LM Studio MCP Server のセットアップ方法 (2026年版)

LM Studio MCP サーバーの設定方法 (2026年版)

LM Studio を使用すると、洗練されたデスクトップインターフェースで大規模言語モデル（LLM）をローカルで実行できます。MCP（Model Context Protocol）のサポートにより、LM Studio のローカルモデルを MCP クライアントに接続したり、LM Studio 自体を外部の MCP サーバーに接続する MCP クライアントとして使用したりできるようになりました。このガイドでは、LM Studio を他のクライアント用の MCP サーバーとして使用する方法と、MCP ツールサーバーを LM Studio に接続する方法の両方を解説します。

LM Studio とは？

LM Studio は、macOS、Windows、Linux でオープンソースの言語モデルをローカルで実行するためのデスクトップアプリケーションです。Hugging Face からモデルをダウンロードし、推論パラメータを設定し、ローカル API サーバーを実行するためのユーザーフレンドリーなインターフェースを提供します。主な機能は以下の通りです：

Hugging Face からのワンクリック・モデルダウンロード
GPU 加速（NVIDIA、AMD、Apple Silicon）
OpenAI 互換のローカル API サーバー
会話管理機能を備えた組み込みチャットインターフェース
モデルの量子化とパラメータ制御

MCP とは？

MCP（Model Context Protocol）は、AI モデルを外部ツールやデータソースに接続するための Anthropic によるオープンスタンダードです。LM Studio の文脈では、MCP により以下の 2 つのワークフローが可能になります：

MCP サーバーとしての LM Studio: 他のアプリケーションが MCP プロトコルを介して LM Studio のローカル LLM に接続します。
MCP クライアントとしての LM Studio: LM Studio が MCP ツールサーバー（ファイルシステム、データベース、API など）に接続し、ローカルモデルが外部ツールを使用できるようにします。

前提条件

要件	詳細
LM Studio	バージョン 0.3.x 以降（MCP サポートは 0.3.6 で追加）
RAM	最小 8 GB、16 GB 以上推奨
GPU (オプション)	NVIDIA 6 GB 以上の VRAM または Apple Silicon
ストレージ	モデル用に 10 GB 以上の空き容量
Node.js	v18 以降（カスタム MCP サーバー用）

パート 1: LM Studio の組み込み API を MCP 互換サーバーとして使用する

LM Studio のローカルサーバーは OpenAI 互換の API を公開しています。これはネイティブの MCP サーバーではありませんが、プロキシを使用して MCP クライアントにブリッジできます。

ステップ 1: LM Studio のダウンロードとインストール

lmstudio.ai からお使いのプラットフォーム用の LM Studio をダウンロードし、インストールして起動します。

ステップ 2: モデルのダウンロード

LM Studio の検索バーで、ツール呼び出し（Tool Calling）を適切にサポートしているモデルを探します：

Qwen 2.5 7B Instruct -- 優れたツール呼び出しサポート
Llama 3.3 8B Instruct -- 強力な汎用モデル
Mistral 7B Instruct v0.3 -- 速度と品質のバランスが良い
Hermes 3 8B -- 関数呼び出し（Function Calling）に特化して調整済み

選択したモデルの横にあるダウンロードボタンをクリックし、完了するまで待ちます。

ステップ 3: ローカルサーバーの起動

LM Studio の Local Server タブ（<-> アイコン）に移動します。
ドロップダウンからダウンロードしたモデルを選択します。
サーバーを ON に切り替えます。
サーバー URL をメモします（デフォルト：http://localhost:1234）。

これでサーバーが稼働し、OpenAI 互換の API リクエストを受け付ける状態になります。

ステップ 4: サーバーの確認

cURL リクエストでサーバーをテストします：

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5-7b-instruct",
    "messages": [
      {"role": "user", "content": "Hello, are you working?"}
    ],
    "temperature": 0.7
  }'

ステップ 5: lmstudio-mcp-server による MCP へのブリッジ

LM Studio を適切な MCP サーバーとして公開するには、コミュニティが提供する lmstudio-mcp-server ブリッジを使用します。

npm install -g lmstudio-mcp-server

ブリッジを実行します：

lmstudio-mcp-server --port 1234

これにより、LM Studio のローカルモデルを介してツール呼び出しをルーティングする MCP サーバーが作成されます。

ステップ 6: Claude Desktop への接続

Claude Desktop の MCP 設定にブリッジを追加します：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "lmstudio": {
      "command": "npx",
      "args": ["lmstudio-mcp-server", "--port", "1234"]
    }
  }
}

Claude Desktop を再起動します。LM Studio サーバーが利用可能な MCP 接続として表示されます。

パート 2: MCP サーバーを LM Studio に接続する

LM Studio 0.3.6 以降では外部 MCP サーバーへの接続をサポートしており、ローカルモデルにファイルアクセス、ウェブ検索、データベースクエリなどのツールを使用する能力を与えられます。

ステップ 1: LM Studio で MCP 設定を開く

LM Studio を開きます。
Settings（歯車アイコン）に移動します。
MCP セクションに移動します。
Add Server をクリックします。

ステップ 2: MCP サーバーの追加

実行コマンドを指定して MCP サーバーを追加できます。例えば、ファイルシステム MCP サーバーを追加する場合：

{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/Users/yourname/Documents"
    ]
  }
}

ステップ 3: 複数の MCP サーバーを追加する

以下は、いくつかの便利な MCP サーバーを含む設定例です：

{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/Users/yourname/projects"
    ]
  },
  "github": {
    "command": "npx",
    "args": ["-y", "@modelcontextprotocol/server-github"],
    "env": {
      "GITHUB_TOKEN": "ghp_your_github_token"
    }
  },
  "sqlite": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-sqlite",
      "/path/to/your/database.db"
    ]
  }
}

ステップ 4: チャットでツールを使用する

MCP サーバーを追加した後、ツール呼び出しをサポートするモデル（Qwen 2.5、Hermes 3、または Llama 3.3 Instruct）をロードします。チャット内で、モデルは接続されたツールを使用できるようになります。

インタラクションの例：

「projects ディレクトリ内のすべての Python ファイルをリストアップして」（filesystem MCP を使用）
「私の GitHub リポジトリにあるオープンな Issue を見せて」（GitHub MCP を使用）
「users テーブルをクエリして、登録日順のトップ 10 を教えて」（SQLite MCP を使用）

モデルはリクエストに基づいて、呼び出すべき MCP ツールを自動的に検知します。

MCP ツール呼び出しに最適なモデル

すべてのモデルがツール呼び出しを同等にうまく処理できるわけではありません。MCP 利用に最適なオプションは以下の通りです：

モデル	サイズ	ツール呼び出し	速度	品質
Qwen 2.5 7B Instruct	4.5 GB (Q4)	優秀	高速	高
Llama 3.3 8B Instruct	5 GB (Q4)	非常に良い	高速	高
Hermes 3 8B	5 GB (Q4)	優秀	高速	高
Qwen 2.5 72B Instruct	42 GB (Q4)	優秀	低速	非常に高い
Mistral Small 24B	14 GB (Q4)	良い	中速	高

ほとんどのユーザーにとって、Qwen 2.5 7B Instruct がツール呼び出しの信頼性とパフォーマンスのバランスが最も優れています。

LM Studio サーバーパラメータの設定

MCP ワークロードに合わせてローカルサーバーを微調整します：

{
  "contextLength": 8192,
  "temperature": 0.1,
  "maxTokens": 4096,
  "gpu": {
    "offloadLayers": -1
  }
}

主要な設定：

contextLength: 複雑なツール呼び出しチェーンのために 8192 以上に設定します。
temperature: 信頼性の高いツール呼び出しのために 0.1 以下を使用します（値が高いとツールの使用が不安定になります）。
maxTokens: モデルがツール呼び出しのレスポンスを完了できる十分な高さを設定します。
GPU offload: すべてのレイヤーを GPU にオフロードして最大速度を出すために -1 に設定します。

Python での LM Studio の使用

LM Studio の MCP 有効化サーバーとプログラムでやり取りすることも可能です：

from openai import OpenAI

client = OpenAI(
    api_key="lm-studio",
    base_url="http://localhost:1234/v1"
)

# ツールの定義
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather for a city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "City name"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="qwen2.5-7b-instruct",
    messages=[
        {"role": "user", "content": "What is the weather in Tokyo?"}
    ],
    tools=tools,
    tool_choice="auto"
)

# モデルがツールを呼び出したいかチェック
message = response.choices[0].message
if message.tool_calls:
    for tool_call in message.tool_calls:
        print(f"Tool: {tool_call.function.name}")
        print(f"Args: {tool_call.function.arguments}")

トラブルシューティング

「Model does not support tool calling（モデルがツール呼び出しをサポートしていません）」 関数呼び出しをサポートする Instruct チューニング済みのモデルを使用しているか確認してください。ベースモデルや一部の古いファインチューンモデルはツール呼び出し形式をサポートしていません。

MCP サーバーが LM Studio に表示されない MCP サーバー設定を追加した後、LM Studio を再起動してください。Node.js がインストールされていること、およびターミナルでコマンドを手動実行して MCP サーバーパッケージが正しくインストールされていることを確認してください。

ツール呼び出しがエラーを返す temperature を 0.1 以下に下げてください。温度が高いと、モデルが不正な形式のツール呼び出し JSON を生成する可能性があります。また、コンテキスト長（context length）が十分に高く設定されていることを確認してください（最低 4096）。

ツール呼び出し時の推論が遅い ツール呼び出しは、関数の定義とレスポンスのために追加のトークンを必要とします。より小さなモデルを使用するか、GPU オフロードを増やしてください。速度と品質のトレードオフが最適な Q4_K_M 量子化の使用を検討してください。

ポートの競合 ポート 1234 が既に使用されている場合は、設定で LM Studio サーバーのポートを変更してください。その後、すべての MCP 設定を新しいポートに合わせて更新します。

LM Studio MCP と他の選択肢の比較

機能	LM Studio + MCP	Ollama + MCP	Claude Desktop	Cursor
ローカルモデル	対応	対応	非対応	非対応
GUI インターフェース	あり	なし (CLI のみ)	あり	あり
MCP クライアント	対応 (v0.3.6+)	ブリッジ経由	対応	対応
MCP サーバー	ブリッジ経由	ブリッジ経由	N/A	N/A
ツール呼び出し	モデルに依存	モデルに依存	組み込み済み	組み込み済み
コスト	無料 (ローカル計算)	無料 (ローカル計算)	月額 $20 (Pro)	月額 $20
設定の難易度	簡単	普通	簡単	簡単

まとめ

LM Studio の MCP サポートは、ローカル AI モデルと拡大を続ける MCP ツールのエコシステムの架け橋となります。ローカルモデルを他のアプリ用の MCP サーバーとして使用する場合でも、外部ツールをローカル LLM に接続する場合でも、セットアップは簡単です。成功の鍵は、強力なツール呼び出し能力を持つモデルを選択し、信頼性の高い関数実行のために temperature を低く保つことです。

もしワークフローに画像、ビデオ、話すアバターなどの AI メディア生成も含まれる場合は、LLM ワークフローと並行してそれらすべてを処理できる統合 API、Hypereal AI をチェックしてみてください。

Hypereal AI を無料で試す -- 35 クレジット付与、クレジットカード不要。

LM Studio MCP サーバーの設定方法 (2026年版)

LM Studio とは？

Hugging Face からのワンクリック・モデルダウンロード
GPU 加速（NVIDIA、AMD、Apple Silicon）
OpenAI 互換のローカル API サーバー
会話管理機能を備えた組み込みチャットインターフェース
モデルの量子化とパラメータ制御

MCP とは？

MCP サーバーとしての LM Studio: 他のアプリケーションが MCP プロトコルを介して LM Studio のローカル LLM に接続します。
MCP クライアントとしての LM Studio: LM Studio が MCP ツールサーバー（ファイルシステム、データベース、API など）に接続し、ローカルモデルが外部ツールを使用できるようにします。

前提条件

要件	詳細
LM Studio	バージョン 0.3.x 以降（MCP サポートは 0.3.6 で追加）
RAM	最小 8 GB、16 GB 以上推奨
GPU (オプション)	NVIDIA 6 GB 以上の VRAM または Apple Silicon
ストレージ	モデル用に 10 GB 以上の空き容量
Node.js	v18 以降（カスタム MCP サーバー用）

パート 1: LM Studio の組み込み API を MCP 互換サーバーとして使用する

ステップ 1: LM Studio のダウンロードとインストール

lmstudio.ai からお使いのプラットフォーム用の LM Studio をダウンロードし、インストールして起動します。

ステップ 2: モデルのダウンロード

LM Studio の検索バーで、ツール呼び出し（Tool Calling）を適切にサポートしているモデルを探します：

Qwen 2.5 7B Instruct -- 優れたツール呼び出しサポート
Llama 3.3 8B Instruct -- 強力な汎用モデル
Mistral 7B Instruct v0.3 -- 速度と品質のバランスが良い
Hermes 3 8B -- 関数呼び出し（Function Calling）に特化して調整済み

選択したモデルの横にあるダウンロードボタンをクリックし、完了するまで待ちます。

ステップ 3: ローカルサーバーの起動

LM Studio の Local Server タブ（<-> アイコン）に移動します。
ドロップダウンからダウンロードしたモデルを選択します。
サーバーを ON に切り替えます。
サーバー URL をメモします（デフォルト：http://localhost:1234）。

これでサーバーが稼働し、OpenAI 互換の API リクエストを受け付ける状態になります。

ステップ 4: サーバーの確認

cURL リクエストでサーバーをテストします：

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5-7b-instruct",
    "messages": [
      {"role": "user", "content": "Hello, are you working?"}
    ],
    "temperature": 0.7
  }'

ステップ 5: lmstudio-mcp-server による MCP へのブリッジ

LM Studio を適切な MCP サーバーとして公開するには、コミュニティが提供する lmstudio-mcp-server ブリッジを使用します。

npm install -g lmstudio-mcp-server

ブリッジを実行します：

lmstudio-mcp-server --port 1234

これにより、LM Studio のローカルモデルを介してツール呼び出しをルーティングする MCP サーバーが作成されます。

ステップ 6: Claude Desktop への接続

Claude Desktop の MCP 設定にブリッジを追加します：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "lmstudio": {
      "command": "npx",
      "args": ["lmstudio-mcp-server", "--port", "1234"]
    }
  }
}

Claude Desktop を再起動します。LM Studio サーバーが利用可能な MCP 接続として表示されます。

パート 2: MCP サーバーを LM Studio に接続する

ステップ 1: LM Studio で MCP 設定を開く

LM Studio を開きます。
Settings（歯車アイコン）に移動します。
MCP セクションに移動します。
Add Server をクリックします。

ステップ 2: MCP サーバーの追加

実行コマンドを指定して MCP サーバーを追加できます。例えば、ファイルシステム MCP サーバーを追加する場合：

{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/Users/yourname/Documents"
    ]
  }
}

ステップ 3: 複数の MCP サーバーを追加する

以下は、いくつかの便利な MCP サーバーを含む設定例です：

{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/Users/yourname/projects"
    ]
  },
  "github": {
    "command": "npx",
    "args": ["-y", "@modelcontextprotocol/server-github"],
    "env": {
      "GITHUB_TOKEN": "ghp_your_github_token"
    }
  },
  "sqlite": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-sqlite",
      "/path/to/your/database.db"
    ]
  }
}

ステップ 4: チャットでツールを使用する

インタラクションの例：

「projects ディレクトリ内のすべての Python ファイルをリストアップして」（filesystem MCP を使用）
「私の GitHub リポジトリにあるオープンな Issue を見せて」（GitHub MCP を使用）
「users テーブルをクエリして、登録日順のトップ 10 を教えて」（SQLite MCP を使用）

モデルはリクエストに基づいて、呼び出すべき MCP ツールを自動的に検知します。

MCP ツール呼び出しに最適なモデル

すべてのモデルがツール呼び出しを同等にうまく処理できるわけではありません。MCP 利用に最適なオプションは以下の通りです：

モデル	サイズ	ツール呼び出し	速度	品質
Qwen 2.5 7B Instruct	4.5 GB (Q4)	優秀	高速	高
Llama 3.3 8B Instruct	5 GB (Q4)	非常に良い	高速	高
Hermes 3 8B	5 GB (Q4)	優秀	高速	高
Qwen 2.5 72B Instruct	42 GB (Q4)	優秀	低速	非常に高い
Mistral Small 24B	14 GB (Q4)	良い	中速	高

ほとんどのユーザーにとって、Qwen 2.5 7B Instruct がツール呼び出しの信頼性とパフォーマンスのバランスが最も優れています。

LM Studio サーバーパラメータの設定

MCP ワークロードに合わせてローカルサーバーを微調整します：

{
  "contextLength": 8192,
  "temperature": 0.1,
  "maxTokens": 4096,
  "gpu": {
    "offloadLayers": -1
  }
}

主要な設定：

contextLength: 複雑なツール呼び出しチェーンのために 8192 以上に設定します。
temperature: 信頼性の高いツール呼び出しのために 0.1 以下を使用します（値が高いとツールの使用が不安定になります）。
maxTokens: モデルがツール呼び出しのレスポンスを完了できる十分な高さを設定します。
GPU offload: すべてのレイヤーを GPU にオフロードして最大速度を出すために -1 に設定します。

Python での LM Studio の使用

LM Studio の MCP 有効化サーバーとプログラムでやり取りすることも可能です：

from openai import OpenAI

client = OpenAI(
    api_key="lm-studio",
    base_url="http://localhost:1234/v1"
)

# ツールの定義
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather for a city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "City name"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="qwen2.5-7b-instruct",
    messages=[
        {"role": "user", "content": "What is the weather in Tokyo?"}
    ],
    tools=tools,
    tool_choice="auto"
)

# モデルがツールを呼び出したいかチェック
message = response.choices[0].message
if message.tool_calls:
    for tool_call in message.tool_calls:
        print(f"Tool: {tool_call.function.name}")
        print(f"Args: {tool_call.function.arguments}")

トラブルシューティング

LM Studio MCP と他の選択肢の比較

機能	LM Studio + MCP	Ollama + MCP	Claude Desktop	Cursor
ローカルモデル	対応	対応	非対応	非対応
GUI インターフェース	あり	なし (CLI のみ)	あり	あり
MCP クライアント	対応 (v0.3.6+)	ブリッジ経由	対応	対応
MCP サーバー	ブリッジ経由	ブリッジ経由	N/A	N/A
ツール呼び出し	モデルに依存	モデルに依存	組み込み済み	組み込み済み
コスト	無料 (ローカル計算)	無料 (ローカル計算)	月額 $20 (Pro)	月額 $20
設定の難易度	簡単	普通	簡単	簡単

まとめ

Hypereal AI を無料で試す -- 35 クレジット付与、クレジットカード不要。

Hyperealで構築を始めよう

LM Studio MCP サーバーの設定方法 (2026年版)

LM Studio とは？

MCP とは？

前提条件

パート 1: LM Studio の組み込み API を MCP 互換サーバーとして使用する

ステップ 1: LM Studio のダウンロードとインストール

ステップ 2: モデルのダウンロード

ステップ 3: ローカルサーバーの起動

ステップ 4: サーバーの確認

ステップ 5: lmstudio-mcp-server による MCP へのブリッジ

ステップ 6: Claude Desktop への接続

パート 2: MCP サーバーを LM Studio に接続する

ステップ 1: LM Studio で MCP 設定を開く

ステップ 2: MCP サーバーの追加

ステップ 3: 複数の MCP サーバーを追加する

ステップ 4: チャットでツールを使用する

MCP ツール呼び出しに最適なモデル

LM Studio サーバーパラメータの設定

Python での LM Studio の使用

トラブルシューティング

LM Studio MCP と他の選択肢の比較

まとめ

関連記事

2026年における最高のオープンソースRAGフレームワーク集

MCP サーバーをゼロから構築する方法 (2026年版)

Context7 MCP Serverのセットアップ方法 (2026年版)

今日から構築を開始

Hyperealで構築を始めよう

LM Studio MCP サーバーの設定方法 (2026年版)

LM Studio とは？

MCP とは？

前提条件

パート 1: LM Studio の組み込み API を MCP 互換サーバーとして使用する

ステップ 1: LM Studio のダウンロードとインストール

ステップ 2: モデルのダウンロード

ステップ 3: ローカルサーバーの起動

ステップ 4: サーバーの確認

ステップ 5: lmstudio-mcp-server による MCP へのブリッジ

ステップ 6: Claude Desktop への接続

パート 2: MCP サーバーを LM Studio に接続する

ステップ 1: LM Studio で MCP 設定を開く

ステップ 2: MCP サーバーの追加

ステップ 3: 複数の MCP サーバーを追加する

ステップ 4: チャットでツールを使用する

MCP ツール呼び出しに最適なモデル

LM Studio サーバーパラメータの設定

Python での LM Studio の使用

トラブルシューティング

LM Studio MCP と他の選択肢の比較

まとめ

関連記事

2026年における最高のオープンソースRAGフレームワーク集

MCP サーバーをゼロから構築する方法 (2026年版)

Context7 MCP Serverのセットアップ方法 (2026年版)

今日から構築を開始