考慮事項

n8nのようなセルフホスト型サービスをすでに実行している場合は、同じインフラ上でこれをホスティングすることを検討してみてください。Hetzner Cloud上のn8nで説明した構成なら、Ollamaにも容易に対応できます。言語モデル用により多くのRAMとCPUが必要になるだけです。

典型的なセットアップには以下が含まれます：

大規模モデルに必要なリソースを備えたHetzner CCX42または同等の環境（qwen3:30b-a3bだけでダウンロードサイズは19GBあり、GPUがない場合は応答が遅くなることを見込んでください）

n8nと一緒に管理しやすくするためのDockerによるコンテナ化

セキュアなアクセスのためのTraefikリバースプロキシ（リモートアクセスが必要な場合）

モデルとワークフローデータ用の共有ストレージ

セットアップ時間に見合うか？

ビジネスタスクにAIを定期的に使用し、プライバシーを重視するなら、間違いなく価値があります。初期セットアップには数時間かかりますが、最終的に以下のような有能なAIアシスタントが手に入ります：

オフラインで動作（Web検索を除く）

会話をサードパーティに送信しない（検索クエリのみDuckDuckGoに送信）

セットアップ後にAIサブスクリプション料金やトークン単位の料金がかからない（ハードウェア、電力、ホスティングの費用は引き続き発生）

必要に応じて追加機能で拡張可能

既存のセルフホスト環境と統合可能

機密情報を扱うチームや規制の厳しい業界で事業を行うチームにとって、このセットアップは会話をクラウドAIプロバイダーに送信せずに済むため、コンプライアンス対応を簡素化できる可能性があります。ただし、外部に送信する検索クエリも含め、自社の環境を評価する必要があります。

ローカル処理と選択的なWebアクセスの組み合わせは、純粋なクラウドまたは純粋なローカルソリューションのいずれでも達成困難な、機能とプライバシーの実用的なバランスを実現します。そしてワークフロー自動化を組み合わせると、高度な業務自動化の基盤を構築でき、すべてがお客様のコントロール下に置かれます。

次のステップ

ローカルAIセットアップとワークフロー自動化プラットフォームのより深い統合に積極的に取り組んでいます。今後の投稿では以下を取り上げる予定です：

n8n + Ollamaを組み合わせたセットアップのDocker設定

ビジネス固有のデータソース用のカスタムMCPサーバー

一般的なビジネスプロセスにローカルAIを活用するワークフローテンプレート

本番デプロイのためのセキュリティ強化

ビジネス自動化の未来は、既存のサービスを接続するだけではありません。すべてをお客様のコントロール下に保ちながら、お客様に代わって推論し、調査し、行動できるインテリジェントなシステムを持つことです。

セットアップ中に問題が発生した場合や、特定のユースケースに合わせてこの設定を拡張したい場合は、当社の標準サポートチャネルを通じてお手伝いいたします。

設定作業から運用判断へ

重要なのは、プラットフォームを設定できるかだけではありません。チームが責任分担を説明し、設定のずれを検出し、場当たり的な対応なしに復旧し、変更が狙った成果を改善したと示せるかです。そのため、各設定に責任者、ベースライン、ロールバック手順、結果の検証期間を結び付けます。これにより、単発の修正が運用能力になります。本番の記録には、変更理由、確認した証拠、正確な対象範囲、停止や取り消しの権限を持つ担当者を含めます。リリース後は合意した指標をベースラインと比較し、結果を変更記録とともに保存します。期待した改善がなければ、ロールバックも失敗ではなく妥当な結果です。この規律は個々の設定値より重要です。同じ記録が次の担当者に信頼できる出発点を与え、その後の最適化を推測ではなく測定に基づく判断に変えます。