PythonでLLMを動かす最短ルート：初心者でも迷わない超実践ガイド

PythonでLLMを動かしたいけど、「まず何をすればいいの？」って正直めちゃくちゃ迷いますよね…。インストール？ モデル選び？ API？ ローカル？ 最初はどれも聞き慣れない言葉だらけで、何から触ればいいのか分からなくなると思います。

でもご安心ください！この記事は、そんなモヤモヤをスッと消して「おお、LLMが動いた！」という“最初の成功体験”まで最短でたどり着けるように作っています。むずかしい専門用語はできるだけ使わずに、図やサンプルコードもセットで、読みながら自然に理解できるようにしています。

APIでサクッと動かす方法も、自分のPCでローカル実行する方法も、さらにアプリ化して使える形にするところまで、必要な部分だけを分かりやすくまとめました。この記事を読み終わるころには、PythonでLLMを自由に触れる自信がついているはずなので、どうぞ気楽に読み進めてくださいね！

PythonでLLMを動かす全体像（知識ゼロでもつかめる流れ）

PythonでLLMを動かすときって、「やることが多そう…」って感じると思うんですけど、実は流れをつかんでしまえばめちゃシンプルなんです。ここでは、まず全体のイメージをつかんで、これから出てくる内容で迷わない状態を作っていきますね。

---

● LLM活用の5ステップ（まずは“地図”を持とう）

LLMを動かすときの基本的な流れは、どんな方法でも次の5つにまとまります。

• モデルを決める（APIを使う？ローカルで動かす？）
• 環境を準備する（Pythonインストール、ライブラリ準備など）
• モデルに指示文（プロンプト）を送る
• 返ってきた結果を受け取る
• 必要ならアプリ化する

---

● APIとローカル実行の違い（料理で例えると一発で理解できます）

LLMを動かす方法は大きく分けて2つあります。

• API利用：料理を“出前で頼む”イメージ
  ぜんぶ作ってくれるプロのキッチン（クラウドのAI）に注文して、結果だけ受け取る感じです。
  自分のPCは軽くてOKで、準備も最小。まずはこれが一番ラクです。
• ローカル実行：自分の家で“自炊する”イメージ
  食材（モデル）をダウンロードして、作る場所（PCスペック）も自分で用意します。
  手間は少し増えますが、ネット不要で動くし、自由度が高いのが魅力です。

まずは動かす！最も簡単な「API利用」パターンA

ここでは「とにかく最速でLLMを動かしたい！」という方のために、PythonでAIを呼び出す一番カンタンな方法だけをまとめています。Pythonさえ入っていれば、ほんの数分で“AIが返事してくれた！”という体験までたどり着けますので、気楽に読み進めてくださいね。

---

● 必要な準備（インストールとAPIキー）

APIを使う方法は、料理でいうと「出前で頼む」イメージでしたよね。
こちらで準備するものはめちゃ少なくて、次の2つだけです。

• Pythonライブラリのインストール
  代表的なのは
  • OpenAI
  • Anthropic
  • Google（Gemini）
    など。
    どれも pip install でサクッと入ります。
• APIキーの取得
  AIサービス側に「あなた誰ですか？」と証明するための秘密の鍵です。
  無料〜少額で発行できるので、初めてでも安心して試せます。

---

● 10行で動くサンプルコード（超シンプルな会話例）

では、実際に動かす最短コードです。
このコードをコピペして、APIキーを差し替えるだけでOKです！

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "こんにちは！"}
    ]
)

print(response.choices[0].message["content"])

これで、あなたのPC上でAIが返事を返してくれます。
初めて動いた瞬間って、けっこう感動するんですよね…！

---

● よくあるエラーと直し方

初心者の方がつまずきやすいポイントもまとめておきますね。

• APIキーが違う／入っていない
  → エラー文に authentication と出たらまずココを疑ってください。
• モデル名が間違っている
  → gpt-4o-mini など、つづりミスが意外と多いです。公式のモデル名を再確認してください。
• ライブラリが古い
  → “No such attribute” や “Unexpected argument” が出たら
  pip install --upgrade openai で更新すると直ることが多いです。

---

API提供LLM一覧

サービス名	無料枠	推奨モデル	主な特徴	少額利用での向き	商用利用	コスト感（目安）
OpenAI	Webで無料利用可	GPT-4o mini / GPT-4o	高品質・低単価・使いやすい	一般会話・アプリ試作	可能	数十円〜数百円でも十分試せる
Anthropic Claude	Web無料	Claude 3.6 Haiku	日本語が自然・要約に強い	文書・調査	可能	初期課金後 少額で利用可
Google Gemini	Web無料 + API無料クレジット（変動）	Gemini 2.0 Flash	マルチモーダル強い	画像・音声含むPoC	可能	API無料枠で十分試せる
Groq	無料枠あり	Llama / Mixtral高速推論	最高速レベル	プロトタイプ	可能	低コスト
DeepSeek API	少量無料枠	R1 / R1-mini	推論特化・激安	RAG/推論系	可能	最安級

---

自分のPCで動かす！軽量モデルのローカル実行パターンB

「APIは便利だけど、ネットにつながないで動かしたい！」とか「自分のPCでモデルを育てたり、自由にいじってみたい！」という方に向けて、ここではローカル実行の最短ルートをご紹介します。ローカル実行は少しだけ準備が増えますが、そのぶん自由度が高くてワクワクする世界です。

---

● モデル選びのコツ（日本語／英語の違いで決めよう）

ローカル実行では、どのモデルを選ぶかで“動くスピード”も“返答の賢さ”も変わります。まずは、言語とサイズでサクッと決めちゃうのがおすすめです。

日本語中心で使う場合

• ELYZA系（ELYZA-japanese-Llama-3）
  日本語がとても自然で、サイズも軽め。
• Llama 3.2（Japanese対応モデル）
  小さくても理解力が高めで扱いやすいです。

英語中心・軽量で速さ重視の場合

• Llama 3.2 3B / 8B
  軽くて速いので、GPUなしPCでも動かしやすいです。

大きめモデルを試したい場合（GPUあり）

• Llama 3 系 13B〜70B
  精度は上がるけど、PCの力が必要。
  本格的に触りたい人向けです。

※ どのモデルも Hugging Face で無料ダウンロードできます。

---

● PCスペックの目安表（ここだけ見れば迷わない）

ローカル実行で一番気になるのが「うちのPCで動くの？」という不安ですよね。
そこで、ざっくり判断できる目安を表にまとめました。

モデルサイズ	推奨メモリ（RAM）	GPUの有無	だいたいの動作感
3B〜4B	8GB〜16GB	なしでOK	文章生成は十分速い
7B〜8B	16GB以上	あれば快適	実用レベルの会話可
13B	32GB以上	必須級	ゲームPC並みの力が必要
30B〜70B	64GB以上	強いGPU必須	研究者・開発者向け

※ あくまで目安なので、実際には量子化（モデル軽量化）で少し軽くできます。

---

● 20行で動くローカルLLMサンプル

ここでは Ollama を使った、超シンプルなサンプルを紹介します。
Ollamaは「モデルのダウンロードから実行まで全部まとめてやってくれる便利ツール」なので、初心者にめちゃ優しいです。

まず、Ollama をインストールしたら、下のコードを使ってみてくださいね。

import subprocess
import json

# Llama 3.2 などの軽量モデルを取得（初回だけ数分かかります）
subprocess.run(["ollama", "pull", "llama3.2"])

# モデルに質問を投げる
result = subprocess.run(
    ["ollama", "run", "llama3.2", "こんにちは！調子どう？"],
    capture_output=True,
    text=True
)

print(result.stdout)

たったこれだけで、自分のPC上でLLMが動きます！
ネットがなくても動かせるので、自由度が一気に上がりますよ。

---

無料LLM一覧

モデル名	パラメータ	推奨環境	主な特徴	用途の向き	価格	ライセンス
Phi-3 Mini 4B/8B	4B/8B	CPU〜軽量GPU	軽量・高性能	一般会話、軽めの生成	無料	MIT系
Qwen2.5 7B	7B	CPUでも可	多言語・高精度	会話・QA	無料	Apache 2.0
Llama 3.2 3B/8B	3B/8B	軽量PC	素直な応答	入門向け	無料	Meta Llama License
StableLM 8B	8B	CPUでも可	オープン性	研究・実験	無料	オープン
Llama 3.1 13B/70B	13B/70B	GPU 12〜48GB	高精度	高性能推論	無料	Llama License
Qwen2.5 14B/32B/72B	14–72B	GPU 16〜48GB	多用途で強い	会話・コード	無料	Apache 2.0
Mixtral 8x7B	46B（MoE）	GPU 12〜24GB	高効率高性能	多用途	無料	Apache 2.0
DeepSeek-R1 Distill	7〜33B	GPU推奨	推論特化	論理/数学	無料	商用OK多数

---

アプリに組み込む！Web UIを作るパターンC

「せっかくLLMが動いたし、もっと使いやすくしたい！」という方へ。ここでは、自分の作ったLLM機能をWebアプリとして画面付きで使えるようにする最短ルートを紹介します。といっても、めちゃむずしいことはしません。Pythonだけでサクッと画面が作れるのでご安心ください！

---

● Streamlit / FastAPIで画面を作る流れ

Webアプリを作るには、大きく2つの人気パターンがあります。

【1】Streamlit（画面づくりが一瞬）

• コードを書いて 保存 した瞬間に画面ができる“お手軽派”
• データ分析系の人にも超人気
• とりあえず UI を作りたい人はまずこれでOKです

【2】FastAPI（本格的なAPI開発向け）

• 実務でもよく使われている高速なWebフレームワーク
• バックエンドとしてしっかり作りたい人向け
• フロントUIは別途必要だけど、自由度はめちゃ高いです

ここでは「画面付きで動かしたい」という初心者向けに、Streamlitの最短例をご紹介しますね。

---

● ミニチャット画面のサンプル（Streamlit だけで動きます）

下のコードを app.py とかの名前で保存して、
ターミナルで streamlit run app.py と打つだけでチャット画面が立ち上がります！

import streamlit as st
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

st.title("ミニLLMチャット")

user_input = st.text_input("メッセージを入力してください")

if st.button("送信"):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": user_input}]
    )
    st.write("AIの返答：")
    st.write(response.choices[0].message["content"])

これだけで、あなた専用の“小さなChatGPT”アプリが完成します。
Pythonだけでここまでできるの、けっこう感動するんですよね…。

---

● 商品カテゴリ（紹介方針）

• Streamlit / FastAPI → 完全無料ツール
• 初学者には Streamlit（無料） を紹介する方針でOK
• 「GUIがほしい人」「開発に慣れたい人」に最適

---

うまく動かすためのプロンプト（指示文）入門

ここまでで「LLMを動かす」ことはできるようになりました。でも、実はここからが本番なんです。同じAIでも、どういう指示文（プロンプト）を送るかで精度がぜんぜん変わるんですよね。ここでは、基本の型と“ちょい工夫”で一気に精度が上がる書き方をまとめます！

---

● 基本パターン（要約・翻訳・説明・コードレビュー）

まずは、用途ごとにすぐ使えるシンプルなテンプレを紹介しますね。

■ 要約

「次の文章を、ポイントだけ3つにまとめてください：＿＿＿」

■ 翻訳（トーン指定あり）

「次の文を自然な日本語に翻訳してください。カジュアルな雰囲気でお願いします：＿＿＿」

■ 説明（小学生向け）

「次の内容を、小学生でもわかるようにやさしく説明してください：＿＿＿」

■ コードレビュー

「次のPythonコードの改善点を3つ挙げて、理由も教えてください：＿＿＿」

---

● 精度が上がる書き方の例（ほんの少しの工夫で変わる）

ここでは、よくある“ざっくりした指示”が、少しの改善でどう変わるかを見てみましょう。

▼ 悪い例

「文章を直してください。」

これだと、AIは「何をどう直す？」が分からないので精度がバラつきます。

---

▼ 良い例（目的＋基準をセット）

「次の文章を“読みやすく・情報を削らず・小学生でも理解しやすい”という基準で書き直してください。文章はこちらです：＿＿＿」

→ この書き方だと、AIは“ゴールの条件”が分かるので、結果が安定します。

---

▼ さらに強くなる例（役割を指定）

「あなたはプロの編集者です。次の文章を、読みやすく、説明の順番を整理しつつ、小学生でも理解できる表現に直してください：＿＿＿」

→ “役割の指定”は本当に強力で、文章の質が一気に上がります！

---

練習課題：自作ミニアプリに挑戦しよう

ここまで読んできたあなたなら、もう「LLMを動かす → アプリに組み込む」までの流れをひと通り理解できています。
なので最後は、“実際に作ってみる”ことで理解をグッと深めるステップに進みましょう！
むずかしく考えなくてOKです。小さく作って、動いたら「やった！」で十分です。

---

● 作れるアプリ例（この中から選ぶだけでOK）

どれも Python ＋ API or ローカルモデルだけでカンタンに作れます。

• ミニ翻訳アプリ
  テキストボックスに入力すると日→英や英→日で翻訳してくれる。
• 要約アプリ
  長文を貼り付けると、ポイントを3つに整理してくれる。
• チャットボット
  自分専用のおしゃべりAI。StreamlitならUIも秒で完成。
• 勉強サポートAI
  「小学生でもわかるように説明して」と頼むと解説してくれる。
• コードレビューAI
  コードを貼ると改善点を教えてくれるミニツール。

この中から「ちょっと面白そう」と思うものを1つ選ぶだけで十分です！

---

● 取り組みステップ（迷わず作れる実践フロー）

アプリを作るときは、次の4ステップを順番に進めるだけです。

• 使うモデルを決める
  APIでもローカルでもOK。
  「まずは動く経験をしたい」なら gpt-4o-mini などの軽量APIが安心です。
• 画面づくり（Streamlitがおすすめ）
  入力欄とボタンだけでOK。
  st.text_input() と st.button() を置くだけで立派なUIになります。
• LLMに送るプロンプトを作る
  用途が決まればプロンプトも決まります。
  例：要約なら「ポイントを3つにして」など、ゴールを明確に。
• 動かして調整する
  返ってきた結果がイマイチなら、プロンプトを少し変えるだけで改善します。

---

● 商品カテゴリ（紹介方針）

• 無料ツール：GitHub、Streamlit Cloud など
• 「ローカルでも公開したい」という読者向けに、無料のホスティング環境を紹介する方針。

---

よくある質問