Serena MCPとObsidianを使う開発支援の構想
Serena MCP、Obsidian、ローカルLLM、VS Codeをつなぐ構成案。開発業務へのLLM導入に必要な最小構成と未定の設定を整理します。
はじめに
Serena MCP を使い、Obsidian の指示をローカルLLMや GitHub Copilot の補完・エージェント実行につなぐ構成を考えました。VS Code で使う開発支援の案です。
目標は、リポジトリの知識を使って補完を改善し、hallucination を減らし、コードを外へ出さずに使えることです。ここでは構想と例を整理しています。
背景・目的
元のメモには、次の目的を書いていました。
- serena MCPでlocal LLM、github copilotの精度を向上させる
- obsidianをベースにserenaでinstructionsを生成、ローカルLLMもしくはGithub copilotをベースにしてオートコンプリート、エージェントを活用できるようにローカルマシンに構築する。VSCODEでも利用する
Obsidian で書いた指示を、リポジトリの文脈とともに補完と実行へ渡す流れを考えています。ローカルLLMと GitHub Copilot の両方を対象にしています。
Serena MCP: ローカルLLMとGitHub Copilotの精度向上
Serena MCP でコード、コメント、ドキュメントを読み、プロジェクトに合う文脈をモデルへ渡す案です。
候補は Qwen-Coder-v3、Gemma-3、Ollama で動かすモデルです。特定のモデルに固定せず、差し替えられる構成を考えています。
Key Features
| Feature | What It Does | Practical Example |
|---|---|---|
| Local LLM Fine-Tuning | Trains a model on your repository’s code, comments, and documentation. | A Python project with 10k lines of code gets a model that understands project-specific naming conventions. |
| GitHub Copilot Accuracy Boost | Uses the fine-tuned model as a secondary suggestion engine, filtering Copilot’s output. | Copilot suggests a generic def foo(): but Serena MCP replaces it with def calculate_total_price(items): after matching repository patterns. |
| Obsidian-Based Instruction Generation | Generates Markdown instructions that guide the LLM or Copilot. | An Obsidian note titled “Add unit tests” automatically creates a prompt: “Write pytest tests for calculate_total_price.” |
| Auto-Complete & Agent Integration | Provides context-aware auto-completion and a lightweight agent that can execute code snippets. | While typing in VS Code, Serena MCP completes df. to df.groupby() based on pandas usage in the repo. |
| VS Code Extension | Installs a side-panel that displays Serena-generated instructions and suggestions. | A developer sees a “Suggested refactor” button that, when clicked, runs the agent to rename variables. |
表は想定する機能と例です。Obsidian-Based Instruction Generation と Auto-Complete & Agent Integration をつなぎ、計画から補完・実行まで扱います。
How It Works
想定する処理は5段階です。以下の学習値や実行例は構想の例示で、測定結果ではありません。
Repository Analysis：コード、コメント、ドキュメントを走査し、関数シグネチャ、クラス階層、共通パターンをナレッジグラフにします。
Fine-Tuning：抽出データでローカルLLMを学習します。メモでは、Qwen-Coder-v3 を16GB GPUで4エポック学習し、テストセットの perplexity を35から22へ改善する例を置いています。
Instruction Generation: Obsidianでユーザーが高レベルの目標を書く: “Implement pagination for the API.” Serena MCPがこれを詳細なプロンプトに変換する:
## Task: Add pagination to the API endpoint `/items` - Use FastAPI - Return 20 items per page - Include `next_page` and `prev_page` linksAuto-Complete & Agent: 開発者がエンドポイント関数内で
returnと打つと、Serena MCPのオートコンプリートがreturn paginate_items(items, page, per_page=20)を提案する。エージェントはテストハーネスも実行できる:$ serena agent run tests/test_pagination.py PASSVS Code Integration：サイドバーに instruction、コード候補、エージェントの状態、ローカルLLMの推論APIへのアクセスを表示します。
Obsidian の高レベルの指示を基準に、個別の prompt とエージェントの処理へ分ける構成です。
Benefits
| Benefit | Why It Matters |
|---|---|
| Higher Accuracy | Fine-tuned models reduce irrelevant suggestions by 30-40% compared to vanilla Copilot. |
| Privacy | All inference happens locally; no code leaves the machine. |
| Speed | Local inference delivers sub-second responses, even on modest hardware. |
| Customizability | Users can swap LLMs (Qwen-Coder-v3, Gemma-3, Ollama) without changing the workflow. |
| Unified Interface | Obsidian for planning, VS Code for coding, Serena for execution – all in one ecosystem. |
表は期待する効果です。特に重視したのは Privacy と Unified Interface で、コードをローカルに保ち、計画と実装をつなぐことです。
セットアップの手順例
# 1. Install Serena MCP
pip install serena-mcp
# 2. Initialize your project
serena init
# 3. Choose an LLM
serena llm install qwen-coder-v3
# 4. Fine-tune
serena llm fine-tune
# 5. Install VS Code extension
code --install-extension serena.mcp
# 6. Open Obsidian, create an instruction note, and sync
関連メモから見える拡張方向
関連メモには、LLM導入後の開発基盤を広げる案もあります。
- 再現性と証跡: MLflow、SBOM、署名、Feastを組み合わせれば、生成支援込みの開発でも再現性と監査性を持たせやすい
- データ基盤と検索基盤: Trino、Iceberg、lakeFS/Nessie/Polaris、Qdrant、pgvectorを含めたベクター検索とデータ版管理
- 観測と運用: Prometheus/Grafana/LokiとOpenTelemetryによるresponse time、失敗率、instructionの有効性の可視化
- 実行基盤: 当面はPodman Quadlets、将来はk3sを使う段階的なコンテナ運用
- 開発生産性: Devcontainer、pre-commit、Devbox/Nix flakes、Playwright/k6による再現可能な開発環境
いまの構想で足りていない点
実装に向けて、次の点が未定です。
Serena MCP の config、Obsidian ノートの検知方法、VS Code で instruction を読む設定はまだありません。下の手順例だけでは再現できません。
最小構成と拡張構成も分ける必要があります。
- 最小構成: Serena MCP + local LLM + Obsidian + VS Code
- 拡張構成: Podman / MLflow / Trino / Iceberg / Qdrant / Observabilityを含む統合基盤
整理した構想
メモでは repository analysis、fine-tuning、instruction generation、auto-complete、agent execution、VS Code integration をつなぐ構想を整理しました。実装の結果ではなく、次に小さく確かめるための設計案です。
今後の作業
まず Serena MCP の設定、Obsidian から instruction を生成するルール、VS Code の読込方法を実装します。ローカルLLMと GitHub Copilot で使う部分も分けます。
その後、必要な機能だけ Podman、MLflow、Qdrant、Observability へ広げる予定です。