Как создать локальный Claude Code с неограниченным количеством токенов: пошаговая инструкция

Сейчас большинство людей только и делают, что говорят о гениальности Claude AI. И это неудивительно, ведь бот чуть ли не каждый день поражает пользователей своими способностями. Многие считают, что он превзошел Chat GPT. Теперь пользователей можно разделить на ИИ-кланы, потому что разговоры о ботах часто превращаются в ожесточенные споры о том, кто же лучше.

Впрочем, сейчас мы не будем говорить о том, какой сервис выбрать, и какой бот обладает наибольшим набором навыков. Поскольку все они давно вышли на высокий уровень развития и предлагают нам широкий арсенал «услуг». Здесь можно сказать лишь одну вещь, которая превратилась из обычного совета в закон цифрового мира — используйте ИИ.

Для арбитражника искусственный интеллект стал неотъемлемой частью работы. Сейчас ИИ повсюду. Если вы не работаете с ним и не включите этот пункт в свой рабочий процесс, то вы просто рискуете стать неконкурентоспособным на рынке трафика.

Мы не призываем вас полностью отдавать свою работу ИИ. Это и невозможно. Особенно в случае с работой медиабайера. В нейросетях есть внутренняя цензура, которая препятствует созданию абсолютно всего. Поэтому собственные руки с головой не откладываем в антресоль — они нам еще понадобятся.

ИИ нужно использовать для лучшей автоматизации процессов и упрощения работы в целом. Да, это часто недешевое удовольствие, которое имеет достаточно нюансов. Однако таковы реалии, и выбор здесь один — либо принимаешь правила игры и масштабируешься, либо игнорируешь нововведения и отстаешь.

В этом материале мы поговорим о Claude AI. Недавно мы уже писали статью об этом AI-ассистенте и о том, как он может помочь с адаптацией лендингов. Сегодня же ловите гайд, как создать локальный Claude Code с неограниченным количеством токенов.

Гайд: Как создать локальный Claude Code с неограниченным количеством токенов

Для начала нужно разобраться с тем, как работает LLM — основа процесса, от которой все зависит.

Рассмотрим принцип работы LLM на примере Claude Code, которому мы посвятили статью. Claude Code — это CLI-инструмент, который при любом обращении отправляет API-запрос на серверы Anthropic. Уже на серверах вся информация обрабатывается LLM. Сейчас в Claude одна из лучших моделей — Opus 4.6.

В результате мы получаем ответ на запрос: формат текстового сообщения, лендинг, код и т. д.

Если мы создаем локальный Claude Code, нам нужна локальная LLM, которой мы будем отправлять запросы через CLI-инструмент.

Сразу о преимуществах и недостатках

Преимущества:

Локальная модель не подвергается цензуре. Поэтому с ее помощью вы можете сгенерировать гораздо больше, чем в обычных моделях.
Дополнительным преимуществом является возможность обучения модели на своих данных. Если в вашей работе есть специфические моменты, требующие индивидуального подхода, то вы можете настроить модель так, чтобы она с ними работала.
Поскольку модель локальная, данные, которые вы туда загружаете, никуда не улетят. То есть они будут только на том устройстве, на котором установлена модель.

Недостатки:

В этом случае мы загружаем open-source LLM, которая отличается от Opus 4.6. Это означает, что на ней невозможно писать SaaS-платформы или работать с крупными проектами. Да, можно попробовать обучить нейросеть, чтобы она выполняла более сложные задачи. Однако все же лучше давать ей более простые задачи.
Требуется мощное устройство. Как бы то ни было, модель потребляет очень много ресурсов, и слабый компьютер может просто не справиться с ней.

Работа с Ollama

Ollama — инструмент, который поможет запустить локальные LLM без обращения к Anthropic. Он работает непосредственно на вашем компьютере, а не на чужом сервере или в общем облаке.

Ollama позволяет запускать популярные open-source-модели (Mistral, LLaMA, DeepSeek) и взаимодействовать с ними так же, как это происходит с API Claude.

Этап 1: Загрузка Ollama

Скачайте Ollama (выберите файл для своей ОС)
Распакуйте файл и завершите установку
Далее в Ollama откройте командную строку (CMD) и введите команду: ollama –version

Этап 2: Выбор LLM

На этом этапе особо обратите внимание на мощность своего компьютера, поскольку именно от нее здесь многое зависит. Локальные модели сами по себе требуют больше ресурсов.

Для мощного устройства: qwen2.5-coder:14b или queen 3-coder.
Для слабого: qwen2.5-coder:7b.

Когда вы выбрали нужную модель, введите команду: ollama pull qwen2.5-coder:14b (вместо этой модели укажите ту, которая подходит именно для вашего компьютера).

После ввода команды подождите, пока установка полностью завершится. Это может занять время, а также место на диске. LLM весит немало.

Когда установка завершилась, введите команду: ollama run qwen2.5-coder:14b (ваша модель) и проверьте, хорошо ли работает нейронная сеть.

Этап 3: Подключение LLM к Claude Code

Объединив Ollama и Claude Code, вы получаете полноценного ассистента, который не только ведет чат, но и работает с файлами: читает их, редактирует, вносит изменения и т. д. Без Claude Ollama не даст вам желаемого результата.

Сначала убедитесь, что вы уже установили Claude Code на свой компьютер. Если нет — знаете, что делать.
Вместо API Anthropic мы подключаем Claude Code к локальному серверу Ollama. Вводим команду: ollama serve. После чего запустится Ollama. Эта история будет на: http://localhost:11434/
Затем введите команду: ollama launch claude –modelqwen2.5-coder:14b. И Claude подключится к установленной вами локальной модели.

Подводя итоги

Локальный LLM особенно подходит для больших команд, когда в работе нужно учитывать много специфики. В целом это удобный инструмент, который упрощает работу, открывает вам больше возможностей и автоматизирует процессы.

Сейчас с ИИ можно играть, как вам вздумается. Главное — это наконец-то внедрить его в свой рабочий процесс и освоить как следует. Как мы уже говорили, понимание ИИ и умение с ним работать делают вас конкурентоспособным на рынке. Тогда для вас открывается больше преимуществ, о которых в одиночной деятельности вы могли даже не знать.