Un mcp.json de LM Studio que funciona y puedes pegar hoy, explicado entrada por entrada, junto con una comparación de los mejores servidores MCP para búsqueda web: Brave Search, Tavily, Exa, DuckDuckGo y Fetch. Obtienes los nombres exactos de los paquetes, los nombres de las herramientas, la configuración de los tokens y las comprobaciones de seguridad que conviene hacer primero.
Tu modelo local es rápido, privado y preciso, pero sigue creyendo que vive en el mes en que terminaron sus datos de entrenamiento. Pregúntale en la ventana de chat de LM Studio por el lanzamiento de la semana pasada y obtendrás una suposición muy segura de sí misma. La solución es un solo archivo JSON. Añade un servidor MCP de búsqueda web a mcp.json y el mismo modelo empieza a llamar a una herramienta de búsqueda, leer páginas reales y responder con fuentes en lugar de con su memoria.
Este artículo te ofrece un ejemplo de LM Studio MCP mcp.json que funciona y puedes pegar hoy, y después compara los cinco servidores de búsqueda web a los que más recurre la gente: Brave Search, Tavily, Exa, DuckDuckGo y el servidor oficial Fetch. Cada configuración de abajo procede de la documentación de cada proyecto, así que los nombres de los paquetes, las variables de entorno y los nombres de las herramientas son los reales.
Un modelo de lenguaje es una instantánea. Lo que sabía el día en que terminó el entrenamiento es todo lo que sabrá jamás, por mucho tiempo que lo tengas funcionando en tu escritorio. Eso basta para reescribir un correo o explicar una expresión regular. Resulta molesto con todo lo que cambia: versiones de bibliotecas, precios, notas de lanzamiento, el mensaje de error de la actualización del mes pasado.
Pegar páginas web a mano en el chat funciona, pero consume tu ventana de contexto y tu paciencia. Una herramienta de búsqueda permite que el modelo decida cuándo necesita datos frescos, los obtenga e integre en la respuesta.
El Model Context Protocol (MCP) es una forma estándar de que una aplicación conecte un modelo con herramientas externas. LM Studio actúa como host: inicia o se conecta a cada servidor que aparece en tu configuración, pregunta qué herramientas ofrece y pasa las descripciones de esas herramientas al modelo. Cuando el modelo decide llamar a una, LM Studio la ejecuta y devuelve el resultado al chat.
💡 Para esto no escribes código. Un servidor de búsqueda es un pequeño programa que mantiene otra persona. Tu única tarea es indicarle a LM Studio cómo iniciarlo.
El soporte de MCP llegó con LM Studio 0.3.17, y la aplicación sigue la notación de Cursor mcp.json. Esto importa porque la mayoría de los README de servidores muestran un fragmento para Cursor o Claude Desktop, y esos fragmentos se pegan con pocos cambios o sin ninguno.
Dentro de la aplicación, abre la pestaña Program en la barra lateral derecha, haz clic en Install y luego elige Edit mcp.json. El editor integrado es la vía más segura, porque ves los errores mientras escribes.
Si prefieres editar el archivo directamente, estas son las rutas:
| Sistema | Ruta del archivo |
|---|---|
| macOS | ~/.lmstudio/mcp.json |
| Linux | ~/.lmstudio/mcp.json |
| Windows | %USERPROFILE%/.lmstudio/mcp.json |
Después de guardar, revisa la pestaña Program: cada servidor del archivo debería aparecer allí con sus herramientas. Algunos autores de MCP también publican un botón Add to LM Studio que escribe la entrada por ti, lo cual resulta útil cuando un servidor tiene una configuración larga.
Cada entrada está dentro de un objeto principal llamado mcpServers. Cada servidor recibe un nombre que tú eliges, seguido de un url (un servidor remoto) o de un command (un proceso local).
La documentación oficial de LM Studio usa el servidor MCP de Hugging Face como ejemplo remoto:
{
"mcpServers": {
"hf-mcp-server": {
"url": "https://huggingface.co/mcp",
"headers": {
"Authorization": "Bearer <YOUR_HF_TOKEN>"
}
}
}
}
Tres detalles son importantes aquí. url apunta al servidor alojado. headers lleva tu credencial. Y el marcador entre corchetes angulares debe sustituirse por un token real antes de que el servidor pueda conectarse.
Los servidores locales usan command, args y env. Este es el fragmento oficial de Brave para su servidor MCP de Brave Search:
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@brave/brave-search-mcp-server", "--transport", "stdio"],
"env": {
"BRAVE_API_KEY": "YOUR_BRAVE_TOKEN"
}
}
}
}
npx viene con Node.js, así que instala eso primero. El indicador -y omite la pregunta de confirmación que, de otro modo, bloquearía un proceso en segundo plano, y --transport stdio le indica al servidor que se comunique con LM Studio a través de la entrada y salida estándar. El bloque env entrega tu token al servidor como variable de entorno, que es la forma en que casi todos los servidores de búsqueda esperan recibirlo.
Un archivo realista combina fuentes: Brave para la búsqueda general, Fetch para leer una página completa y DuckDuckGo como alternativa que no requiere cuenta.
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@brave/brave-search-mcp-server", "--transport", "stdio"],
"env": {
"BRAVE_API_KEY": "YOUR_BRAVE_TOKEN"
}
},
"fetch": {
"command": "uvx",
"args": ["mcp-server-fetch"]
},
"ddg-search": {
"command": "uvx",
"args": ["duckduckgo-mcp-server"]
}
}
}
uvx viene de la herramienta de Python uv, así que los dos servidores de Python necesitan uv instalado, igual que el servidor de Node necesita Node.
💡 Dos comas causan más configuraciones rotas que cualquier otra cosa: una coma que falta entre servidores y una coma final después del último. JSON no admite ninguna de las dos, y tampoco admite comentarios.
Los servidores de búsqueda cumplen tres funciones distintas: encontrar enlaces, devolver texto limpio de las páginas y leer una URL concreta. Las mejores configuraciones combinan un buscador con un lector, en lugar de pedirle a un solo servidor que lo haga todo.
Brave es la opción por defecto para la mayoría de la gente. El paquete es @brave/brave-search-mcp-server, el token va en BRAVE_API_KEY, y la lista de herramientas es amplia: brave_web_search, brave_local_search, brave_video_search, brave_image_search, brave_news_search, brave_summarizer, brave_place_search y brave_llm_context.
Brave devuelve resultados brutos ordenados (enlaces y fragmentos) y deja que tu modelo local haga la lectura. Eso mantiene las respuestas pequeñas, lo cual importa cuando tu ventana de contexto es limitada. El repositorio indica que los planes Pro añaden extras, como fragmentos adicionales y búsqueda local completa.
Tavily se inclina hacia la extracción. Sus herramientas son tavily-search, tavily-extract, tavily-map y tavily-crawl, de modo que el modelo puede buscar, extraer el texto de una página, mapear un sitio o rastrearlo. La entrada local tiene este aspecto:
{
"mcpServers": {
"tavily-mcp": {
"command": "npx",
"args": ["-y", "tavily-mcp@latest"],
"env": {
"TAVILY_API_KEY": "your-tavily-token"
}
}
}
}
Tavily también ofrece un servidor remoto en https://mcp.tavily.com/mcp/?tavilyApiKey=<your-token>. La versión local de arriba es la opción más sensata, porque mantiene tu token fuera de una URL.
Exa es la configuración más corta de las cinco, porque está alojada. No hay nada que instalar, así que no necesitas Node ni Python:
{
"mcpServers": {
"exa": {
"url": "https://mcp.exa.ai/mcp"
}
}
}
Las herramientas predeterminadas son web_search_exa, que devuelve resultados de búsqueda con contenido limpio, y web_fetch_exa, que lee una página en markdown. Exa acepta un token como parámetro de URL o en un encabezado Authorization. El encabezado es la opción más ordenada.
Sin cuenta ni token. Ejecuta uvx duckduckgo-mcp-server y tendrás search, fetch_content y expand_link. Es la forma más rápida de comprobar que toda tu configuración funciona antes de registrarte en nada.
La contrapartida son los límites de uso. Los valores predeterminados son 30 búsquedas por minuto y 20 descargas de páginas por minuto, ajustables con las variables de entorno DDG_SEARCH_RPM y DDG_FETCH_RPM. Ante una respuesta HTTP 429, el servidor respeta Retry-After y reintenta una vez.
Fetch procede del repositorio oficial de servidores MCP y hace una sola cosa: descarga una URL y convierte el HTML a markdown. Su herramienta fetch recibe una url, además de max_length opcional (5000 caracteres por defecto), start_index y raw.
Ese parámetro start_index es útil. Cuando una página es más larga que una respuesta, el modelo puede pedir el siguiente fragmento en lugar de perder el final del artículo. Fetch respeta robots.txt para las solicitudes iniciadas por el modelo de forma predeterminada, y su documentación advierte de que puede acceder a direcciones IP locales e internas, lo que supone un riesgo real en un equipo de trabajo.
| Servidor | Inicio | Token | Herramientas | Mejor para |
|---|---|---|---|---|
| Brave Search | npx | Sí, BRAVE_API_KEY | brave_web_search y siete más | Búsqueda web general |
| Tavily | npx o remoto | Sí, TAVILY_API_KEY | tavily-search, tavily-extract, tavily-map, tavily-crawl | Investigación que necesita texto de páginas |
| Exa | URL remota | Parámetro de URL o encabezado | web_search_exa, web_fetch_exa | Configuración sin instalación |
| DuckDuckGo | uvx | Ninguno | search, fetch_content, expand_link | Pruebas gratuitas |
| Fetch | uvx | Ninguno | fetch | Leer una URL conocida |
Tres puntos de partida sirven a la mayoría de la gente:
No todos los modelos pueden llamar a herramientas. Un modelo tiene que estar entrenado para emitir una llamada estructurada a una herramienta, y LM Studio marca los modelos compatibles con herramientas en su lista con un icono de martillo. Si eliges uno sin ella, el modelo hablará de buscar, pero nunca buscará de verdad.
Dos ajustes ayudan tanto como la elección del modelo:
Antes de descargar un modelo de varios gigabytes, prueba tus prompts en uno alojado. GPT OSS 20B es un modelo de lenguaje de pesos abiertos de 20.000 millones de parámetros, y su página del modelo ofrece generaciones ilimitadas sin límites de créditos.
Un límite sincero: este modelo alojado funciona en el navegador y no se conecta a tus servidores MCP locales. Úsalo para pulir el prompt de sistema y ver cómo resume un modelo los resultados de búsqueda que pegues, y después lleva el prompt ganador de vuelta a LM Studio.
| Ajuste | Predeterminado | Úsalo para |
|---|---|---|
| Temperatura | 0,1 | Resúmenes precisos y repetibles |
| Top P | 1 | Diversidad de la salida |
| Max Tokens | 2048 | Longitud de la respuesta |
| Penalización de presencia | 0 | Impulsar temas nuevos |
| Penalización de frecuencia | 0 | Reducir palabras repetidas |
Otros modelos alojados que vale la pena probar con la misma prueba: GPT OSS 120B, Qwen3.7-Plus, Granite 4.1 8B y Kimi K2.6. Si uno de ellos sigue mejor tu formato, sabrás qué buscar en una descarga local.
Los propios documentos de LM Studio son directos al respecto: algunos servidores MCP pueden ejecutar código arbitrario, leer tus archivos locales y usar tu conexión de red. Nunca instales uno de una fuente en la que no confíes. Un servidor de búsqueda no es más que un programa que se ejecuta en tu equipo con tus permisos.
Cuando un modelo llama a una herramienta, LM Studio muestra un cuadro de confirmación. Puedes revisar y editar los argumentos antes de que se ejecute nada, y luego permitir la herramienta una vez o de forma permanente. Mantente en "permitir una vez" con cualquier servidor que toque archivos o la red hasta que confíes en él. Los permisos permanentes se gestionan en App Settings > Tools & Integrations.
Tu mcp.json guarda los tokens en texto plano, así que trata el archivo como una lista de contraseñas:
env y headers antes que tokens dentro de URL, que suelen acabar en los registros.
La mayoría de los fallos caen en cinco grupos:
npx necesita Node.js y uvx necesita uv. Ejecuta node --version o uv --version en una terminal para confirmarlo.start_index, o aumenta max_length.💡 Prueba cada servidor nuevo por separado primero. Pon una sola entrada en el archivo, haz una pregunta que necesite datos frescos y observa la llamada a la herramienta. Añade el siguiente servidor solo cuando eso funcione.
Una vez que tu configuración local busque en la web, querrás imágenes para los textos, tutoriales y notas que salgan de ella: una cabecera para tu entrada de blog, un fondo para un diagrama, una miniatura para un video tutorial. Ahí es donde encaja PicassoIA.
Prueba un experimento: escribe un único prompt fotográfico, como "el escritorio de un desarrollador al amanecer con un equipo portátil y una libreta de cajas dibujadas a mano", y ejecútalo en tres modelos de texto a imagen. Flux Krea Dev tiende a generar imágenes que evitan el aspecto típico de la IA, Seedream 4.5 produce resultados nítidos y de alta resolución, y GPT Image 2 sigue de cerca los prompts largos y detallados. Compara los tres resultados lado a lado y quédate con el que mejor encaje.
PicassoIA también ofrece una API para desarrolladores y conexiones MCP para sus modelos de imagen y video, de modo que el mismo flujo de trabajo pueda conectarse después a tus propias herramientas. Abre PicassoIA, elige un modelo y crea tu primera imagen hoy.
Elige tu idioma
