lmstudio-ollama-mcp
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"ローカルファースト。プライベート。無料。APIキー不要。 フロンティアモデル(GPT-4o、Claude 4)はオプション — 小さなローカルモデルが作業を実行している間、プランナーとしてのみ使用されます。エイリアス
forge/forgecodeで従来の操作感を維持できます。
lmstudio-ollama-mcp を選ぶ理由
Claude Code / Codex | lmstudio-ollama-mcp | |
実行環境 | クラウドAPI(有料、データがマシンの外に出る) | LM Studio · Ollama · llama.cpp(オフライン、プライベート) |
コスト | トークン課金 | モデルダウンロード後は $0 |
サブエージェント | シングルスレッドまたはクラウド並列 | ハードウェアを考慮したローカル並列処理 |
モデル選択 | ベンダーロックイン | あらゆる GGUF / OpenAI 互換モデル |
ハイブリッドモード | — | フロンティアが計画、ローカルが実行(オプション) |
サンドボックス | クラウドコンテナ | 自分のファイルシステム、自分のルール |
MCP | — | 対応済み: ローカルランタイムをMCPツールとして橋渡し |
一言で言えば: lmstudio-ollama-mcp は、Claude Code のエージェントループ(ツールによる読み取り → 計画 → 編集 → 検証)をあなたのMacBookにもたらします。インテリジェントなルーターが、簡単なタスクはローカルの7Bへ、難しい推論は必要なときだけフロンティアモデルへ振り分けます。
Related MCP server: Shared Workspace MCP
デモ
# 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クイックスタート
前提条件
Node.js >= 18
次**のいずれか:
インストール
npm install -g lmstudio-ollama-mcp
# aliases also available: forge, forgecode
# or one-off
npx lmstudio-ollama-mcp doctor初回実行
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"ローカルのみモードではAPIキーは不要です。ハイブリッドモード(フロンティア+ローカル)の場合は環境変数を設定してください:
export OPENAI_API_KEY=sk-...
export ANTHROPIC_API_KEY=sk-ant-...アーキテクチャ
┌─────────────────────────────────────────────────────────┐
│ 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 │
└─────────────────────────────────────────────────────────┘データフロー:
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プロバイダー
プロバイダー | デフォルトURL | 検出 | 備考 |
LM Studio |
|
|
|
Ollama |
|
|
|
llama.cpp |
|
|
|
OpenAI |
| API |
|
Anthropic |
| API |
|
すべてのプロバイダーは tools(関数呼び出し)を使用した OpenAI 互換の Chat Completions に対応しています。reasoning_content(Qwen/Gemma)は自動的に正規化されます。
カスタムエンドポイントの追加
// lmstudio-ollama-mcp.json
{
"providers": {
"my-local": { "type": "openai", "baseUrl": "http://192.168.1.10:1234/v1", "enabled": true }
}
}並列サブエージェント
複雑なゴールをプランナーLLM(利用可能ならフロンティア、それ以外はローカル)によって 2〜6個の独立したサブタスク に分割します。実行はハードウェアによって制限されます:
// 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 machineslmstudio-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 = 8dependsOn を持つタスクはトポロジカルにバッチ処理されます — バッチNはバッチN-1の完了後にのみ開始されます。
ローカルモデルに優しい: 簡単なタスク(lint、format、summarize、explain)は戦略に関係なく常にローカルにルーティングされます。
設定
設定の解決順: DEFAULT < ~/.lmstudio-ollama-mcp/config.json < ./lmstudio-ollama-mcp.json < 環境変数。
後方互換のため、従来の ~/.forgecode/config.json と forgecode.json / forge.json も読み込まれます(新しいパスが優先されます)。
lmstudio-ollama-mcp config --show # resolved JSON
lmstudio-ollama-mcp config --path # file locations
lmstudio-ollama-mcp init # scaffold lmstudio-ollama-mcp.jsonlmstudio-ollama-mcp.json リファレンス
{
"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
}
}戦略:
auto— 簡単/小規模 → ローカル、中/大規模 → 利用可能ならフロンティア、それ以外はローカル。(推奨)local-first— 中/大規模のみフロンティアへ。local-only— フロンティアを呼び出さない(エアギャップ)。frontier-first— 常にフロンティアを優先。
ツール
エージェントには7つのツールがあります — Claude Code と同じインターフェースで、ワークスペースにサンドボックス化されています:
ツール | 説明 |
| ファイルを読む(2 MB 制限、超える場合は grep を使用) |
| ファイルを作成/上書き(mkdir -p 自動) |
| 完全一致文字列の置換(1回だけ一致する必要があります) |
| コマンドを実行( |
|
|
| 正規表現検索( |
| ディレクトリ一覧 |
安全性: permissions.allowWriteOutsideWorkspace=true でない限りパスエスケープはブロックされます。危険なコマンド(rm -rf /)は拒否され、大きな出力は切り詰められます(30k)。
比較: どのモデルを使うべきか
タスク | ローカルが有利な理由 | 例 |
Lint / format / grep | RTT 0.2秒 vs 2秒 |
|
Explain / summarize | プライベートなコードベースはローカルのまま |
|
Small edits | 待ち時間なし、コストなし |
|
Large refactor | フロンティアが計画、ローカルが並列実行 |
|
Hard reasoning | 70B / フロンティアが必要 |
|
開発
npm install
npm run build # tsc
npm test # vitest
npm run dev -- doctorプロジェクトマップ:
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)ロードマップ
ストリーミング出力(
--stream)MCP(Model Context Protocol)サーバー — ローカルモデルを MCP ツールとして他のエージェントに公開
永続メモリ(
.lmstudio-ollama-mcp/memory.md)lmstudio-ollama-mcp plan— 実行を伴わないドライラン分割スクリーンショット駆動のUI作業のためのビジョンモデル(Gemma 12B マルチモーダル)
hooks— ツール前後フックWindows / Linux GPU(CUDA/Vulkan)スケジューラーヒント
コントリビューション
PR歓迎。中核となる原則を守ってください: ローカルファースト、最小限の依存、ハードウェアを考慮、AIスロップなし。
npm run build && npm testキーワード
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
ライセンス
MIT — LICENSE を参照。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
AI-native programming language and toolchain for accountable, verifiable agent-driven development.
AI work orchestration for plans, tasks, teams, and coding-agent dispatch.
AI-powered spec-to-task decomposition and execution orchestration for coding agents.
Autonomous AI developers on your own infrastructure: assign a task, get a pull request.
Related MCP Servers
- AlicenseAqualityBmaintenanceA 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.2931,250 PyPI31,407GPL 3.0
- AlicenseNot gradedqualityDmaintenanceLocal-first memory, pipelines, learning, feedback, and safe code tools for AI coding agents.MIT
- AlicenseAqualityBmaintenanceEnables 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.1122MIT
- AlicenseAqualityBmaintenanceEnables zero-cost autonomous coding and dual-agent verification by connecting AI IDEs to DeepSeek Harness and local or free model backends.67 npmMIT