Continueをインストールしたのに「どんなPCが要るのか」が一向にはっきりしない。原因は、このツールが推論の場所を自分で選べるところにあります。クラウドのAPIに投げる構成ならAI用の専用GPUはまず要りません。一方、Ollama等でローカルのモデルを回す構成にした途端、GPUのVRAMが体感速度を左右する主役になります。同じ拡張なのに、設定次第でGPU不要にも高VRAM必須にも振れる。これがContinueのスペック選びを難しくしている正体です。
なお、Continueの公式ドキュメント（docs.continue.dev）は、Continue拡張そのものについて汎用的な最小RAM・ディスク・GPUの動作要件を明記していません。ただしOllama連携などローカル推論のガイドには、RAM 8GB以上・16GB以上推奨、10GB以上の空き容量といった前提条件が示されています。本記事に出てくる数値は、こうした前提を踏まえた実務上の目安として読んでください。
- ・クラウドモデル構成ではAI推論はサーバー側。AI用の専用GPUは通常不要で、効くのはRAM・CPU・SSD
- ・Ollama / LM Studio 等でローカル推論にすると、モデルを動かすGPUのVRAMがそのままボトルネックになる
- ・OSSコードはApache-2.0で公開。ローカル/自前設定は無料で組めるが、クラウド/Hub/フロンティアモデル利用は公式Pricingに従う。機密コードは「どのモデル構成か」でデータ送信が変わる点を必ず確認
Continueは「推論をどこで動かすか」でスペックが一変する
Continueの推奨スペックは、ひとつの数値には決まりません。理由は、AIの推論をクラウドに投げるか、手元のマシンで回すかを利用者が選べるからです。前者なら拡張はただのエディタ機能として軽く動き、後者なら推論エンジンを動かすGPUが必要になります。まずこの二面性を押さえると、自分に必要なPCが見えてきます。
クラウド構成での負荷は、エディタ本体とContinueの常駐分が中心。RAMとCPU、そしてプロジェクトを読み書きするSSDの速さが効きます。AI用GPUを足しても、ここは速くなりません。逆にローカル構成では、選んだモデルのサイズと量子化、コンテキスト長がVRAM要件を決めます。7Bクラスを補完用途で回すのか、中〜大型モデルでエージェントを走らせるのかで、要るVRAMはまるで違う。
「AI用GPUを積めばContinueが速くなる」という発想は、クラウド構成では基本的に外れです。まずは自分がクラウドとローカルのどちらで使うのかを決める。話はそこから始まります。
Continueとは何か（拡張の概要とBYOKの意味）
Continueとは、VS CodeとJetBrains向けに提供されるオープンソースのAIコーディング拡張である。なお、Continueは公式にCursorによる買収が発表されており、本記事は確認時点（2026年6月）で公開されているContinue公式Docs・GitHub・Pricingを前提に、IDE拡張／CLIとしての利用構成を整理する。公式ドキュメント（docs.continue.dev）によれば、チャット・コード編集・オートコンプリート・Agentモードを備え、ターミナル向けには Continue CLI（cn）も用意されています。ライセンスはApache-2.0で、オープンソースコードは公開されています。ただし公式GitHubの continuedev/continue リポジトリは現在read-only（最終2.0.0リリースの位置づけ）である点も押さえておきたいところ。ローカルモデルや自前設定で使う部分は無料で構成できますが、Continueのクラウド機能・フロンティアモデル利用・チーム管理機能は公式Pricingの条件に従います。
このツールの核心は、モデルプロバイダを差し替えられる設計です。どのAIモデルで推論するかを利用者が設定で選びます。クラウドならOpenAI・Anthropic・Googleなど、ローカルならOllama・LM Studio・llamafileといったプロバイダを切り替えられる。なお現行Pricing上では「BYOK（Bring Your Own Key）」がCompany向け機能として案内されているため、クラウド/Hub機能としてのBYOK条件は公式Pricingを確認してください。つまりContinueは「箱」であって、中で動くエンジンは差し替え式。スペック要件がエンジン次第で変わるのは、この仕組みのためです。
クラウドモデル構成のスペック目安（AI用GPUは通常不要）
クラウドのAPIに推論を投げる構成では、重い計算は提供元のサーバーで走ります。手元のPCがやるのは、エディタの動作・コードの読み書き・APIとの通信だけ。だから効くのはRAM・CPU・SSDで、AI用の専用GPUは通常不要です。GPUを増設しても補完やチャットの応答は速くなりません。応答速度を決めるのは回線とAPI側だからです。
目安として、RAMは16GBあれば中規模のプロジェクトで困りにくく、大きめのモノレポを複数ウィンドウで開くなら32GBが安心。CPUは近年のミドルレンジ以上であれば十分で、特別なハイエンドは要りません。SSDはNVMe推奨。ファイル探索やインデックス更新の体感は、ストレージの速さにそのまま乗ります。ここはAIツールというより、快適なエディタ環境の延長と考えてください。
API課金の扱いも整理しておきます。クラウドモデルを使う場合、料金は各プロバイダのトークン課金です。Continue拡張そのものは無料でも、選んだモデル（GPT系・Claude系など）の利用料は別途かかる。つまりクラウド構成の「コスト」は、PC代ではなくAPI従量課金として発生します。
RAM/SSD/CPUの実務目安とJetBrainsの傾向
VS CodeとJetBrainsでは、エディタ自体のメモリ傾向が違います。一般にJetBrains系IDEはインデックスやインスペクションを常時走らせるため、VS Codeよりメモリを多めに使う傾向があります。Continueをどちらに入れるかで、ベースの常駐メモリが変わる。JetBrainsで大規模プロジェクトを扱うなら、RAMは32GBを基準に考えると余裕が出ます。
ここで挙げたRAM容量は、繰り返しになりますが公式の動作要件ではありません。Continueが公式に最小スペックを示していない以上、あくまで実務上の落としどころとして受け取ってください。手元のエディタがすでに快適に動いているなら、クラウド構成のContinueを足しても体感はほとんど変わらないはずです。
ローカルモデル構成で初めてGPU/VRAMが効く
ここからがContinue固有の論点です。Ollama・LM Studio・llamafileなどでローカル推論を選ぶと、モデルを動かすGPUのVRAMがそのまま体感速度を決めます。クラウド構成では出番のなかったGPUが、ここでは主役。HW図鑑的に言えば、AIコーディングツールの中でもContinueは「GPUが最も効く」側に振れるツールです。ローカル推論を正面から選べるOSS拡張という性格が、そのまま要件に表れます。
VRAM要件を動かす変数は主に3つ。モデルのパラメータ数、量子化方式（GGUFのQ4・Q8・FP16など）、そしてコンテキスト長です。量子化を効かせれば重みのVRAM占有は下がり、コンテキストを伸ばせばKVキャッシュの確保分でVRAMが膨らみます。量子化別のVRAMと速度の関係は当サイトの別記事でも実測比較していますが、ざっくり言わず数値で押さえるなら、まず「重み＋KVキャッシュなどの確保分」で見積もるのが基本。
2026年のローカルLLMは、この見積もりを楽にする方向に進んでいます。新しめのモデルほど、アテンションやKVキャッシュまわりの効率化が進んでいます。長いコンテキストでコードベースを読ませる使い方ほど、こうしたKV効率化の恩恵を受けます。
# ローカル推論を使う場合の準備（Ollamaの例）
ollama serve # ローカルの推論サーバーを起動
ollama pull <7Bクラスのコードモデル> # 使うモデルを取得
# 取得後、Continue側の設定でプロバイダにOllamaを指定し、上のモデルを割り当てる
当サイトの検証環境（RTX 5080単体・num_ctx=4096）では、量子化済みの7BクラスのコードモデルはVRAM 16GBに余裕を持って収まり、補完やチャットで待たされる場面は少なめでした。GPUごとのVRAMは個別に見るのが鉄則で、RTX 5080もRTX 5060 Tiもそれぞれ16GBです。デュアル構成でも合計32GBを1モデルの基準値として扱わないこと。1枚あたりに収まるかで考えます。
7BクラスはどのVRAMで動くか（量子化別の目安）
量子化を効かせた7Bクラスのモデルなら、重みの占有はおおむね数GB台に収まり、コンテキストとKVキャッシュの確保分を足してもVRAM 8GBで動かせるケースが多い。ただし8GBはあくまで起動できるラインで、コンテキストを長く取ると窮屈になります。GPUリファレンスで見ると、RTX 5060 Ti 16GB（CUDAコア4608・TGP 180W・実売は時期と在庫で8〜11万円台と変動）が「最安で16GB VRAM」を満たす入門枠。16GBあればコンテキスト長にも量子化の選択肢にも余裕が生まれます。
より大きなモデルや長文コンテキストを狙うなら、RTX 5080（16GB GDDR7・CUDAコア10752・TDP360W）のように帯域とコア数で押せるGPUが効きます。VRAM容量が同じ16GBでも、CUDAコア数とメモリ帯域の差が生成速度に出る。容量で「載るか」を、コア数と帯域で「速いか」を見るのがローカル推論の基本です。
オートコンプリートはVRAM＋量子化が入力体験に直結
ローカル構成でいちばん体感に響くのが、オートコンプリート（低遅延の補完）です。チャットは多少待てても、補完は打鍵に追随しないと使い物になりません。補完を小型モデルでローカル実行する場合、そのモデルの応答速度＝VRAMと量子化の組み合わせが、タイピング体験をそのまま決めます。
補完用には小さめのモデルを軽い量子化で回し、VRAMに余裕を持たせて常駐させるのが現実的。チャットやAgentには別の大きめモデルを充てる、という二段構えも取れます。複数モデルを同時に保持するなら、その分のVRAMが要る点は見落としがちなので注意してください。
構成別スペック早見表（実務上の目安）
下の表は、Continueを「どの構成で使うか」でスペックがどう変わるかを1枚にしたものです。クラウド最小・ローカル7B・ローカル中〜大型の3パターンで、GPUの要否とVRAMの目安を並べました。自分の使い方に近い列を起点に読んでください。
| 項目 | クラウド構成（BYOK・API） | ローカル7Bクラス | ローカル中〜大型 |
|---|---|---|---|
| AI用GPU | 不要 | 必要（VRAM重視） | 必須（VRAM容量が壁） |
| 推奨VRAM | —（描画用のみ） | 16GB目安（8GBは起動ライン） | 16GB以上、量子化前提 |
| RAM | 16〜32GB | 32GB | 32〜64GB |
| SSD | NVMe推奨 | NVMe（モデル保管に容量要） | NVMe・大容量 |
| API課金 | あり（トークン従量） | 完全ローカル構成ならなし（自前GPU・電力）。一部ロールにクラウドを混ぜると別途発生 | 完全ローカル構成ならなし（自前GPU・電力）。一部ロールにクラウドを混ぜると別途発生 |
| データ送信 | プロバイダへ送信 | 構成次第で完結可 | 構成次第で完結可 |
この表はContinue公式の動作要件ではなく、本記事がまとめた実務上の目安です。数値は量子化方式・コンテキスト長・同時に動かすモデル数で上下します。とくにVRAMは「載るか／速いか」で意味が違うので、容量だけでなくCUDAコア数や帯域も合わせて見てください。クラウド構成の「データ送信」は次の章で詳しく扱います。
ローカル構成を組むときの注意点とプライバシー
ローカル構成の魅力は、推論を手元で完結させられる点にあります。公式GitHubのFinal 2.0.0 Releaseでは匿名テレメトリの削除が説明されています。一方、公式Docsには匿名テレメトリ設定やPostHogへの送信を止める手順も残っているため、利用バージョン・配布形態ごとに設定を確認するのが安全です。ローカルモデルを設定すれば、データがネットワーク外に出ないエアギャップ構成も組めます。機密コードを扱う現場には大きな利点です。ただしエアギャップ構成として成立するのは、ローカルモデル・ローカル設定・テレメトリ無効化・外部データ送信先なし、という条件をすべて満たした場合に限られます。
ただし「ローカルにすれば必ず外部に出ない」とは言い切れません。ここは条件付きで理解してください。
「ローカルにすれば必ず外部に出ない」は誤り
同じContinueでも、クラウドモデルを1つでも有効にすれば、そのモデルへはコードとプロンプトが送られます。また、コードベースの検索やインデックス、外部ツール連携などで送信が発生する構成もあり得る。つまり外部送信の有無は「ツールの性質」ではなく「その時の設定」で決まります。機密性が高いコードなら、使うモデル・有効化した機能・組織のポリシーを一つずつ確認するのが安全です。公式のデータ取り扱いの記述も、構成ごとに読み分けてください。
ハードウェア面の注意も1つ。ローカル推論のためにハイエンドGPUを導入する場合、電源コネクタまわりの発熱には気を配る価値があります（これはContinue固有の話ではなく、高消費電力GPU全般の一般的な注意です）。
AMD製GPUをローカル推論に充てる選択肢もありますが、その場合はROCm対応が前提になります。CUDA前提のツールチェーンとは事情が異なるため、導入前に対応バックエンド（ROCm・Vulkan・DirectMLなど）を確認してから組むのが無難です。
料金プランとPC要件は別物
Continueの料金は、PCスペックとは切り離して考えるのが正解です。拡張・CLIのオープンソースコードはApache-2.0で公開されており、ローカルモデルだけで使う構成なら追加料金はかかりません。一方、Continue公式Pricing（continue.dev/pricing）では、Starterが$3／million tokensの従量課金、Teamが$20／seat／月（$10クレジット込み）、Companyがカスタム価格です（確認時点: 2026年6月）。クラウド機能・チーム機能・フロンティアモデル利用は、このPricingの条件に従います。
ここで誤解されやすいのが「上位プランにすればPCが軽くなる」という発想。これは成り立ちません。プランが上がってもローカル推論の負荷は手元のGPUにかかるし、クラウド構成のAPI課金が増えてもPCの重さとは無関係です。プランはチーム機能や課金の話、PC要件はモデル構成の話。別々の軸として整理してください。
コストの全体像はこうなります。クラウド構成なら、PC代は控えめで済む代わりにトークン課金が積み上がる。ローカル構成なら、GPUへの初期投資と電気代がかかる代わりに、完全ローカル構成ならAPI課金は基本的に発生しません。ただし一部ロール（chat / autocomplete / embed / rerank 等）にクラウドモデルや外部APIを混ぜる場合は、その分の課金が発生します。どちらが得かは、使う頻度とコード量で変わります。毎日大量に回すならローカルの固定費が効いてくるし、たまに使う程度ならクラウド従量のほうが軽い。
用途別の構成選びと同種ツールとの違い
最後に、自分の使い方からスペックを逆引きします。チャット主体でAIに相談しながら書くスタイルなら、クラウドBYOKで十分軽量。AI用GPUは要らず、RAMとSSDを整えれば快適です。低遅延の補完を重視するなら、ローカルの小型モデルに十分なVRAMを与える構成が効く。Agentモードや長文コンテキストでコードベース全体を読ませる使い方は、コンテキスト長の増加でVRAM要件が跳ねるため、16GB以上のGPUと32GB以上のRAMを基準にしてください。
AIを使った自律的なコード実行に踏み込むなら、安全面の設計も合わせて考える価値があります。サンドボックス化や隔離でリスクを下げる手法については、姉妹サイトの「Claude Codeを安全に自律実行する方法｜Hook・/sandbox・隔離でリスクを下げる」で詳しく扱っています。Agentに実行権限を与える構成では、スペックと同じくらい実行環境の隔離が重要になります。
同種のクラウド型コーディングツールと比べると、Continueの位置づけがはっきりします。下の表で形態とスペックの効きどころを並べました。
| ツール | 形態 | AI推論の場所 | 効きやすい要素 |
|---|---|---|---|
| Continue | VS Code / JetBrains拡張（OSS・BYOK） | クラウド／ローカル両対応 | クラウド=RAM・SSD／ローカル=VRAM |
| GitHub Copilot | エディタ拡張 | クラウド中心 | RAM・CPU・回線（AI用GPUは通常不要） |
| Cline | VS Code拡張（コマンド実行型） | クラウド／ローカル対応 | RAM・CPU、実行系の負荷 |
この比較表は各ツール公式の動作要件ではなく、実務上の整理です。Continueの特徴は、推論の場所を正面から選べる二面性。クラウド専用に寄ったツールが「AI用GPU不要」で固定なのに対し、Continueはローカルを選んだ瞬間にVRAMが主役へ切り替わります。GPUを活かしたい人にも、APIで身軽に使いたい人にも対応できる。その柔軟さが、スペック選びを「自分の使い方しだい」にしている理由です。
まとめ
Continueの推奨スペックは1つに決まりません。クラウドモデルに推論を投げる構成なら、AI用の専用GPUは通常不要で、効くのはRAM・CPU・SSD。Ollama等でローカル推論にした途端、モデルを動かすGPUのVRAMがボトルネックの主役へ変わります。同じ拡張が、設定しだいでGPU不要にも高VRAM必須にも振れる。これがContinue最大の特徴です。
まず見るべきは「自分はクラウドで使うのか、ローカルで回すのか」。クラウドならRAM16〜32GBとNVMe SSDを整え、API課金を見込む。ローカルなら16GB級のVRAMを基準に、量子化とコンテキスト長で見積もる。補完を重視するなら小型モデルの応答速度に直結するVRAMへ投資する。プライバシーは構成依存で、クラウドモデルや一部機能を使えば送信は発生します。機密コードなら設定とモデルとポリシーを必ず確認してください。ご自身の使い方は、クラウドとローカルのどちらに近いでしょうか。そこを決めれば、必要なPCは自然と絞り込めます。
よくある質問
Q. Continueの利用にGPUは必要ですか？
クラウドモデル（OpenAI・Anthropic・Google等）に推論を投げる構成なら、AI用の専用GPUは通常不要です。効くのはRAM・CPU・SSD。一方、Ollama等でローカルモデルを動かす構成にすると、モデルを動かすGPUのVRAMが体感速度を左右します。使い方しだいで要否が変わります。
Q. ローカルで7Bクラスを動かすにはVRAMは何GB必要ですか？
量子化を効かせた7Bクラスなら、コンテキストとKVキャッシュなどの確保分を足してもVRAM 8GBで起動できるケースが多いです。ただし8GBは起動ラインで、コンテキストを長く取ると窮屈になります。余裕を見るなら16GB級が目安。これは公式要件ではなく実務上の目安です。
Q. Continueは無料ですか？
オープンソースコードはApache-2.0で公開されています。公式Pricingでは Starter（$3／million tokens）・Team（$20／seat／月、$10クレジット込み）・Company（カスタム）です（2026年6月時点）。なおクラウドモデルを使う場合、各プロバイダのトークン課金は別途かかります。
Q. 書いたコードは外部に送信されますか？
構成によります。クラウドモデルを使えばコードとプロンプトはそのプロバイダへ送られます。Ollama等でローカル完結の構成にすればネットワーク外に出さない運用も可能ですが、クラウドモデルや一部の検索・インデックス機能を有効にすると送信が発生し得ます。「ローカルにすれば必ず外部に出ない」とは限りません。機密コードでは設定とポリシーの確認を。
参考資料
- Continue 公式ドキュメント — 機能・対応IDE・モデルプロバイダ設定（BYOK）
- Continue 公式 Pricing — Starter／Team／Company の現行プラン構成と価格
- continuedev/continue（GitHub）— Apache-2.0 ライセンスとソースコード
- VideoCardz — 電源アダプター過熱事例の報道（非公式の個別報告にもとづく目安として参照）
当サイトはAmazonアソシエイト・プログラムの参加者です。Amazonのアソシエイトとして、当サイトは適格販売により収入を得ています。
