Um mcp.json do LM Studio que funciona e pode ser colado hoje, explicado entrada por entrada, mais uma comparação lado a lado dos melhores servidores MCP para busca na web: Brave Search, Tavily, Exa, DuckDuckGo e Fetch. Você recebe os nomes exatos dos pacotes, os nomes das ferramentas, as configurações de token e as verificações de segurança a fazer primeiro.
Seu modelo local é rápido, privado e afiado, mas continua achando que está no mês em que os dados de treinamento acabaram. Pergunte na janela de chat do LM Studio sobre o lançamento da semana passada e você recebe um palpite confiante. A solução é um único arquivo JSON. Adicione um servidor MCP de busca na web ao mcp.json e o mesmo modelo passa a chamar uma ferramenta de busca, ler páginas reais e responder com fontes, em vez de depender da memória.
Este artigo traz um exemplo de LM Studio MCP mcp.json que funciona e pode ser colado hoje. Depois, compara os cinco servidores de busca na web que as pessoas mais usam: Brave Search, Tavily, Exa, DuckDuckGo e o servidor oficial Fetch. Cada configuração abaixo vem da documentação do próprio projeto, então os nomes dos pacotes, as variáveis de ambiente e os nomes das ferramentas são os reais.
Um modelo de linguagem é um instantâneo. Tudo o que ele sabia no dia em que o treinamento terminou é tudo o que ele vai saber, não importa por quanto tempo você o deixe rodando na sua máquina. Isso serve para reescrever um e-mail ou explicar uma expressão regular. É incômodo para qualquer coisa que muda: versões de bibliotecas, preços, notas de lançamento, a mensagem de erro da atualização do mês passado.
Colar páginas da web no chat à mão funciona, mas consome sua janela de contexto e sua paciência. Uma ferramenta de busca permite que o modelo decida quando precisa de fatos novos, busque-os e incorpore-os à resposta.
O Model Context Protocol (MCP) é um padrão para um aplicativo conectar um modelo a ferramentas externas. O LM Studio atua como host: ele inicia ou se conecta a cada servidor listado na sua configuração, pergunta quais ferramentas eles oferecem e repassa essas descrições ao modelo. Quando o modelo decide chamar uma delas, o LM Studio a executa e devolve o resultado ao chat.
💡 Você não precisa escrever código para isso. Um servidor de busca é um pequeno programa que outra pessoa mantém. Sua única tarefa é dizer ao LM Studio como iniciá-lo.
O suporte a MCP chegou na versão 0.3.17 do LM Studio, e o aplicativo segue a notação do Cursor mcp.json. Isso importa porque a maioria dos READMEs dos servidores mostra um trecho para Cursor ou Claude Desktop, e esses trechos se colam com pouca ou nenhuma alteração.
No aplicativo, abra a aba Program na barra lateral direita, clique em Install e depois escolha Edit mcp.json. O editor embutido é o caminho mais seguro, porque você vê os erros enquanto digita.
Se preferir editar o arquivo diretamente, estes são os caminhos:
| Sistema | Caminho do arquivo |
|---|---|
| macOS | ~/.lmstudio/mcp.json |
| Linux | ~/.lmstudio/mcp.json |
| Windows | %USERPROFILE%/.lmstudio/mcp.json |
Depois de salvar, confira a aba Program: cada servidor do arquivo deve aparecer ali com suas ferramentas. Alguns autores de servidores MCP também publicam um botão Add to LM Studio, que grava a entrada para você, o que é útil quando um servidor tem uma configuração longa.
Todas as entradas ficam dentro de um único objeto de nível superior chamado mcpServers. Cada servidor recebe um nome que você escolhe, seguido de um url (um servidor remoto) ou de um command (um processo local).
A documentação oficial do LM Studio usa o servidor MCP do Hugging Face como exemplo remoto:
{
"mcpServers": {
"hf-mcp-server": {
"url": "https://huggingface.co/mcp",
"headers": {
"Authorization": "Bearer <YOUR_HF_TOKEN>"
}
}
}
}
Três detalhes importam aqui. url aponta para o servidor hospedado. headers carrega sua credencial. E o marcador entre colchetes angulares precisa ser substituído por um token real antes que o servidor aceite a conexão.
Servidores locais usam command, args e env. Este é o trecho oficial da Brave para o servidor MCP Brave Search:
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@brave/brave-search-mcp-server", "--transport", "stdio"],
"env": {
"BRAVE_API_KEY": "YOUR_BRAVE_TOKEN"
}
}
}
}
O npx vem com o Node.js, então instale-o primeiro. A flag -y pula a confirmação que, de outra forma, travaria um processo em segundo plano, e --transport stdio diz ao servidor para conversar com o LM Studio pela entrada e saída padrão. O bloco env entrega seu token ao servidor como variável de ambiente, que é como quase todos os servidores de busca esperam recebê-lo.
Um arquivo realista combina fontes: Brave para busca ampla, Fetch para ler uma página inteira, DuckDuckGo como alternativa que não exige conta.
{
"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"]
}
}
}
O uvx vem da ferramenta Python uv, então os dois servidores em Python precisam do uv instalado, assim como o servidor em Node precisa do Node.
💡 Duas vírgulas causam mais configurações quebradas do que qualquer outra coisa: uma vírgula faltando entre servidores e uma vírgula sobrando depois do último. O JSON não aceita nenhuma das duas, e também não tem comentários.
Servidores de busca fazem três trabalhos diferentes: encontrar links, devolver o texto limpo das páginas e ler uma URL específica. As melhores configurações combinam um localizador com um leitor, em vez de pedir a um único servidor que faça tudo.
A Brave é a escolha padrão para a maioria das pessoas. O pacote é @brave/brave-search-mcp-server, o token vai em BRAVE_API_KEY, e a lista de ferramentas é ampla: brave_web_search, brave_local_search, brave_video_search, brave_image_search, brave_news_search, brave_summarizer, brave_place_search e brave_llm_context.
A Brave devolve resultados brutos ranqueados (links e trechos) e deixa o modelo local fazer a leitura. Isso mantém as respostas pequenas, o que importa quando sua janela de contexto é limitada. O repositório informa que os planos Pro acrescentam extras, como trechos adicionais e busca local completa.
A Tavily se inclina para a extração. Suas ferramentas são tavily-search, tavily-extract, tavily-map e tavily-crawl, para que o modelo possa buscar, extrair o texto de uma página, mapear um site ou rastreá-lo. A entrada local fica assim:
{
"mcpServers": {
"tavily-mcp": {
"command": "npx",
"args": ["-y", "tavily-mcp@latest"],
"env": {
"TAVILY_API_KEY": "your-tavily-token"
}
}
}
}
A Tavily também roda um servidor remoto em https://mcp.tavily.com/mcp/?tavilyApiKey=<your-token>. A versão local acima é a melhor prática, porque mantém seu token fora de uma URL.
A Exa é a configuração mais curta dos cinco, já que é hospedada. Não há nada para instalar, então não precisa de Node nem de Python:
{
"mcpServers": {
"exa": {
"url": "https://mcp.exa.ai/mcp"
}
}
}
As ferramentas padrão são web_search_exa, que devolve resultados de busca com conteúdo limpo, e web_fetch_exa, que lê uma página em markdown. A Exa aceita um token como parâmetro de URL ou em um cabeçalho Authorization. O cabeçalho é a escolha mais organizada.
Sem conta, sem token. Execute uvx duckduckgo-mcp-server e você terá search, fetch_content e expand_link. É a forma mais rápida de provar que toda a sua configuração funciona antes de se cadastrar em qualquer coisa.
A contrapartida são os limites de requisições. Os padrões são 30 buscas por minuto e 20 leituras de página por minuto, ajustáveis pelas variáveis de ambiente DDG_SEARCH_RPM e DDG_FETCH_RPM. Ao receber uma resposta HTTP 429, o servidor respeita Retry-After e tenta de novo uma vez.
O Fetch vem do repositório oficial de servidores MCP e faz uma coisa só: baixa uma URL e converte o HTML em markdown. Sua ferramenta fetch recebe uma url, além de max_length opcional (padrão de 5000 caracteres), start_index e raw.
Esse parâmetro start_index é útil. Quando uma página é maior do que uma resposta, o modelo pode pedir o próximo trecho em vez de perder o final do artigo. Por padrão, o Fetch respeita robots.txt nas requisições iniciadas pelo modelo, e a documentação alerta que ele pode acessar endereços IP locais e internos, o que é um risco real em uma máquina de trabalho.
| Servidor | Inicialização | Token | Ferramentas | Melhor para |
|---|---|---|---|---|
| Brave Search | npx | Sim, BRAVE_API_KEY | brave_web_search mais sete outras | Busca geral na web |
| Tavily | npx ou remoto | Sim, TAVILY_API_KEY | tavily-search, tavily-extract, tavily-map, tavily-crawl | Pesquisa que precisa do texto das páginas |
| Exa | URL remota | Parâmetro de URL ou cabeçalho | web_search_exa, web_fetch_exa | Configuração sem instalação |
| DuckDuckGo | uvx | Nenhum | search, fetch_content, expand_link | Testes gratuitos |
| Fetch | uvx | Nenhum | fetch | Ler uma URL conhecida |
Três pontos de partida atendem à maioria das pessoas:
Nem todo modelo consegue chamar ferramentas. Um modelo precisa ser treinado para emitir uma chamada de ferramenta estruturada, e o LM Studio marca os modelos compatíveis na lista com um selo de martelo. Se você escolher um sem ele, o modelo vai falar sobre buscar, mas nunca buscará de fato.
Duas configurações ajudam tanto quanto a escolha do modelo:
Antes de baixar um modelo de vários gigabytes, ensaie seus prompts em um modelo hospedado. O GPT OSS 20B é um modelo de linguagem de pesos abertos, com 20 bilhões de parâmetros, e a página do modelo oferece gerações ilimitadas, sem limites de créditos.
Um limite honesto: esse modelo hospedado roda no navegador e não se conecta aos seus servidores MCP locais. Use-o para refinar o prompt de sistema e ver como um modelo resume resultados de busca colados, e depois leve o prompt vencedor de volta ao LM Studio.
| Configuração | Padrão | Use para |
|---|---|---|
| Temperatura | 0,1 | Resumos precisos e repetíveis |
| Top P | 1 | Diversidade da saída |
| Máximo de tokens | 2048 | Tamanho da resposta |
| Penalidade de presença | 0 | Empurrar para temas novos |
| Penalidade de frequência | 0 | Reduzir palavras repetidas |
Outros modelos hospedados que vale passar pelo mesmo teste: GPT OSS 120B, Qwen3.7-Plus, Granite 4.1 8B e Kimi K2.6. Se algum deles seguir melhor o seu formato, você já sabe o que procurar em um download local.
A própria documentação do LM Studio é direta sobre isso: alguns servidores MCP podem executar código arbitrário, ler seus arquivos locais e usar sua conexão de rede. Nunca instale um servidor de uma fonte em que você não confia. Um servidor de busca é apenas um programa rodando na sua máquina com as suas permissões.
Quando um modelo chama uma ferramenta, o LM Studio mostra uma caixa de confirmação. Você pode revisar e editar os argumentos antes de qualquer coisa ser executada, e então permitir a ferramenta apenas uma vez ou de forma permanente. Mantenha a opção "permitir uma vez" para qualquer servidor que mexa com arquivos ou com a rede, até confiar nele. As permissões permanentes são gerenciadas em App Settings > Tools & Integrations.
Seu mcp.json guarda tokens em texto simples, então trate o arquivo como uma lista de senhas:
env e headers a tokens dentro de URLs, que costumam parar nos logs.
A maioria das falhas se encaixa em cinco grupos:
npx precisa do Node.js, e uvx precisa do uv. Execute node --version ou uv --version em um terminal para confirmar.start_index, ou aumente max_length.💡 Teste cada novo servidor sozinho primeiro. Coloque uma entrada no arquivo, faça uma pergunta que exija fatos novos e observe a chamada da ferramenta. Adicione o próximo servidor só depois que isso funcionar.
Quando sua configuração local já estiver buscando na web, você vai querer imagens para os textos, tutoriais e anotações que surgirem dela: um cabeçalho para o post do blog, um fundo para um diagrama, uma miniatura para um vídeo com passo a passo. É aí que o PicassoIA entra.
Faça um experimento: escreva um único prompt fotográfico, como "a mesa de um desenvolvedor ao amanhecer, com um notebook e um caderno com caixas desenhadas à mão", e rode-o em três modelos de texto para imagem. O Flux Krea Dev tende a gerar imagens que não têm o visual típico de IA, o Seedream 4.5 produz resultados nítidos e de alta resolução, e o GPT Image 2 segue de perto prompts longos e detalhados. Coloque os três resultados lado a lado e fique com o que melhor se encaixa.
O PicassoIA também oferece uma API para desenvolvedores e conexões MCP para seus modelos de imagem e vídeo, então o mesmo fluxo de trabalho pode se conectar às suas próprias ferramentas depois. Abra o PicassoIA, escolha um modelo e crie sua primeira imagem hoje.
Escolha seu idioma
