Odcinek kanału YouTube
Przestać płacić za Copilota? Ollama + Cline Reality Check | Homelab #11
1.02.2026Czy da się mieć własnego agenta AI w VS Code całkowicie lokalnie? Reality check dla Ollamy i Cline: konfiguracja, prywatność kodu, Qwen 2.5 Coder i praktyczne ograniczenia darmowej alternatywy dla GitHub Copilot.
YouTube
Film ładuje się dopiero po kliknięciu — bez ciasteczek YouTube przed odtworzeniem.
Notatki do odcinka
Streszczenie i rozwinięcie filmu — dla osób, które wolą najpierw przeskanować temat, zamiast oglądać całość.
Czy da się mieć agenta AI do kodowania w VS Code, który działa lokalnie i nie wysyła kodu do chmury? W tym odcinku sprawdzam zestaw Ollama + Cline na konkretnym sprzęcie, zamiast zakładać z góry, że lokalne modele są prostym zamiennikiem Copilota albo Claude’a. Interesuje mnie nie tylko możliwość uruchomienia narzędzia, ale też to, jak zachowuje się ono podczas prawdziwej pracy z plikami.
Test wykonuję na Dell Optiplex 3060 Micro z iGPU i 32 GB RAM. To ważny kontekst, bo wynik nie opisuje abstrakcyjnego „lokalnego AI”, tylko konfigurację uruchomioną na przeciętnym sprzęcie. Pokazuję, co działa w trybie planowania, gdzie zaczynają się problemy z działaniem agenta i dlaczego w pewnym momencie warto rozważyć Ollama Cloud.
Co zobaczysz
Najpierw instaluję wtyczkę Cline w VS Code i łączę ją z Ollamą. Następnie wybieram Qwen 2.5 Coder jako model do pracy z kodem. Samo wskazanie modelu nie kończy konfiguracji. Cline może planować zadanie, a później wykonywać działania na plikach, więc sprawdzam oba tryby osobno.
Tryb Plan służy do myślenia i przeglądu proponowanego rozwiązania. W tym trybie wykonuję test code review i uzyskuję sukces. To ważna obserwacja: lokalny model może być przydatny, kiedy jego rola polega na analizie i przygotowaniu planu, a nie na samodzielnym przechodzeniu przez długi ciąg zmian.
Tryb Act jest bardziej wymagający, bo agent ma działać na plikach. Tutaj pojawia się pętla błędów. Zamiast doprowadzić zadanie do końca, lokalny model gubi się i wypluwa pseudo-kod. Omawiam też problem lokalnych modeli z Tool Calling, który ma bezpośredni wpływ na to, czy agent potrafi poprawnie korzystać z narzędzi.
Kluczowe wnioski
Najważniejszy wniosek brzmi: „lokalnie” nie oznacza automatycznie „wystarczająco dobrze do każdego workflow”. Prywatność, niezależność i brak wysyłania kodu do chmury są realnymi zaletami. Nie usuwają jednak ograniczeń modelu ani kosztu pracy na słabszym sprzęcie.
Różnica między Plan i Act pokazuje, że warto rozdzielać analizę od wykonania. Code review zakończył się powodzeniem w trybie Plan, ale działanie na plikach doprowadziło do pętli błędów. Ten sam zestaw może więc być sensownym narzędziem do uzyskania drugiej opinii lub przygotowania kierunku zmian, a jednocześnie słabym autonomicznym wykonawcą.
Istotny jest także narzut samego agenta. Porównuję Open WebUI i Cline, zwracając uwagę na to, że Cline nie tylko prowadzi rozmowę. Musi również obsługiwać plan, działania na plikach i wywołania narzędzi. To dodatkowe wymagania dla modelu i środowiska, dlatego wynik z prostego czatu nie wystarcza do oceny agenta kodującego.
W drugiej części sprawdzam Ollama Cloud oraz model Kimi K2.5. Ta ścieżka ratuje sytuację, gdy lokalny wariant nie radzi sobie z działaniem. Nie przedstawiam jej jednak jako bezwarunkowego rozwiązania: omawiam również limity darmowej chmury. Wybór między lokalnym modelem a chmurą zależy więc od tego, czy ważniejsza jest prywatność i niezależność, czy skuteczniejsze wykonywanie zadań agenta.
Jak to odtworzyć
Zainstaluj Ollamę oraz wtyczkę Cline w VS Code, skonfiguruj połączenie i wybierz Qwen 2.5 Coder. Następnie wykonaj osobno test w trybie Plan oraz test w trybie Act, obserwując różnicę między code review a działaniem na plikach. Jeżeli lokalny wariant wpada w pętlę błędów, porównaj go z Ollama Cloud i Kimi K2.5. Szczegóły konfiguracji Ollamy znajdują się w instrukcji na GitHubie.
Najczęstsze pytania
Czy lokalny agent może zastąpić Copilota? Może być prywatną alternatywą, ale test pokazuje ograniczenia. Plan działa dobrze, natomiast Act może utknąć w pętli i generować pseudo-kod.
Dlaczego rozdzielać tryby Plan i Act? Ponieważ analiza i działanie na plikach stawiają przed modelem inne wymagania. Sukces w code review nie gwarantuje poprawnego użycia narzędzi.
Czy chmura rozwiązuje problem bez kompromisów? Nie. Kimi K2.5 w Ollama Cloud pomaga w sytuacji problemów lokalnego modelu, ale darmowa chmura ma limity.