LM Studio MCP

MCPAI代理

提供方 portertech

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

LM Studio MCP服务器是一款提供AI助手对LM Studio模型进行远程管理的服务,包括模型列表查看、加载和卸载等功能。

一句话选型结论

按资料字段整理

LM Studio MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 4 仓库热度,无公开仓库时显示未标注
工具数 6 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量6暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI模型管理TypeScript本地部署远程控制LLM

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
docker run -i --rm portertech/lm-studio-mcp-server:latest

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Docker,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 6 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 6 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
LM Studio MCP当前 6 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方portertech上游标注的维护方 portertech
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Docker本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

6.6 KB
来自项目仓库与上游目录的原文,未做删改

LM Studio MCP服务器

一个MCP(模型上下文协议)服务器,为AI助手提供对LM Studio模型的控制。该服务器支持远程模型管理,包括通过LM Studio API列出、加载和卸载模型。

特性

  • 健康检查:验证与LM Studio的连接
  • 列出已下载的型号:查看LM Studio库中可用的所有LLM模型
  • 列出已加载的型号:查看内存中当前加载了哪些模型
  • 负荷模型:使用可配置参数将模型加载到内存中
  • 卸载模型:从内存中删除特定模型实例
  • 获取型号信息:检索有关已加载模型的详细信息

先决条件

  • Node.js 18.0.0或更高版本
  • LM Studio在启用本地服务器的情况下运行

安装```bash

Clone the repository

git clone
cd lm-studio-mcp-server

Install dependencies

npm install


## 配置

服务器使用环境变量连接到LM Studio:

|变量|默认值|描述|
| ------------------- | --------------------- | ----------------------------------------- |
| `LMSTUDIO_BASE_URL` |(派生)|LM Studio的完整WebSocket URL|
| `LMSTUDIO_HOST` | `127.0.0.1` |LM Studio主机(如果未设置BASE_URL,则使用)|
| `LMSTUDIO_PORT` | `1234` |LM Studio端口(如果未设置BASE_URL,则使用)|

## 用法

### 运行模式

**发展** (使用 `tsx` 用于TypeScript执行):```bash
npm start
# or with file watching
npm run dev

生产 (使用编译的JavaScript):```bash
npm run build
npm run start:prod


**码头工人**:```bash
# Pull the published image
docker pull portertech/lm-studio-mcp-server:latest

# Run (connects to LM Studio on host machine)
docker run -i --rm portertech/lm-studio-mcp-server:latest

# Run with custom LM Studio host
docker run -i --rm \
-e LMSTUDIO_HOST=192.168.1.100 \
-e LMSTUDIO_PORT=1234 \
portertech/lm-studio-mcp-server:latest

MCP客户端配置

克劳德

添加到您的 claude_desktop_config.json:

使用npx(建议用于已安装的软件包):```json
{
"mcpServers": {
"lmstudio": {
"command": "npx",
"args": ["@portertech/lm-studio-mcp-server"],
"env": {
"LMSTUDIO_HOST": "127.0.0.1",
"LMSTUDIO_PORT": "1234"
}
}
}
}


**利用当地发展:**```json
{
"mcpServers": {
"lmstudio": {
"command": "npx",
"args": ["tsx", "/path/to/lm-studio-mcp-server/src/index.ts"],
"env": {
"LMSTUDIO_HOST": "127.0.0.1",
"LMSTUDIO_PORT": "1234"
}
}
}
}

使用Docker:```json
{
"mcpServers": {
"lmstudio": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"-e",
"LMSTUDIO_HOST=127.0.0.1",
"-e",
"LMSTUDIO_PORT=1234",
"portertech/lm-studio-mcp-server:latest"
]
}
}
}


> **注:** 对于macOS/Windows上的Docker连接到主机上的LM Studio,请使用 `LMSTUDIO_HOST=host.docker.internal`.

## 可用工具

所有工具都返回一致的响应信封:```typescript
{
success: boolean;
message: string;
data?: T;           // Present on success
error?: {           // Present on failure
code: string;
message: string;
};
}

错误代码

代码 描述
MODEL_NOT_FOUND 请求的模型不存在
MODEL_NOT_LOADED 当前未加载模型
CONNECTION_FAILED 无法连接到LM Studio
INVALID_INPUT 提供的参数无效
LOAD_FAILED 加载模型失败
UNLOAD_FAILED 卸载模型失败
UNKNOWN 意外错误

health_check

检查与LM Studio服务器的连接。

参数:无

退货:连接状态和基本URL

list_models

列出LM Studio中可用的所有下载的LLM模型。

参数:无

退货:模型信息对象数组,包含:

  • modelKey:用于加载的型号标识符
  • path:模型的相对路径
  • displayName:人类可读的模型名称
  • sizeBytes:大小(字节)
  • architecture:模型架构(如果可用)
  • quantization:量化类型(如果可用)

list_loaded_models

列出内存中当前加载的所有模型。

参数:无

退货:加载的模型信息数组,包含:

  • identifier:实例标识符
  • modelKey:型号密钥
  • path:模型路径
  • displayName:人类可读名称
  • sizeBytes:大小(字节)
  • vision:模型是否支持愿景
  • trainedForToolUse:模型是否经过工具使用培训

load_model

将模型加载到内存中。

参数:

  • model (必填):要加载的模型密钥(例如。, llama-3.2-3b-instruct)
  • identifier (可选):加载实例的自定义标识符
  • contextLength (可选):以令牌为单位的上下文窗口大小(最小值:1)
  • evalBatchSize (可选):令牌处理的批量大小(最小值:1)

退货:加载模型详细信息(标识符、modelKey、路径)的成功状态

unload_model

从内存中卸载模型。

参数:

  • identifier (必填):要卸载的加载模型的标识符

退货:成功状态

get_model_info

获取加载模型的详细信息。

参数:

  • identifier (必填):加载模型的标识符

退货:模型详细信息,包括标识符、modelKey、路径、displayName、sizeBytes、contextLength

发展```bash

Build the project

npm run build

Run in development mode with auto-reload

npm run dev

Type check without emitting

npm run typecheck

Run tests

npm test

Lint

npm run lint

Format

npm run format:check
npm run format


### 发布过程

该项目包括 `make release` 自动发布命令:```bash
# Create a new release (runs CI, sets version, commits, tags, publishes to npm and Docker Hub)
make release VERSION=

# Example:
make release VERSION=1.0.5

这将运行完整的发布管道:

  1. CI检查(棉绒、类型检查、测试)
  2. 在中设置版本 package.json
  3. 提交版本升级
  4. 创建带注释的git标签(v)
  5. 发布到npm
  6. 构建Docker镜像并将其推送到Docker Hub

项目结构```

src/
├── index.ts # MCP server entry point
├── client.ts # LM Studio client wrapper
├── types.ts # Shared types and result helpers
└── tools/
├── index.ts # Tool exports
├── health-check.ts # Health check tool
├── list-models.ts # List downloaded models
├── list-loaded-models.ts
├── load-model.ts
├── unload-model.ts
└── get-model-info.ts
```

建筑

  • 一致的结果:所有工具返回相同的结果 ToolResult 信封
  • 安全包装:工具处理程序被包装以捕获异常并返回错误有效载荷
  • 延迟配置:环境变量在运行时读取,而不是在模块加载时读取
  • Singleton客户端:重用单个LM Studio客户端实例

许可证

国际协调委员会

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
LM Studio MCP 怎么安装?

在客户端按下面的安装命令接入:docker run -i --rm portertech/lm-studio-mcp-server:latest。装完在客户端配置里引用同一个包或端点。

LM Studio MCP 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

LM Studio MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

LM Studio MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

LM Studio MCP 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 远程控制、TypeScript、本地AI、模型管理。具体工具清单以官方文档为准。

LM Studio MCP 需要什么运行环境?

运行时为 Docker;属于本地进程,需要在本机装好运行环境。

LM Studio MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。