Ollama, Qwen3-Coder i OpenCode: lokalny asystent kodowania

Czym jest lokalny asystent kodowania z Ollama, Qwen3-Coder i OpenCode?

To zestaw trzech niezależnych narzędzi, które łączą się przez lokalne API. Ollama uruchamia model językowy i wystawia endpoint pod adresem localhost, OpenCode jest agentem terminalowym, który czyta pliki, edytuje je i uruchamia polecenia, a Qwen3-Coder generuje kod [1][2]. Żadne z narzędzi nie jest konsumenckim asystentem w rodzaju Meta AI; to warstwa robocza dla programistów. Kluczowe rozróżnienie dotyczy wariantu modelu: tylko tagi lokalne trzymają prompt na twoim sprzęcie [1].

Jakie role pełnią Qwen3-Coder, Ollama i OpenCode?

Trzy elementy pochodzą od różnych zespołów, co ma praktyczne znaczenie przy aktualizacjach i wsparciu. Model Qwen3-Coder rozwija zespół Qwen z Alibaba, Ollama dostarcza runtime i lokalny endpoint, a OpenCode jest odrębnym projektem agenta terminalowego [3][4]. Nie zastępują się nawzajem: podmiana modelu nie wymaga zmiany OpenCode, a aktualizacja OpenCode nie zmienia wag modelu. Dokumentacja integracji Ollama opisuje oficjalną ścieżkę połączenia obu narzędzi [2].

Jeśli interesuje cię szersze tło modeli open-weight, zobacz Qwen 27B kontra Llama 3.1.

Które warianty Qwen3-Coder działają lokalnie, a które w chmurze?

Lokalnie działa tag qwen3-coder:30b. Oficjalny wpis w bibliotece Ollama podaje około 19 GB rozmiaru, 256 tysięcy tokenów kontekstu i licencję Apache 2.0 [5]. Model Qwen3-Coder-30B-A3B-Instruct ma około 30,5 mld parametrów ogółem, z czego 3,3 mld jest aktywnych w każdej chwili, ponieważ zbudowano go jako mixture-of-experts [6].

Wariant 480B-A35B-Instruct ma 480 mld parametrów ogółem i 35 mld aktywnych. Qwen deklaruje pretraining na 7,5 bln tokenów, z czego 70 proc. stanowił kod [4].

Inaczej działa qwen3-coder:480b-cloud. Ten tag nie wykonuje inferencji na twoim komputerze — obliczenia trafiają do infrastruktury Ollamy, więc treść promptu opuszcza maszynę [1]. Wariant lokalny qwen3-coder:480b ma około 290 GB i do uruchomienia wymaga około 250 GB pamięci RAM lub pamięci zunifikowanej [1]. To klasa serwerowa, nie laptopowa.

Ile pamięci i kontekstu naprawdę potrzebuje model 30B?

Około 19 GB to rozmiar pliku modelu po kwantyzacji, a nie pełne zapotrzebowanie na pamięć. Dochodzi KV-cache, system, edytor, repozytorium i ewentualny offloading między CPU a GPU [5]. Przy pełnym wykorzystaniu 256 tysięcy tokenów kontekstu wymagania rosną znacznie powyżej samego rozmiaru tagu [2].

Drugi parametr to kontekst sesji. Sama deklaracja modelu nie oznacza, że Ollama i OpenCode uruchomią rozmowę z takim oknem. Dokumentacja integracji wskazuje dla lokalnych modeli minimum 64 tysiące tokenów kontekstu, ponieważ domyślne ustawienia Ollama bywają zbyt małe do pracy agentowej [2]. Praktyczny wniosek: kontekst trzeba ustawić świadomie, a nie przyjąć domyślny.

Jak skonfigurować OpenCode z lokalnym Ollama?

Kolejność jest krótka. Najpierw uruchamiasz Ollama, potem pobierasz tag lokalny, na przykład ollama pull qwen3-coder:30b, a następnie startujesz OpenCode poleceniem opisanym w oficjalnej integracji [2]. OpenCode wymaga skonfigurowania providera; dla lokalnego Ollama adres endpointu to http://localhost:11434/v1 [3].

Po połączeniu sprawdź trzy rzeczy: czy OpenCode widzi model z lokalnego endpointu, czy kontekst sesji wynosi co najmniej 64 tysiące tokenów oraz czy w konfiguracji nie ma drugiego, chmurowego providera. Warto też obserwować ruch sieciowy procesu w trakcie pracy, żeby potwierdzić, że prompty nie wychodzą poza localhost [2].

Czy lokalny model zastąpi GitHub Copilot?

Nie w każdym scenariuszu. Copilot przetwarza prompty i kontekst na serwerach GitHub lub dostawców modeli; dokumentacja rozróżnia przy tym plany biznesowe i indywidualne [7]. Dla Business i Enterprise GitHub deklaruje brak wykorzystywania danych klienta do trenowania modeli, a w planach indywidualnych zasady są inne [7][8]. Lokalny stos odwraca ten układ: dopóki używasz tagu lokalnego, prompt nie trafia do zewnętrznego providera [1][2].

Copilot rozwija też funkcje wykonawcze. 7 października 2026 r. GitHub ogłosił ogólną dostępność lokalnego sandboxingu dla Copilota, czyli uruchamiania poleceń w izolowanym środowisku [9]. To pokazuje, że granica prywatności nie sprowadza się do pytania „chmura albo lokalnie”: znaczenie ma również to, gdzie agent wykonuje kod i jakie ma uprawnienia.

Jakie ryzyko zostaje, gdy model działa lokalnie?

Lokalny model ogranicza wysyłanie promptów do providera, ale nie czyni agenta bezpiecznym automatycznie. OpenCode nadal czyta pliki, uruchamia polecenia i może pobierać dane z sieci [2][10]. Agent z dostępem do repozytorium widzi także pliki konfiguracyjne i sekrety, jeśli nie zostaną wyłączone z zakresu.

Minimalne zabezpieczenia: uruchamiaj agenta na koncie o ograniczonych uprawnieniach, przeglądaj diff przed zatwierdzeniem, trzymaj klucze poza repozytorium i nie zostawiaj trybu automatycznego bez nadzoru. Instalacja, aktualizacje i pakiety OpenCode również mogą wymagać internetu, więc „offline” dotyczy inferencji, a nie całego cyklu pracy [2].

Od czego zacząć w małym zespole?

Zacznij od jednego programisty i jednego repozytorium, na którym skutki błędów są odwracalne. Pobierz tag qwen3-coder:30b, ustaw kontekst co najmniej 64 tysiące tokenów i sprawdź, czy maszyna utrzymuje model w pamięci bez offloadingu [2][5]. Dopiero potem rozszerzaj zakres na kolejne osoby.

Nie zakładaj z góry, że lokalny model dorówna Copilotowi w każdym zadaniu. Testuj na własnym kodzie i porównuj diffy, a nie ogólne wrażenia. Jeśli zespół pracuje w monorepo z wieloma modułami, sprawdź, jak agent radzi sobie z odnajdywaniem zależności — to ograniczenie dotyczy każdego modelu, nie tylko Qwen3-Coder [3]. Zobacz też Czy Gemma 4 MTP w llama.cpp to szansa dla polskich developerów? oraz Cohere Command-A+ kontra Llama 3.1.

Najczęstsze pytania

Czy Ollama wysyła mój kod do chmury?

Nie, jeśli używasz lokalnego tagu i lokalnego endpointu. Wariant qwen3-coder:480b-cloud jest wyjątkiem, bo inferencja odbywa się w infrastrukturze Ollamy [1]. Warto jednak pamiętać, że instalacja, aktualizacje i funkcje sieciowe OpenCode mogą korzystać z internetu, więc prywatność promptu nie oznacza pełnego trybu offline [2].

Ile pamięci potrzebuje qwen3-coder:30b?

Sam tag zajmuje około 19 GB, ale pełne zapotrzebowanie jest większe: dochodzi KV-cache, system, edytor i repozytorium [5]. Przy długim kontekście pamięć rośnie dalej, dlatego 256 tysięcy tokenów nie należy traktować jako darmowego limitu [2]. Na maszynie z ograniczoną pamięcią lepiej zacząć od krótszego kontekstu i obserwować zużycie.

Czy OpenCode działa bez połączenia z internetem?

Po pobraniu modelu i konfiguracji lokalnego providera inferencja może odbywać się bez internetu [2]. OpenCode nadal może jednak potrzebować sieci do instalacji, aktualizacji i niektórych funkcji. Jeśli wymagana jest pełna izolacja, trzeba ją wymusić na poziomie systemu i sprawdzić ruch procesu.

Czy Qwen3-Coder obsługuje cały projekt, a nie jeden plik?

OpenCode pracuje na repozytorium i może czytać wiele plików, ale jakość zależy od kontekstu sesji oraz od tego, czy model potrafi odnaleźć właściwe zależności [3]. Minimalne 64 tysiące tokenów kontekstu to warunek wstępny, nie gwarancja jakości [2]. W dużych monorepo warto ograniczać zakres zadania i prosić o wskazanie plików.

Czy lokalny stos jest darmowy?

Model qwen3-coder:30b jest dostępny na licencji Apache 2.0, a Ollama i OpenCode nie pobierają opłaty za API [5][3]. Kosztem pozostaje sprzęt, pamięć i czas konfiguracji. Nie ma tu abonamentu za użytkownika, ale nie ma też gwarancji, że model dorówna usługom chmurowym w każdym zadaniu.

Źródła

1. qwen3-coder (Ollama, 2026)
2. OpenCode — Ollama (Ollama Docs, 2026)
3. Providers (OpenCode Docs, 2026)
4. Qwen3-Coder: Agentic Coding in the World (Qwen, 2025)
5. qwen3-coder:30b (Ollama, 2026)
6. Qwen3-Coder-30B-A3B-Instruct (Hugging Face, 2025)
7. GitHub Copilot (GitHub, 2026)
8. Hosting of models for GitHub Copilot (GitHub Docs, 2026)
9. Local sandboxing for GitHub Copilot now generally available (GitHub Changelog, 2026)
10. How to Run Qwen3-Coder Locally (DataCamp, 2025)