Les modèles locaux sont privés, mais ils ne peuvent que discuter tant que vous ne leur ajoutez pas d’outils. Cet article classe sept serveurs MCP pour Ollama, LM Studio et Open WebUI, présente la configuration de chaque client, suggère des modèles qui appellent les outils de façon fiable et énumère les règles de sécurité qui gardent un agent local sous contrôle.
Les modèles locaux sont privés et peu coûteux à faire tourner, mais par défaut ils ne peuvent que discuter. Ils ne peuvent pas lire le dossier de votre projet, examiner un diff git ni ouvrir une page web. MCP, le Model Context Protocol, comble cette lacune en donnant à toute application compatible une manière standard de confier de vrais outils à un modèle. Le piège, c’est qu’une configuration locale présente deux problèmes qu’un chatbot dans le cloud n’a pas : une fenêtre de contexte plus petite, et un modèle plus petit qui se trompe plus souvent dans ses appels d’outils. Les meilleurs serveurs MCP pour les LLM locaux ne sont donc pas les catalogues les plus volumineux. Ce sont les quelques-uns qui sont légers, prévisibles et sûrs à laisser tourner sur votre propre machine.
Vous trouverez ci-dessous sept serveurs qui répondent à ce critère, trois façons de les connecter à Ollama, LM Studio et Open WebUI, ainsi que les erreurs qui rendent les agents locaux lents ou risqués.
Un serveur MCP est un petit programme qui annonce une liste d’outils : lire un fichier, exécuter une commande git, récupérer une page. Un client MCP, comme LM Studio ou Open WebUI, présente cette liste à votre modèle. Lorsque le modèle veut utiliser un outil, il émet un appel structuré, le client l’exécute sur le serveur, et le résultat revient dans la conversation.
Ce fonctionnement convient à un usage local. Le modèle reste sur votre matériel, le serveur tourne à côté, et rien ne quitte votre réseau, sauf si un outil lui-même accède au web. Deux transports reviennent partout :
Un modèle de 7 à 20 milliards de paramètres peut appeler des outils, mais il est moins indulgent qu’un modèle de pointe. Il peut choisir le mauvais outil, inventer un argument ou tourner en boucle sur le même appel. Chaque outil exposé par un serveur est décrit dans le prompt, si bien que dix serveurs peuvent avaler une grande partie d’une fenêtre de contexte modeste avant même que vous ayez tapé un mot.
💡 Règle empirique : activez trois ou quatre serveurs par conversation, pas douze. La documentation de LM Studio avertit que les serveurs conçus pour Claude ou ChatGPT peuvent consommer beaucoup de tokens et ralentir un modèle local.
Le client détermine quels serveurs vous pouvez utiliser et la complexité de la configuration. Trois options couvrent l’essentiel des configurations locales, et chacune traite MCP différemment.
LM Studio a ajouté la prise en charge de MCP dans la version 0.3.17 et gère à la fois les serveurs locaux et distants. Ouvrez l’onglet Program dans la barre latérale droite, choisissez Install, puis Edit mcp.json. Le fichier suit la notation de Cursor, donc les configurations copiées depuis d’autres outils se collent généralement telles quelles.
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]
}
}
}
Les serveurs distants utilisent une url et, éventuellement, des headers au lieu d’une commande. Lorsque vous collez une configuration trouvée en ligne, copiez uniquement le contenu situé à l’intérieur de "mcpServers": { ... }, sinon les accolades imbriquées casseront le fichier.
💡 Les serveurs lancés avec
npxnécessitent Node.js, et ceux lancés avecuvxont besoin deuv. Un environnement d’exécution manquant passe facilement inaperçu lorsqu’un serveur fraîchement ajouté n’affiche aucun outil.
Ollama fait tourner des modèles et gère l’appel d’outils, mais il ne parle pas MCP par lui-même. Il vous faut un client intermédiaire qui liste les outils et les traduit dans le format d’outils d’Ollama. Vos options :
uv tool install --upgrade ollmcp.Choisissez ollmcp si vous travaillez dans le terminal. Gardez ses demandes de confirmation activées pendant vos tests. Tous les modèles Ollama ne prennent pas en charge les outils, et la bibliothèque Ollama signale ceux qui le font par un tag : filtrez sur ce tag avant de télécharger un modèle.
Open WebUI prend en charge MCP nativement à partir de la version 0.6.31, mais uniquement via Streamable HTTP, car c’est une application web destinée à plusieurs utilisateurs et non un processus de bureau. Un administrateur ajoute un serveur dans Settings > Admin > Integrations, choisit + Add Connection et règle le type sur MCP (Streamable HTTP). Les utilisateurs standard ne peuvent pas enregistrer leurs propres serveurs, un choix de sécurité délibéré.
Pour les serveurs stdio, lancez-les derrière mcpo, un proxy qui transforme les serveurs stdio ou SSE en points de terminaison OpenAPI :
uvx mcpo --port 8000 -- npx -y @modelcontextprotocol/server-memory
Ajoutez ensuite l’URL obtenue comme serveur d’outils OpenAPI. Si vous exécutez Open WebUI dans Docker, définissez la variable d’environnement WEBUI_SECRET_KEY. Sans elle, les outils connectés par OAuth cessent de fonctionner à chaque redémarrage du conteneur.
Ces sept serveurs sont classés selon ce qu’ils apportent à une configuration locale type, par token de contexte consommé. Six proviennent de la collection de référence officielle, qui maintient actuellement Everything, Fetch, Filesystem, Git, Memory, Sequential Thinking et Time. Le septième, Playwright, est celui de Microsoft.
Celui que presque tout le monde installe en premier. Il donne au modèle des outils pour lire, écrire, lister et rechercher des fichiers, limités aux dossiers que vous passez en arguments. Pointez-le vers un coffre de notes, un dossier de documentation ou un seul dépôt, jamais vers l’ensemble de votre répertoire personnel. Il gère des tâches comme résumer des comptes rendus de réunion, renommer un lot de fichiers ou rédiger un README à partir du code source.
Lancé avec uvx mcp-server-git, il permet à un modèle de lire le statut, les diffs et l’historique, et de créer des commits. Il est compact et se comporte bien, ce qui en fait un bon choix pour les modèles de la catégorie 8B. Demandez un message de commit à partir du diff indexé et le modèle dispose de tout ce qu’il lui faut en un seul appel.
Fetch récupère une URL et convertit la page en markdown pour qu’elle tienne dans une fenêtre de contexte. Pour beaucoup de configurations locales, c’est la seule voie vers le web en direct qui ne nécessite ni compte ni token. Traitez chaque page récupérée comme un texte non fiable. Une page peut contenir des instructions destinées à votre modèle, un problème connu sous le nom d’injection de prompt.
Une mémoire sous forme de graphe de connaissances qui stocke entités, relations et observations dans un fichier local, afin que le modèle puisse se souvenir de faits entre les conversations. C’est l’un des moyens les moins coûteux de donner une impression de cohérence à un petit modèle. Sauvegardez ce fichier et jetez-y un œil de temps en temps, car c’est le modèle qui décide de ce qui y est enregistré. Un court prompt système qui indique quand enregistrer un fait et quand le rappeler aide, car les petits modèles ont tendance à tout sauvegarder ou à ne rien sauvegarder.
Le @playwright/mcp de Microsoft pilote un vrai navigateur à partir d’instantanés d’accessibilité plutôt que de captures d’écran, si bien qu’un modèle local qui ne traite que du texte peut cliquer et saisir sans modèle de vision. C’est le serveur le plus lourd de la liste et le plus risqué, car un navigateur peut atteindre tout ce que votre réseau peut atteindre. Utilisez un profil de navigateur dédié et gardez les confirmations activées.
Il donne au modèle une manière structurée de décomposer un problème en pensées numérotées, de les réviser et de les ramifier. Cela peut offrir à un petit modèle un cadre pour les tâches en plusieurs étapes. Les modèles qui raisonnent déjà nativement n’en ont pas forcément besoin, alors testez avec et sans.
Le septième choix, Time, est un minuscule serveur qui fournit l’heure actuelle et convertit les fuseaux horaires. Il compte davantage qu’il n’y paraît, puisqu’un modèle local n’a pas d’horloge.
| Serveur | Idéal pour | Commande de lancement | Risque |
|---|---|---|---|
| Filesystem | Lire et modifier notes, documentation et code | npx -y @modelcontextprotocol/server-filesystem <folder> | Moyen |
| Git | Statut, diffs, historique et commits | uvx mcp-server-git | Moyen |
| Fetch | Récupérer des pages web en markdown | uvx mcp-server-fetch | Moyen |
| Memory | Faits qui persistent entre les conversations | npx -y @modelcontextprotocol/server-memory | Faible |
| Playwright | Piloter un vrai navigateur | npx @playwright/mcp@latest | Élevé |
| Sequential Thinking | Décomposition d’un problème étape par étape | npx -y @modelcontextprotocol/server-sequential-thinking | Faible |
| Time | Heure actuelle et fuseaux horaires | uvx mcp-server-time | Faible |
Lesquels activer en premier ? Pour le code, essayez Filesystem, Git et Sequential Thinking. Pour la recherche et les notes, associez Fetch à Memory et Time. Pour l’automatisation du navigateur, lancez Playwright seul afin que sa liste d’outils dispose à elle seule de la fenêtre de contexte.
💡 Les serveurs pour SQLite, PostgreSQL, GitHub, Brave Search et Puppeteer figuraient dans la collection de référence, mais se trouvent désormais dans une archive. Cherchez une alternative maintenue avant d’en dépendre.
Un excellent serveur est gâché avec un modèle incapable de formater un appel d’outil. Les familles souvent recommandées pour l’appel d’outils en local incluent Qwen, Llama 3.1 et les versions plus récentes, ainsi que Codestral. Deux autres méritent d’être testés. GPT OSS 20B est un modèle à poids ouverts qu’OpenAI a conçu en pensant aux tâches agentiques comme l’appel de fonctions, et OpenAI indique qu’il fonctionne avec 16 Go de mémoire. Granite 4.1 8B est l’option compacte d’IBM pour les GPU de milieu de gamme.
Les deux sont disponibles en modèles hébergés sur PicassoIA, ce qui vous permet de tester vos prompts avant de télécharger quoi que ce soit. Ces exécutions hébergées ont lieu sur les serveurs de PicassoIA, pas sur votre machine.
Avant de télécharger quoi que ce soit, vous pouvez vérifier comment un modèle formate ses appels d’outils. Cela prend environ deux minutes.
You can call these tools. Reply with JSON only.
read_file(path), list_directory(path), git_diff(repo)
Task: show me what changed in the notes folder today.
💡 Ceci teste la manière dont un modèle formate les appels. Cela ne se connecte pas à vos serveurs MCP, considérez-le donc comme une répétition et non comme un remplacement d’une exécution locale.
Un serveur MCP peut exécuter du code, lire des fichiers et utiliser votre réseau. C’est précisément ce qui le rend utile, et pourquoi la documentation de LM Studio recommande de ne jamais installer de MCP provenant de sources non fiables.
Vérifiez combien de tokens vos descriptions d’outils consomment avant d’accuser le modèle. S’il commence à ignorer les instructions après l’ajout de serveurs, retirez d’abord des serveurs. Trois serveurs bien choisis valent mieux qu’une douzaine qui encombrent la conversation.
Les modèles locaux ne savent pas dessiner, mais un client MCP peut ajouter un serveur d’images hébergé à côté de vos serveurs locaux. Le modèle local rédige le prompt et un modèle hébergé en génère le rendu. PicassoIA propose une API et une connexion MCP pour cela. L’API se trouve à api.picassoia.com/v1 et utilise des tokens Bearer, et la connexion MCP expose quatre modèles : PicassoIA Image pour le texte vers image, PicassoIA Image Editor Pro pour les retouches, et deux modèles vidéo.
Vous configurez la connexion depuis la page MCP de votre compte. Dans LM Studio, un serveur distant se place dans mcp.json sous la forme d’une url plus headers, le même schéma que la documentation présente pour les autres serveurs distants.
Deux précautions s’appliquent :
Vous n’avez pas besoin d’un agent complet pour profiter de cette configuration. Demandez à votre modèle local trois prompts d’image décrivant la même scène sous des angles différents : une contre-plongée, une vue de dessus et un gros plan. Collez-les dans PicassoIA Image et comparez les résultats côte à côte.
Choisissez ensuite votre préféré et ouvrez-le dans PicassoIA Image Editor Pro pour ajuster l’éclairage, remplacer un objet ou corriger un détail. Les prompts courts avec un sujet clair, une direction de lumière et un choix d’objectif donnent en général les résultats photographiques les plus nets.
Essayez avec votre prochain en-tête de blog, maquette de produit ou fond d’écran de bureau. Plus vous expérimenterez les prompts que votre modèle local rédige, plus vite vous trouverez une formulation qui fonctionne, et PicassoIA rend chaque essai peu coûteux à répéter.
Choisissez votre langue
