GITHUB COPILOT CLI への LLM モデルの追加

Copilot CLIにモデルを追加するには、さまざまな方法があります。

Ollama: Copilot CLI は、コンピューター上で実行されている Ollama によって提供されるモデルを自動的に検出し、モデルピッカーからこれらのモデルを追加できます。
手動で構成されたモデルプロバイダー: 構成ファイルで独自の資格情報を指定して、外部モデルプロバイダーを追加します。このメソッドは、多くの場合、Bring Your Own Key (BYOK) と呼ばれます。
モデルMAI Code 1.1 Flashをローカルにインストールする: 必要なシステム仕様を満たすWindowsユーザーは、モデルピッカーから直接このモデルをインストールし、ローカルコンピューターで実行できます。

メモ

この記事では、自分用のカスタムモデルを構成する方法について説明します。組織または企業のユーザーのカスタムモデルを設定するには、組織内のGitHub Copilotのカスタムモデルを有効にするとエンタープライズでのGitHub Copilotのカスタムモデルの有効化を参照してください。

モデルの要件

ツール呼び出し（関数呼び出しとも呼ばれます）とストリーミングをサポートするモデルとエンドポイントを選択します。これらの機能を使用すると、Copilot CLI はツールを使用して、応答が届くたびに表示できます。

特に小規模なローカルモデルの場合は、モデルに合わせてトークン制限を構成します。不明なモデルの場合、Copilot CLI は既定で 128,000 個のプロンプトトークンの上限になり、モデルの実際の容量を超える可能性があります。上限を大きくしても、モデルのコンテキストウィンドウは増加しません。

Ollama からのモデルの追加

Ollama がローカルコンピューターで実行されていて、既にモデルをダウンロードしている場合は、Copilot CLI はモデルを検出し、モデルピッカーから追加できます。

前提条件

ローカルコンピューターに Ollama をインストールし、少なくとも 1 つのモデルをダウンロードしている必要があります。詳細については、Ollama の Web サイトで Ollama をダウンロードを参照してください。

モデルの追加

対話型セッションで/modelを入力してください。
[Local and self-hosted](ローカルとセルフホステッド) で、Ollama が提供するモデルを探します。

Ollama からダウンロードしたが、まだ追加していないモデルは、"未追加" という状態で表示されます。
検出されたモデルを選択し、 Enter キーを押します。
モデルに切り替えるには、[このセッションで追加して使用] を選択し、現在のモデルを使い続けるには [切り替えずに追加] を選択します。
Esc キーを押してピッカーを終了します。

CLI は、モデルの詳細を providers.json ファイルに保存して、後のセッションで使用できるようにします。

メモ

Copilot は、既定で http://127.0.0.1:11434 に Ollama があるかどうかを確認します。 Ollama が別のローカルアドレスまたはポートを使用する場合は、CLI を開始する前に OLLAMA_HOST を設定してください。自動検出では、自分のコンピューター上のアドレスのみがチェックされます。別のコンピューター上の Ollama サーバーの場合は、代わりにプロバイダー構成ファイルを使用してください。

モデルプロバイダー構成を手動で追加する

Ollama 以外のモデルプロバイダーを使用するには、プロバイダーの詳細を providers.json ファイルに手動で追加する必要があります。

前提条件

認証を必要とするモデルプロバイダーを追加するには、API キーが必要です。

サポートされているプロバイダー

モデルプロバイダーの API への接続では、次のプロバイダーの種類を使用できます。

プロバイダーの種類	互換性のあるサービス
`openai`	OpenAI と、Ollama、vLLM、Foundry Local などの OpenAI互換のAPI を使用するサービス。これは既定のプロバイダーの種類です。
`azure`	Azure OpenAI Service。
`anthropic`	アントロピック (クロードモデル)。

プロバイダーとモデルの追加

providers.json ファイルには、構成済みのプロバイダーとモデルの詳細が格納されます。これは CLI 構成ディレクトリ内にあり、通常は ~/.copilot にあります。 CLI を開始する前に、COPILOT_PROVIDERS_CONFIG にそのパスを設定することで、別のファイルを使用できます。

providers.json ファイルで構成したモデルは、CLI のモデルピッカーで、アカウントで利用可能なGitHub提供のモデルとあわせて表示されます。

重要

このファイルに入力された資格情報は、プレーンテキストとして格納されます。ファイルは非公開のままにし、リポジトリにコミットしたり、共有したりしないでください。 JSON の $MY_API_KEY などの値は、環境から読み取らず、リテラルテキストとして扱われます。

providers.jsonを開くか、存在しない場合は作成します。プロバイダーとモデルを追加します。たとえば、この構成では、OpenAI モデルプロバイダーと 1 つのモデルが追加されます。

{
   "providers": [
      {
         "name": "my-provider",
         "type": "openai",
         "baseUrl": "https://api.openai.com/v1",
         "apiKey": "YOUR-API-KEY"
      }
   ],
   "models": [
      {
         "id": "YOUR-MODEL-NAME",
         "provider": "my-provider"
      }
   ]
}

YOUR-API-KEYをプロバイダーの API キーに置き換え、YOUR-MODEL-NAMEをアカウントで使用できるモデル名に置き換えます。別の OpenAI 互換プロバイダーの場合は、baseUrl をそのプロバイダーの API URL に置き換えます。プロバイダーが認証を必要としない場合は、 apiKey を省略します。

ファイルにプロバイダーとモデルが既に含まれている場合は、既存のデータを置き換えるのではなく、既存のデータに追加します。

追加の設定が必要なプロバイダーまたはモデルの場合:

プロバイダーのtypeを Azure OpenAI の場合はanthropic、Anthropic の場合はazureに設定し、そのプロバイダーの API URL と資格情報を使用します。
Responses API を使用する OpenAI または Azure のモデルの場合は、"wireApi": "responses"プロバイダーを追加します。既定値は completions です。
Azureデプロイの場合は、モデルのwireModelをデプロイ名に設定し、modelIdをデプロイしたモデルの名前に設定します。特定の API バージョンが必要な場合は、プロバイダーに "azure": { "apiVersion": "YOUR-API-VERSION" } を追加してください。 YOUR-API-VERSIONをエンドポイントで必要なバージョンに置き換えてください。
モデルの id が、プロバイダーが受け入れる名前ではなく、選択した名前である場合は、wireModel をプロバイダーのモデル名に設定します。 modelIdを CLI が認識するモデル名に設定して、そのモデルの機能と制限を使用できるようにします。
モデルの maxPromptTokens と maxOutputTokens を、対応している制限値に合わせて設定します。 0 より大きい整数を使用します。
API キーではなくベアラートークンで認証するには、プロバイダーで bearerToken を設定します。

このファイルでは、他の多くのパラメーターを設定できます。詳細については、「GitHub Copilot CLI の構成ディレクトリ」を参照してください。

同じプロバイダーから別のモデルを追加するには、異なるproviderと同じmodelsを持つ別のエントリをidに追加します。

メモ

各モデルの provider 値は、プロバイダーの nameと一致する必要があります。
別のプロバイダーを追加するには、一意のprovidersを持つnameにエントリを追加し、そのモデルを追加します。
ファイルを保存し、CLI を再起動してください。
セッションの開始時にサンプルモデルを選択するには、次を実行します。
```
copilot --model PROVIDER-NAME/MODEL-NAME
```
セッション中にモデルを切り替えるには、 /model スラッシュコマンドを使用します。詳細については、「GitHub Copilot CLIでモデルを選択する」を参照してください。
保存した構成からプロバイダーの読み込みを停止するには、プロバイダーのエントリを providers から、そのモデルエントリを models から削除してから、CLI を再起動します。現在の既定のモデルを削除する前に、/model --global で別の既定のモデルを選択してください。

モデルピッカーからのローカルモデルのインストール

メモ

この機能はパブリックプレビュープレビューで、変更される可能性があります。この機能を使用するには、 --experimental オプションを使用して CLI を開始するか、対話型セッションで /experimental on を使用して、現在および将来のセッションでこの機能とその他の試験的機能を有効にします。

Windowsを使用していて、コンピューターが次の前提条件を満たしている場合は、CLI のモデルピッカーを使用して、次のモデルをデバイスにローカルにインストールして実行できます。

MAI Code 1.1 Flash
Flint NVFP4

Prerequisites

以下のものが必要です:

1 台の Windows PC
NVIDIA GPU (AMD はサポートされていません)
モデルごとに使用可能な最小組み合わせ RAM:
- MAI Code 1.1 Flash: 96 GB
- Flint NVFP4: 48 GB
モデルごとに使用可能な最小ストレージ容量:
- MAI Code 1.1 Flash: 60 GB
- Flint NVFP4: 23 GB
llama.cpp v0.7.0以降をインストールし、LLAMACPP_SERVER_PATH をそのパスに設定。必要なビルドバージョン:
- MAI Code 1.1 Flash: b11669 以降
- Flint NVFP4: b11803 以降
Windowsについては、「llama.cppのインストール」を参照してください。

ローカルで MAI Code 1.1 Flash を使用する利点

MAI Code 1.1 Flashは、Windows PC でローカルに実行できるコーディング最適化モデルです。ローカルで実行されているモデルを使用すると、 Copilot をオフラインで使用でき、 GitHub AI Creditsの使用を回避できます。

MAI Code 1.1 Flashをインストールした後は、他のモデルと同様に、モデルピッカーから選択できます。このモデルは、Copilot FusionのFusion Standard のエフォートレベルでも利用できるようになります。モデルの選択を Copilot Fusion に **** で設定すると、MAI Code 1.1 Flash が適切なタスクに対応するために自動的に選択され、より多くのリソースや高いパフォーマンスを必要とするタスクにはクラウドベースのモデルを使用できます。

Windowsのllama.cppのインストール

CUDA ビルドを使用してWindowsにllama.cppをインストールするには:

ブラウザーで、llama.cpp リポジトリhttps://github.com/ggml-org/llama.cpp/releasesのリリースページに移動します。
インストールするリリース ( b11803 など) を選択します。
リンクをクリックして、Windows CUDA 13.4 ARM64 ビルドの両方のファイルをダウンロードします。
- Windows arm64 (CUDA 13)
- CUDA 13.4 DLLs
コマンドプロンプトを開き、インストールフォルダーを作成します。
Shell
```
mkdir "%LOCALAPPDATA%\Programs\llama.cpp\BUILD-cuda-13.4-arm64"
```
```
mkdir "%LOCALAPPDATA%\Programs\llama.cpp\BUILD-cuda-13.4-arm64"
```
ビルド番号をBUILDに置き換えます（例: b11803）。
両方のZIPファイルからすべてのファイルをこのフォルダーに直接抽出してください。エクスプローラーで [すべて抽出] を使用する場合は、既定では ZIP ファイルごとに個別のサブフォルダーが作成されるため、展開先をこのフォルダーに変更します。完了したら、フォルダーにはサブフォルダーがなく、llama-server.exe、cudart64_13.dll、cublas64_13.dll、cublasLt64_13.dll などを含む多数のファイルが含まれている必要があります。

LLAMACPP_SERVER_PATH環境変数を設定します。

Shell

setx LLAMACPP_SERVER_PATH "%LOCALAPPDATA%\Programs\llama.cpp\BUILD-cuda-13.4-arm64\llama-server.exe"

setx LLAMACPP_SERVER_PATH "%LOCALAPPDATA%\Programs\llama.cpp\BUILD-cuda-13.4-arm64\llama-server.exe"

BUILDビルド番号を置き換えています。

コマンドプロンプトを閉じ、新しいコマンドプロンプトウィンドウを開きます。 Copilot appまたはVS Codeが既に開いている場合は、再起動してください。 Copilot CLIが実行されている場合は、それを終了し、新しいターミナルウィンドウからもう一度起動してください。

設置を確認するには、以下を実行します:

Shell

"%LLAMACPP_SERVER_PATH%" --list-devices

"%LLAMACPP_SERVER_PATH%" --list-devices

モデルピッカーを使用してローカルモデルをインストールする

ローカル対話型セッションで、「 /model」と入力します。
「Local and self-hosted」でサポートされているモデルを探します。

状態が "ダウンロードが必要" と表示されます。

メモ

ローカルモデルは、ローカルコンピューターが GPU とメモリの要件を満たすWindows PC である場合にのみダウンロードできます。
下方向キーを使用してローカルモデルを選択し、Enter キーを押します。

CLI は、コンピューターがインストール要件を満たしていることを確認します。この記事で前述した前提条件を参照してください。
モデルのダウンロードを開始するには、ダウンロードして設定 を選択します。

ダウンロードの進行中は、他のモデルを引き続き使用できます。ダウンロードが完了すると、CLI は会話出力で通知します。

ローカルモデルの使用

ダウンロードが完了すると、ローカルモデルがセッションで使用できるようになります。

次のようにすることができます。

モデルピッカーから選択し、[ このモデルを選択] を選択します。「GitHub Copilot CLIでモデルを選択する」を参照してください。
**MAI Code 1.1 Flash のみ:**Copilot Fusion を選択し、モデルピッカーで次に Fusion Standard し、必要に応じて Copilot は自動的にローカルモデルを使用します。
集中して取り組むタスクのために custom agent に割り当てます。その後、メインセッションをクラウド内の別のモデルに維持しながら、タスクの一部に対してそのカスタムエージェントを使用するように Copilot に求めることができます。「GitHub Copilot CLI のカスタムエージェントの作成と使用」を参照してください。

重要

モデルピッカーからローカルモデルをダウンロードした後、直接選択またはVS Codeを使用して、異なるCopilot Fusionサーフェス (Copilot、Copilot CLI、Copilot app) 内のセッションで同時に使用しないでください。各サーフェスは、モデルの独自のインスタンスをメモリに読み込みます。これにより、ローカルコンピューターの RAM が不足する可能性があります。

オフラインモードでの実行

Copilot CLIがGitHubのサーバーに通信しないように (テレメトリデータの送信など)、CLI を開始する前に COPILOT_OFFLINE 環境変数を true に設定します。ネットワークを完全に分離するには、モデルプロバイダーもローカルであるか、同じ分離された環境内にある必要があります。「GitHub Copilot CLI の認証」を参照してください。

Troubleshooting

Ollama モデルがありません。 Ollama が実行されていて、モデルがダウンロードされていることを確認してください。 /modelを開き、再度スキャンするには、+Rを押します。別のコンピューター上のサーバーの場合は、 /v1を含め、OpenAI 互換 API URL を手動で構成します。
保存されたモデルがありません。 その provider がプロバイダーの nameと一致することを確認してから、CLI を再起動してください。検出されたモデルを追加した結果、保存警告が表示された場合は、警告に従ってファイルまたはそのアクセス許可を修正します。
環境設定は効果がありません:providers.json、またはCOPILOT_PROVIDERS_CONFIGによって選択されたファイルにプロバイダーまたはモデルが既に含まれているかどうかを確認します。そのファイルが優先されます。
リクエストが失敗する: API URL、資格情報、モデル名、および API の選択を確認します。 Azure OpenAI の場合は、デプロイ名を確認します。要求サイズに関するエラーについては、モデルに合ったトークン制限を設定してください。

GITHUB COPILOT CLI への LLM モデルの追加

この記事で

モデルの要件

Ollama からのモデルの追加

前提条件

モデルの追加

モデルプロバイダー構成を手動で追加する

前提条件

サポートされているプロバイダー

プロバイダーとモデルの追加

モデルピッカーからのローカルモデルのインストール

Prerequisites

ローカルで MAI Code 1.1 Flash を使用する利点

Windowsのllama.cppのインストール

モデルピッカーを使用してローカルモデルをインストールする

ローカルモデルの使用

オフラインモードでの実行

Troubleshooting

このドキュメントは役に立ちましたか?

まだ助けが必要ですか？