de en es ja ko ru zh

lmstudio-ollama-mcp

Name: lmstudio-ollama-mcp
Author: fthsrbst

by fthsrbst

Overview Schema Source Related Servers Discussions Admin

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"

Local-first. Privado. Gratis. Sin claves de API. Los modelos de vanguardia (GPT-4o, Claude 4) son opcionales: se usan solo como planificadores mientras los modelos locales pequeños hacen el trabajo. El alias forge / forgecode mantiene la memoria muscular.

Por qué lmstudio-ollama-mcp

	Claude Code / Codex	lmstudio-ollama-mcp
Se ejecuta en	API en la nube (de pago, los datos salen del equipo)	LM Studio · Ollama · llama.cpp (sin conexión, privado)
Coste	$ por token	$0 tras descargar el modelo
Subagentes	Paralelismo de un solo hilo o en la nube	Paralelismo local consciente del hardware
Elección de modelo	Bloqueado por el proveedor	Cualquier modelo GGUF / compatible con OpenAI
Modo híbrido	—	Los modelos de vanguardia planifican, los locales ejecutan (opcional)
Entorno aislado	Contenedor en la nube	Tu sistema de archivos, tus reglas
MCP	—	Listo: conecta los runtimes locales como herramientas MCP

En una frase: lmstudio-ollama-mcp lleva el bucle de agente de Claude Code — leer → planificar → editar → verificar con herramientas — a tu MacBook, con un enrutador inteligente que envía las tareas triviales a un 7B local y el razonamiento complejo a un modelo de vanguardia solo cuando es necesario.

Related MCP server: Shared Workspace MCP

Demostración

# 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

Inicio rápido

Requisitos previos

Node.js >= 18
Una de estas opciones:
- LM Studio — Developer → Local Server → Start (puerto 1234)
- Ollama — ejecuta ollama serve y luego ollama pull qwen2.5-coder:7b
- llama.cpp — ./llama-server -m model.gguf --port 8080

Instalación

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

Primera ejecución

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"

No se necesitan claves de API para el modo solo local. Para el modo híbrido (modelos de vanguardia + local), configura las variables de entorno:

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

Arquitectura

┌─────────────────────────────────────────────────────────┐
│  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                       │
└─────────────────────────────────────────────────────────┘

Flujo de datos:

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

Proveedores

Proveedor	URL por defecto	Detección	Notas
LM Studio	`http://localhost:1234/v1`	escaneo de `/v1/models` + `~/.lmstudio/models/*/.gguf`	Compatible con `reasoning_content` (Gemma)
Ollama	`http://localhost:11434`	`/api/tags` nativo, alternativa `/v1/models`	requiere `ollama pull <model>`
llama.cpp	`http://localhost:8080`	`/health` + `/v1/models`	Cualquier GGUF mediante `llama-server`
OpenAI	`https://api.openai.com/v1`	API	Configura `OPENAI_API_KEY`
Anthropic	`https://api.anthropic.com`	API	Configura `ANTHROPIC_API_KEY`

Todos los proveedores hablan Chat Completions compatible con OpenAI con tools (llamada a funciones). Normaliza reasoning_content (Qwen/Gemma) automáticamente.

Añadir un endpoint personalizado

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

Subagentes paralelos

Divide los objetivos complejos en 2–6 subtareas independientes mediante un LLM planificador (de vanguardia si está disponible; si no, local). La ejecución está limitada por el hardware:

// 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

Las tareas con dependsOn se agrupan en lotes de forma topológica: el lote N solo comienza cuando el lote N-1 termina.

Amigable con los modelos locales: las tareas triviales (lint, format, summarize, explain) se enrutan siempre a nivel local, independientemente de la estrategia.

Configuración

Resolución de configuración: DEFAULT < ~/.lmstudio-ollama-mcp/config.json < ./lmstudio-ollama-mcp.json < variables de entorno.
Las rutas heredadas ~/.forgecode/config.json y forgecode.json / forge.json se siguen leyendo por compatibilidad con versiones anteriores (la nueva ruta tiene prioridad).

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

Referencia de `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
  }
}

Estrategias:

auto — trivial/pequeña → local; mediana/grande → de vanguardia si está disponible; si no, local. (recomendada)
local-first — solo las medianas/grandes van al modelo de vanguardia.
local-only — nunca llama a un modelo de vanguardia (aislado).
frontier-first — prefiere siempre un modelo de vanguardia.

Herramientas

Los agentes disponen de 7 herramientas — la misma superficie que Claude Code, aisladas en el espacio de trabajo:

Herramienta	Descripción
`read_file`	Leer un archivo (límite de 2 MB; si no, usa grep)
`write_file`	Crear/sobrescribir un archivo (`mkdir -p` automático)
`edit_file`	Reemplazo de cadena exacta (debe coincidir una vez)
`bash`	Ejecutar un comando (`timeout 30s`, búfer de 5 MB)
`glob`	Búsqueda con `fast-glob`
`grep`	Búsqueda regex (omite `node_modules/dist/.git`)
`list_dir`	Listado del directorio

Seguridad: el escape de la ruta está bloqueado salvo que permissions.allowWriteOutsideWorkspace=true; los comandos peligrosos (rm -rf /) se rechazan; las salidas grandes se truncan (30k).

Comparativa: cuándo usar cada modelo

Tarea	Por qué gana lo local	Ejemplo
Lint / format / grep	0.2s vs 2s RTT	`lmstudio-ollama-mcp "format src/*/.ts with prettier"`
Explicar / resumir	El código privado permanece local	`lmstudio-ollama-mcp "explain how auth works"`
Ediciones pequeñas	Sin colas, sin coste	`lmstudio-ollama-mcp "add zod validation to src/config/schema.ts"`
Refactorización grande	Los modelos de vanguardia planifican, los locales ejecutan en paralelo	`lmstudio-ollama-mcp "migrate to ESM"`
Razonamiento complejo	Se requiere 70B / un modelo de vanguardia	`lmstudio-ollama-mcp --model openai:gpt-4o "design CRDT sync"`

Desarrollo

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

Mapa del proyecto:

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)

Hoja de ruta

Salida en streaming (--stream)
Servidor MCP (Model Context Protocol): exponer modelos locales como herramientas MCP para otros agentes
Memoria persistente (.lmstudio-ollama-mcp/memory.md)
lmstudio-ollama-mcp plan — descomposición de prueba sin ejecución
Modelos de visión (Gemma 12B multimodal) para trabajo de UI guiado por capturas de pantalla
hooks — ganchos de herramientas pre/post
Sugerencias de planificador para GPU en Windows / Linux (CUDA/Vulkan)

Contribuciones

Se aceptan PRs. Mantén los principios fundamentales: local-first, dependencias mínimas, consciente del hardware, sin basura de IA.

npm run build && npm test

Palabras clave

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

Licencia

MIT — consulta LICENSE.

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityStale

ResponsivenessNo recent community issues

Resources

Related MCP Connectors

Kujolang.ai MCP
io.github.kujolang
AI-native programming language and toolchain for accountable, verifiable agent-driven development.
Developer Tools Documentation Access Autonomous Agents
1
https://mcp.kujolang.ai/mcp
RoryPlans
ai.roryplans
AI work orchestration for plans, tasks, teams, and coding-agent dispatch.
Agent Orchestration Project Management Coding Agents
2
https://www.roryplans.ai/api/mcp
troth
io.github.thegrenadinekid25
AI-powered spec-to-task decomposition and execution orchestration for coding agents.
Coding Agents Autonomous Agents
2
https://mcp.usejig.dev/mcp
mcptask.online
online.mcptask
Autonomous AI developers on your own infrastructure: assign a task, get a pull request.
Project Management Version Control
1
https://mcptask.online/mcp

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 9 days ago (2026-10-28 10:45 UTC)
29
35,035 PyPI
31,112
GPL 3.0
Shared Workspace MCP
Autonomous Agents Knowledge & Memory Developer Tools
WhileTrueBlackObelizk
A
license
Not graded
quality
D
maintenance
Local-first memory, pipelines, learning, feedback, and safe code tools for AI coding agents.
Updated 3 months ago (2026-08-12 11:34 UTC)
MIT
localagents
Agent Orchestration AI & Machine Learning
ccebelenski
A
license
A
quality
B
maintenance
Enables Claude Code to delegate agent tasks to local LLMs via llama.cpp or vLLM servers on your own hardware, reducing API usage while maintaining full agent capabilities.
Updated 5 days ago (2026-11-02 02:01 UTC)
11
13
MIT
dsh-agent-mcp
Coding Agents Autonomous Agents Developer Tools
Eklavya-San
A
license
A
quality
B
maintenance
Enables zero-cost autonomous coding and dual-agent verification by connecting AI IDEs to DeepSeek Harness and local or free model backends.
Updated a month ago (2026-10-06 19:31 UTC)
6
4 npm
MIT

lmstudio-ollama-mcp

Por qué lmstudio-ollama-mcp

Demostración

Inicio rápido

Requisitos previos

Instalación

Primera ejecución

Arquitectura

Proveedores

Añadir un endpoint personalizado

Subagentes paralelos

Configuración

Referencia de lmstudio-ollama-mcp.json

Herramientas

Comparativa: cuándo usar cada modelo

Desarrollo

Hoja de ruta

Contribuciones

Palabras clave

Licencia

Maintenance

Resources

Related MCP Connectors

Related MCP Servers

Serena

Shared Workspace MCP

localagents

dsh-agent-mcp

Referencia de `lmstudio-ollama-mcp.json`