de en es ja ko ru zh

lmstudio-ollama-mcp

Name: lmstudio-ollama-mcp
Author: fthsrbst

by fthsrbst

Overview Schema Related Servers Score Discussions

TypeScript

Local

lmstudio-ollama-mcp

npm install -g lmstudio-ollama-mcp
lmstudio-ollama-mcp doctor   # or: forge doctor
lmstudio-ollama-mcp "add unit tests for src/utils/logger.ts"

Lokal zuerst. Privat. Kostenlos. Keine API-Schlüssel erforderlich. Frontier-Modelle (GPT-4o, Claude 4) sind optional — sie werden nur als Planer eingesetzt, während kleine lokale Modelle die Arbeit erledigen. Der Alias forge / forgecode bewahrt das Muskelgedächtnis.

Warum lmstudio-ollama-mcp

	Claude Code / Codex	lmstudio-ollama-mcp
Läuft auf	Cloud-API (kostenpflichtig, Daten verlassen den Rechner)	LM Studio · Ollama · llama.cpp (offline, privat)
Kosten	$ pro Token	$0 nach dem Modell-Download
Sub-Agenten	Single-threaded oder Cloud-Parallelität	Hardwarebewusste lokale Parallelität
Modellwahl	Herstellerabhängig	Beliebiges GGUF / OpenAI-kompatibles Modell
Hybrid-Modus	—	Frontier plant, lokale führen aus (optional)
Sandbox	Cloud-Container	Dein Dateisystem, deine Regeln
MCP	—	Bereit: Brücke lokaler Laufzeiten als MCP-Tools

In einem Satz: lmstudio-ollama-mcp bringt die agentische Schleife von Claude Code — lesen → planen → bearbeiten → verifizieren mit Tools — auf dein MacBook, mit einem intelligenten Router, der triviale Aufgaben an ein lokales 7B-Modell schickt und anspruchsvolles Denken nur bei Bedarf an ein Frontier-Modell.

Related MCP server: Shared Workspace MCP

Demo

# 1 — Diagnose
lmstudio-ollama-mcp doctor
# Hardware: Apple M3 (8 cores / 16GB) • Recommended: 8 agents
# ● lmstudio (LM Studio) http://localhost:1234/v1  available
#   models: gemma-3-12b-qat, qwen3-27b-ud-iq2_s …

lmstudio-ollama-mcp models
# ● lmstudio  ▸ gemma-3-12b-qat 6.5GB Q4_0
#             ▸ qwen3-27b 7.8GB IQ2_S

# 2 — One-shot
lmstudio-ollama-mcp "refactor src/providers into a registry + add tests. keep public API stable"

# 3 — Parallel (auto-splits into sub-agents)
lmstudio-ollama-mcp --parallel 4 "implement auth module, write tests, and update docs"
# forge alias also works:
forge --parallel 4 "implement auth module, write tests, and update docs"

# 4 — Force a specific model
lmstudio-ollama-mcp --model ollama:qwen2.5-coder:14b "explain this repo's error handling"
lmstudio-ollama-mcp --provider lmstudio --model gemma-3-12b "fix the failing test in tests/tools.test.ts"

# 5 — Interactive
lmstudio-ollama-mcp
# lmstudio-ollama-mcp> add dark mode to docs/index.html

Schnellstart

Voraussetzungen

Node.js >= 18
Eines davon:
- LM Studio — Developer → Local Server → Start (Port 1234)
- Ollama — ollama serve, dann ollama pull qwen2.5-coder:7b
- llama.cpp — ./llama-server -m model.gguf --port 8080

Installation

npm install -g lmstudio-ollama-mcp
# aliases also available: forge, forgecode
# or one-off
npx lmstudio-ollama-mcp doctor

Erster Start

git clone https://github.com/your-org/your-project && cd your-project
lmstudio-ollama-mcp init   # creates lmstudio-ollama-mcp.json (also reads forgecode.json for compat)
lmstudio-ollama-mcp doctor # verify providers + hardware
lmstudio-ollama-mcp "list the codebase structure and suggest 3 small improvements"

Für den rein lokalen Modus sind keine API-Schlüssel nötig. Für den Hybrid-Modus (Frontier + lokal) folgende Umgebungsvariablen setzen:

export OPENAI_API_KEY=sk-...
export ANTHROPIC_API_KEY=sk-ant-...

Architektur

┌─────────────────────────────────────────────────────────┐
│  CLI  lmstudio-ollama-mcp "task"  •  doctor  •  models   │
│       aliases: forge, forgecode                         │
├─────────────────────────────────────────────────────────┤
│  Router  (strategy: auto | local-first | frontier-first)│
│  ├─ classify(prompt) → trivial | small | medium | large │
│  └─ thresholds.preferLocalFor: lint/format/test/search  │
├─────────────────────────────────────────────────────────┤
│  Orchestrator  (decompose → batch by deps → schedule)   │
│  ├─ Planner LLM decomposes goal → SubTasks[]            │
│  └─ Scheduler (hardware-aware p-limit, preserves order) │
├─────────────────────────────────────────────────────────┤
│  Agent Loop  (provider.chat ↔ tool executor)            │
│  ├─ Tools: read_file, write_file, edit_file, bash,      │
│  │        glob, grep, list_dir                           │
│  └─ Max 25 tool turns, exact-string edits               │
├─────────────────────────────────────────────────────────┤
│  Providers  (OpenAI-compatible)                         │
│  ├─ LM Studio  http://localhost:1234/v1  (+ fs scan)    │
│  ├─ Ollama     http://localhost:11434 (+ /api/tags)     │
│  ├─ llama.cpp  http://localhost:8080/v1                 │
│  └─ Frontier   OpenAI / Anthropic (optional)            │
├─────────────────────────────────────────────────────────┤
│  Hardware Detector  •  Scheduler                        │
│  cores × overcommit, free mem / perAgent → maxParallel │
│  Apple Silicon bonus, clamp 1..16                       │
└─────────────────────────────────────────────────────────┘

Datenfluss:

User prompt
  → Router.classify → pick provider+model (local for small, frontier for large)
  → If parallel & non-trivial: Orchestrator.decompose → 2-6 SubTasks
  → Scheduler.runAll(SubTasks) with maxParallel = f(cores, RAM)
  → Each SubTask → Agent(provider, model, ToolExecutor) → tool loop
  → Synthesis agent merges results
  → Final summary

Anbieter

Anbieter	Standard-URL	Erkennung	Hinweise
LM Studio	`http://localhost:1234/v1`	`/v1/models` + Scan `~/.lmstudio/models/*/.gguf`	Unterstützt `reasoning_content` (Gemma)
Ollama	`http://localhost:11434`	`/api/tags` nativ, Fallback `/v1/models`	`ollama pull <model>` erforderlich
llama.cpp	`http://localhost:8080`	`/health` + `/v1/models`	Beliebiges GGUF über `llama-server`
OpenAI	`https://api.openai.com/v1`	API	`OPENAI_API_KEY` setzen
Anthropic	`https://api.anthropic.com`	API	`ANTHROPIC_API_KEY` setzen

Alle Anbieter unterstützen OpenAI-kompatible Chat Completions mit tools (Function Calling). reasoning_content (Qwen/Gemma) wird automatisch normalisiert.

Benutzerdefinierten Endpunkt hinzufügen

// lmstudio-ollama-mcp.json
{
  "providers": {
    "my-local": { "type": "openai", "baseUrl": "http://192.168.1.10:1234/v1", "enabled": true }
  }
}

Parallele Sub-Agenten

Zerlegt komplexe Ziele in 2–6 unabhängige Teilaufgaben mithilfe eines Planungs-LLM (Frontier, falls verfügbar, sonst lokal). Die Ausführung wird durch die Hardware begrenzt:

// hardware/detector.ts — recommendParallelism()
cpuLimit = floor(cores * overcommit) - 1
memLimit = floor((totalGb*1024 - 2048) / perAgentMb)
maxParallel = min(cpuLimit, memLimit) + appleSiliconBonus
// clamp: 1..8 default, up to 16 on 64GB machines

lmstudio-ollama-mcp --parallel 8 "migrate codebase from Jest to Vitest"
# Decomposed:
#  t1 Explore & plan  →  search (routed to local 7B)
#  t2 Implement       →  code   (routed to local or frontier)
#  t3 Verify          →  test   (routed to local)
# Runner: Scheduler.runAll with p-limit = 8

Aufgaben mit dependsOn werden topologisch gebündelt — Batch N startet erst, nachdem N-1 abgeschlossen ist.

Freundlich zu lokalen Modellen: Triviale Aufgaben (lint, format, summarize, explain) werden immer lokal geroutet, unabhängig von der Strategie.

Konfiguration

Auflösung der Konfiguration: DEFAULT < ~/.lmstudio-ollama-mcp/config.json < ./lmstudio-ollama-mcp.json < Umgebungsvariablen.
Die alten ~/.forgecode/config.json- und forgecode.json/forge.json-Dateien werden weiterhin aus Kompatibilitätsgründen gelesen (der neue Pfad hat Vorrang).

lmstudio-ollama-mcp config --show   # resolved JSON
lmstudio-ollama-mcp config --path   # file locations
lmstudio-ollama-mcp init            # scaffold lmstudio-ollama-mcp.json

Referenz `lmstudio-ollama-mcp.json`

{
  "version": 1,
  "providers": {
    "lmstudio": { "type": "lmstudio", "baseUrl": "http://localhost:1234/v1", "enabled": true },
    "ollama":   { "type": "ollama",   "baseUrl": "http://localhost:11434",      "enabled": true },
    "llamacpp": { "type": "llamacpp", "baseUrl": "http://localhost:8080",       "enabled": true },
    "openai":   { "type": "openai",   "baseUrl": "https://api.openai.com/v1",   "apiKey": "sk-..." }
  },
  "router": {
    "strategy": "auto", // auto | local-first | frontier-first | local-only
    "frontierProvider": "openai",
    "frontierModel": "gpt-4o-mini",
    "thresholds": {
      "smallTaskMaxTokens": 2000,
      "preferLocalFor": ["lint","format","test","search","summarize","explain"]
    }
  },
  "hardware": {
    "maxParallelAgents": 4,      // auto if omitted
    "maxMemoryPerAgentMb": 1200,
    "cpuOvercommit": 1
  },
  "permissions": {
    "allowBash": true,
    "allowWriteOutsideWorkspace": false,
    "allowNetwork": true
  }
}

Strategien:

auto — trivial/klein → lokal, mittel/groß → Frontier, falls verfügbar, sonst lokal. (empfohlen)
local-first — nur mittel/groß geht an Frontier.
local-only — Frontier wird nie aufgerufen (air-gapped).
frontier-first — Frontier immer bevorzugen.

Werkzeuge

Agenten haben 7 Werkzeuge — dieselbe Oberfläche wie Claude Code, auf den Arbeitsbereich beschränkt:

Werkzeug	Beschreibung
`read_file`	Datei lesen (2-MB-Limit, sonst grep verwenden)
`write_file`	Datei erstellen/überschreiben (`mkdir -p` automatisch)
`edit_file`	Exakten String ersetzen (muss genau einmal vorkommen)
`bash`	Befehl ausführen (`timeout 30s`, 5-MB-Puffer)
`glob`	`fast-glob`-Suche
`grep`	Regex-Suche (überspringt `node_modules/dist/.git`)
`list_dir`	Verzeichnis auflisten

Sicherheit: Pfad-Ausbrüche werden blockiert, außer permissions.allowWriteOutsideWorkspace=true; gefährliche Befehle (rm -rf /) werden abgelehnt; große Ausgaben werden gekürzt (30k).

Vergleich: Wann welches Modell verwenden

Aufgabe	Warum lokal gewinnt	Beispiel
Lint / Format / grep	0,2 s vs. 2 s RTT	`lmstudio-ollama-mcp "format src/*/.ts with prettier"`
Erklären / Zusammenfassen	Private Codebasis bleibt lokal	`lmstudio-ollama-mcp "explain how auth works"`
Kleine Änderungen	Keine Warteschlange, keine Kosten	`lmstudio-ollama-mcp "add zod validation to src/config/schema.ts"`
Großes Refactoring	Frontier plant, lokale führen parallel aus	`lmstudio-ollama-mcp "migrate to ESM"`
Anspruchsvolles Denken	70B / Frontier nötig	`lmstudio-ollama-mcp --model openai:gpt-4o "design CRDT sync"`

Entwicklung

npm install
npm run build        # tsc
npm test             # vitest
npm run dev -- doctor

Projektübersicht:

src/
  cli/            commander CLI + commands (doctor, models, config, init)
  config/         Zod schema + layered store (global ↔ project)
  hardware/       detector (cores/RAM/GPU) + p-limit scheduler
  providers/      base + openai-compatible + lmstudio/ollama/llamacpp + registry + router
  core/           Agent (tool loop) + Orchestrator (decompose + parallel)
  tools/          definitions + executor (fs/glob/grep/bash)
  utils/          logger, format
tests/            vitest suites (hardware, tools, router, config, providers)
docs/             GitHub Pages landing (WizardZ-inspired, lime/black)

Roadmap

Streaming-Ausgabe (--stream)
MCP-Server (Model Context Protocol) — lokale Modelle als MCP-Tools für andere Agenten bereitstellen
Persistenter Speicher (.lmstudio-ollama-mcp/memory.md)
lmstudio-ollama-mcp plan — Trockenlauf-Zerlegung ohne Ausführung
Vision-Modelle (Gemma 12B multimodal) für Screenshot-gesteuerte UI-Arbeit
hooks — Pre-/Post-Tool-Hooks
Windows- / Linux-GPU (CUDA/Vulkan) Scheduler-Hinweise

Mitwirken

PRs willkommen. Behalte die Kernprinzipien bei: lokal zuerst, minimale Abhängigkeiten, hardwarebewusst, kein KI-Schrott.

npm run build && npm test

Schlüsselwörter

lm-studio lmstudio ollama llama.cpp local-llm local-first coding-agent autonomous-agent claude-code codex sub-agents parallel-agents mcp model-context-protocol hardware-aware openai-compatible gguf agentic dev-tools ai-coding on-device-ai privacy

Lizenz

MIT — siehe LICENSE.

This server cannot be installed

RayrunBuild, deploy, and operate MCP servers without becoming an infrastructure team.ray.runAd

license - permissive license

Not graded

quality - not tested

maintenance

How are these scores calculated?

Maintenance

UpdatingMaintainers

UpdatingResponse time

–Release cycle

0Releases (12mo)

Commit activity

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

Serena
Coding Agents Code Execution Developer Tools
oraios
A
license
A
quality
A
maintenance
A fully featured coding agent that uses symbolic operations (enabled by language servers) and works well even in large code bases. Essentially a free to use alternative to Cursor and Windsurf Agents, Cline, Roo Code and others.
Updated 12 days ago (2026-08-20 06:51 UTC)
29
28,582
MIT
Shared Workspace MCP
Autonomous Agents Knowledge & Memory Developer Tools
WhileTrueBlackObelizk
A
license
Not graded
quality
B
maintenance
Local-first memory, pipelines, learning, feedback, and safe code tools for AI coding agents.
Updated 20 days ago (2026-08-12 11:34 UTC)
MIT
Hecatoncheire MCP
Coding Agents Autonomous Agents
srose69
F
license
Not graded
quality
D
maintenance
Multi-agent continuous development system with local LLM orchestration.
Updated 7 months ago (2026-02-15 16:25 UTC)
1
christina
Code Analysis Code Execution Knowledge & Memory
amadeus-ex-machina
A
license
C
quality
B
maintenance
Enables AI coding agents to navigate massive codebases through fast code property graph queries, sandboxed recursive language model execution, durable semantic memory, and swarm concurrency coordination.
Updated 7 days ago (2026-08-25 13:58 UTC)
4
MIT

View all related MCP servers

Related MCP Connectors

AgentDrive
Cross-agent artifact workspace with provenance across Claude Code, Codex, Cursor, LangGraph.
Axis
Coding agents from Claude Code, Cursor and Codex claim jobs and lock files on one shared board.
reachpad-mcp
Coding agents build full-stack apps in persistent workspaces and share them by link.

View all MCP Connectors

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/fthsrbst/lmstudio-ollama-mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server

lmstudio-ollama-mcp

Warum lmstudio-ollama-mcp

Demo

Schnellstart

Voraussetzungen

Installation

Erster Start

Architektur

Anbieter

Benutzerdefinierten Endpunkt hinzufügen

Parallele Sub-Agenten

Konfiguration

Referenz lmstudio-ollama-mcp.json

Werkzeuge

Vergleich: Wann welches Modell verwenden

Entwicklung

Roadmap

Mitwirken

Schlüsselwörter

Lizenz

Maintenance

Resources

Looking for Admin?

Related MCP Servers

Serena

Shared Workspace MCP

Hecatoncheire MCP

christina

Related MCP Connectors

Latest Blog Posts

MCP directory API

Referenz `lmstudio-ollama-mcp.json`