mysnipbox
← 記事一覧

Ollamaと自分のGPUでAIプロンプトをローカルで逆引きする方法（API費用なし）

2026年10月23日 公開 · 読了目安 5分

息をのむようなMidjourneyやFluxの作品を見て、「どんなスタイルトークンと照明、カメラアングルで作られたのだろう？」と思ったことはありませんか。

今どきの定番は、その画像をクラウドのマルチモーダルLLM（GPT-4oやClaude 3.5 Sonnetなど）に入れる方法です。ただ、何百枚も保管したり、プロ向けのプロンプトライブラリを作ったりしていると、API呼び出しの費用がすぐにかさみますし、大切なコンセプトが他人のサーバーに渡ってしまいます。

すでに使えるGPU（RTX 3060、4070、4090、またはApple SiliconのMac）があるなら、API費用なし、オフラインで、回数制限なしにローカルのビジョンモデルを動かせます。

ローカルでプロンプトを逆引きし、ローカルファーストのワークフローにつなぐ手順を、順を追って紹介します。

プロンプトを「原子トークン」に分解する理由

DiscordやCivitaiからコピーしたプロンプトは、たいてい散らかっています。

元のプロンプト

ultra-detailed cinematic shot of an astronaut in a cybernetic jungle, octane render, volumetric lighting, Hasselblad 80mm, f/1.8, artgerm style --ar 16:9 --v 6.1

この文字列をそのままメモに保存しても、再利用はまずできません。でも分解して、モジュール単位のパーツに分ければ話は変わります。

  • 被写体トークン： astronaut exploring cybernetic biome
  • 照明トークン： volumetric rim lighting, subtle bioluminescence
  • 光学トークン： Hasselblad 80mm lens, shallow depth of field, f/1.8
  • アートディレクショントークン： hyper-detailed hard surface textures, octane render aesthetic

これで、組み合わせて使えるパレットができました。宇宙飛行士をビンテージのスポーツカーに替えても、同じ光学と照明のニュアンスをそのまま引き継げます。

ステップ1：Ollamaとビジョンモデルを用意する

ローカルのビジョンモデルを動かすいちばん手軽な方法はOllamaです。

1. Ollamaをインストールする

公式サイトからmacOSまたはWindows用のランタイムをダウンロードしてインストールします。インストール手順と、デスクトップアプリに必要な環境変数1つについては、Ollamaセットアップガイドで説明しています。

2. 軽量なビジョンモデルを取得する

ターミナル（またはコマンドプロンプト）を開いて実行します。

shell
# 速度と精度のバランス（メモリは約16GBが目安）
ollama run minicpm-v

# 8GBのPC向けの、より軽い選択肢
ollama run qwen2.5vl:3b

# 幅広い物体認識にはLLaVA
ollama run llava:7b

取得が終わると、Ollamaが http://localhost:11434 にローカルのREST APIを公開します。どのモデルが自分のPCに合うか迷ったら、サイズと必要なメモリをローカルモデル（Ollama）で確認してください。

ステップ2：分解に向いたビジョンプロンプト

ローカルのビジョンモデルに画像を送るとき、「この画像を説明して」と聞くだけではいけません。一般的な説明は詩的な文章になり、使えるプロンプト表現は得られません。

画像生成のパラメータに合わせた抽出用プロンプトを使いましょう。

prompt
Act as an AI prompt engineer specializing in Midjourney and Flux.
Analyze this image and break it down into four distinct categories:
1. Subject & Pose (Exact subject, action, framing)
2. Medium & Art Style (Digital illustration, 35mm film, octane render, etc.)
3. Lighting & Palette (Key light, ambient tones, color grading)
4. Camera & Composition (Focal length, angle, depth of field)

Format the output strictly as comma-separated atomic keywords ready for prompt concatenation.

ステップ3：mysnipboxでワークフローを自動化する

コマンドを実行して、返ってきた内容をテキストファイルに貼り付ける作業は、画像が3枚を超えるとすぐ面倒になります。そこで、AIクリエイターのためのローカルファーストなデスクトップ作業台、mysnipboxを作りました。

  • ローカルAIとの連携： mysnipboxを自分のOllamaのアドレス（http://localhost:11434）につなぐと、画像を自分のPCで分析し、視覚要素を分けてトークンカテゴリに自動で振り分けます。
  • クラウドAPIへの切り替え： デスクトップを離れているときは、自分のGemini・OpenAI・AnthropicのAPIキーに切り替えられます。作業の流れはそのままです。
  • ローカルで所有： トークン、元画像、メタデータは、サードパーティのSaaSサーバーではなく自分のドライブに残ります。（クラウドプロバイダーで分析した画像は、そのプロバイダーに送信されます。）
  • サブスクなし： 一度の購入で、ずっと使えます。
アプリでは、セットアップガイドでOllamaを接続してから、検証済みのビジョンモデルを選びます。サイズと推奨メモリはアプリに表示される値そのままです。

まとめ：自分だけのプライベートなプロンプト保管庫を作ろう

優れたプロンプトの公式がDiscordのスクロールに流れて消えていくのは、もう終わりにしましょう。ローカルのビジョンモデルと専用の整理ツールを組み合わせれば、散らばった生成結果が、自分で所有するプロンプトライブラリに変わります。

プロンプトの分解をもっと楽にしたいなら、macOS・Windows向けのmysnipboxをダウンロードして始めましょう。