LM Studio MCP: Локальный AI-агент для новостей на GPT-OSS 20B — гайд | AiManual
AiManual Logo Ai / Manual.
02 Янв 2026 • Гайд

LM Studio MCP: Запускаем AI-агента для автоматизации новостей на GPT-OSS 20B — без API, денег и слежки

Пошаговый гайд по настройке локального AI-агента в LM Studio с MCP для автоматического сбора и анализа новостей без API и облаков.

Зачем вообще этот цирк?

Представьте: каждый день вы тратите час на пролистывание новостей, чтобы найти три стоящие статьи. Гугл завален мусором, ChatGPT просит деньги за каждое сообщение, а приватность — это что-то из 2010-х. Знакомая картина?

А теперь представьте другое: на вашем ноутбуке работает автономный агент, который сам ищет новости по вашим темам, фильтрует шум, кратко пересказывает и складывает в удобный формат. Без ежемесячных платежей, без отправки данных в облака, без ограничений по запросам. Звучит как фантастика? Это уже реальность.

MCP (Model Context Protocol) — это не просто очередной протокол. Это способ заставить локальные модели работать с внешними инструментами, как это делают облачные агенты OpenAI. Только вы контролируете всё.

Что у нас в арсенале

Стек выглядит минималистично, но бьёт точно в цель:

  • LM Studio — клиент для локальных моделей с поддержкой MCP
  • GPT-OSS 20B — 20-миллиардная модель от OpenRouter, которая умеет рассуждать и выполнять инструкции
  • Google Search MCP сервер — для поиска новостей через API
  • Headless браузер — для парсинга сайтов, которые блокируют простые запросы
  • Instagram scraper — опционально, для мониторинга соцсетей

GPT-OSS 20B — не самая большая модель, но для задач агента она подходит идеально. Она балансирует между качеством рассуждений и скоростью работы на потребительском железе. Если нужны более мощные модели, посмотрите обзор неазиатских open-source моделей для агентов.

Собираем пазл: установка и настройка

1 Качаем и настраиваем LM Studio

Первое, что нужно понять: LM Studio — это не просто игрушка для тестирования моделей. С версии 0.3.0 там появилась полноценная поддержка MCP, которая превращает его в платформу для агентов.

# Для macOS
brew install lmstudio

# Для Windows
# Качаем с официального сайта lmstudio.ai

# Для Linux
wget https://releases.lmstudio.ai/linux/latest/lmstudio.AppImage
chmod +x lmstudio.AppImage
./lmstudio.AppImage

После установки зайдите в настройки (Settings → MCP Servers) и включите поддержку MCP. Это неочевидный момент — по умолчанию она выключена.

2 Загружаем GPT-OSS 20B

В поиске моделей вбейте "GPT-OSS 20B". Модель весит около 12 ГБ в формате GGUF. Выбирайте квантование Q4_K_M — оптимальный баланс между качеством и размером.

Важный нюанс: не берите версии с большим контекстом (128K), если у вас не очень мощная видеокарта. Для новостного агента достаточно 8K контекста.

💡
Если LM Studio кажется слишком ограниченным, есть альтернативы. В статье о продвинутых приложениях для локальных LLM я разбираю семь других вариантов, некоторые из которых дают больше контроля.

3 Настраиваем MCP серверы

Вот где начинается магия. MCP серверы — это отдельные процессы, которые предоставляют инструменты для модели. Нам нужны два:

# Google Search MCP сервер
npm install -g @modelcontextprotocol/server-google-search

# Запускаем с API ключом
GOOGLE_API_KEY=ваш_ключ GOOGLE_CSE_ID=ваш_cse_id \
mcp-server-google-search

Для Google Search API нужен ключ и Custom Search Engine ID. Это стоит 5 долларов в месяц за 1000 запросов — дешевле, чем ChatGPT Plus.

Второй сервер — для работы с браузером:

# Устанавливаем Playwright для headless браузера
pip install playwright
playwright install chromium

# Качаем MCP сервер для браузера
git clone https://github.com/someuser/mcp-server-browser
cd mcp-server-browser
npm install
npm start

4 Подключаем серверы к LM Studio

В LM Studio идем в Chat → Configure MCP Servers. Добавляем два сервера:

{
  "mcpServers": {
    "google-search": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-google-search"],
      "env": {
        "GOOGLE_API_KEY": "ваш_ключ",
        "GOOGLE_CSE_ID": "ваш_cse_id"
      }
    },
    "browser": {
      "command": "node",
      "args": ["/путь/к/mcp-server-browser/build/index.js"],
      "env": {}
    }
  }
}

Перезапускаем LM Studio. Теперь в интерфейсе чата должны появиться иконки инструментов.

Промпт, который работает (а не просто выглядит умно)

Вот промпт, который заставляет агента работать как швейцарские часы:

Ты — автономный новостной агент. Твоя задача — собирать и анализировать новости по заданным темам.

Доступные инструменты:
1. google_search(query, num_results=5) — поиск в Google
2. browse_page(url) — загрузка и анализ веб-страницы

Алгоритм работы:
1. Для каждой темы из списка выполни поиск новостей за последние 24 часа
2. Отфильтруй результаты: исключи рекламу, пресс-релизы, дубли
3. Для каждого значимого результата загрузи страницу и извлеки ключевую информацию
4. Сформируй отчет в формате:
   - Заголовок
   - Источник и дата
   - Краткое содержание (3-4 предложения)
   - Ключевые тезисы
   - Важность (высокая/средняя/низкая)

Темы для мониторинга: [искусственный интеллект, локальные LLM, open-source модели, MCP протокол]

Важные правила:
- Не делай больше 5 запросов в минуту к Google Search API
- Если страница не загружается через browse_page, пропусти ее
- Сортируй новости по важности, а не по дате
- Игнорируй новости, которые являются перепечатками старых материалов

Самая частая ошибка — давать агенту слишком общие инструкции. Чем конкретнее промпт, тем лучше результат. Не пишите "найди интересные новости", пишите "найди новости об открытии новых моделей или серьезных уязвимостях".

Коулдаун — секретное оружие против лимитов API

Вот что никто не рассказывает: MCP серверы в LM Studio не имеют встроенного rate limiting. Если агент начнет делать запросы каждую секунду, ваш Google API ключ сгорит за минуту.

Решение — коулдаун функция в промпте:

Перед каждым вызовом google_search:
1. Проверь, не было ли предыдущего запроса менее 12 секунд назад
2. Если было — подожди 12 секунд
3. Запиши время текущего запроса

Это критически важно для соблюдения лимитов API.

На практике это выглядит так: агент сам следит за временем между запросами. Примитивно? Да. Работает? Абсолютно.

Почему это лучше облачных решений

Критерий LM Studio + MCP Облачные агенты (OpenAI)
Стоимость 5$/мес (Google API) + 0$ (модель) 20-50$/мес + плата за токены
Приватность Все данные локально Все запросы уходят в облако
Кастомизация Любые модели, любые инструменты Только то, что дает провайдер
Лимиты Только лимиты вашего железа Rate limits, токен лимиты, запросы/день

Но есть и недостатки. GPT-OSS 20B иногда галлюцинирует. Может пропустить важную новость. Может неправильно оценить важность. Зато она учится на ваших правках — следующий запрос будет точнее.

Что делать, когда новостей слишком много

Через неделю работы агент начнет приносить десятки новостей в день. Большинство из них — шум. Вот как это фильтровать:

Дополнительные правила фильтрации:
1. Если в заголовке есть слова "мог бы", "возможно", "эксперты считают" — понижай важность
2. Новости о стартапах, которые только собрали деньги — низкая важность
3. Новости о выходе новых версий библиотек — средняя важность
4. Критические уязвимости или прорывные исследования — высокая важность
5. Если один и тот же факт повторяется в 3+ источниках — оставляй только первоисточник

Эти правила кажутся субъективными? Так и есть. Но они работают лучше, чем абстрактные "найди важные новости".

💡
Для более сложных сценариев фильтрации можно добавить простую RAG систему, которая будет сравнивать новости с вашими прошлыми интересами. Или построить stateful memory для агента, чтобы он запоминал, что вам уже показывал.

Типичные ошибки (и как их не совершать)

Ошибка 1: Забыть про лимиты Google Search API. Решение — тот самый коулдаун в промпте.

Ошибка 2: Использовать слишком тяжелую модель. GPT-OSS 20B на Q4_K_M работает на MacBook M1 с 16 ГБ оперативки. Более тяжелые модели будут тормозить.

Ошибка 3: Давать агенту слишком широкие темы. "Технологии" — плохо. "Локальные LLM, новые версии PyTorch, уязвимости в трансформерах" — хорошо.

Ошибка 4: Не проверять результаты первые несколько дней. Агент нужно тренировать, как собаку. Не понравилась новость — скажите об этом в чате. Модель запомнит.

А что насчет Instagram и других соцсетей?

Технически можно добавить MCP сервер для Instagram scraping. Но готовьтесь к боли:

  • Instagram блокирует автоматические запросы
  • Нужны прокси и rotation user agents
  • Даже тогда аккаунт могут забанить

Если очень нужно — используйте headless браузер через Playwright с человеческими задержками. Но лучше ограничиться публичными источниками, которые не воюют со скрейпингом.

Куда развивать систему дальше

Работающий агент — это только начало. Вот что можно добавить:

  1. Автоматическое сохранение в базу данных — чтобы искать по истории
  2. Телеграм-бота — для отправки уведомлений
  3. Кластеризацию новостей — чтобы группировать похожие события
  4. Сводки по неделям/месяцам — с анализом трендов

Самое интересное — это возможность создать целую мультиагентную систему. Один агент ищет новости, второй анализирует их важность, третий готовит дайджест. Хотя для большинства задач один агент справляется лучше, чем три — меньше сложностей с координацией. Об этом я писал в статье про излишность мультиагентных систем.

Главный секрет не в сложности системы, а в ее стабильности. Агент, который работает месяц без сбоев, полезнее навороченной системы, которая падает каждый день.

Что будет, когда все это надоест

Через месяц-два вы поймете, что 80% новостей — это повторение уже известного. Агент начнет приносить одни и те же новости под разными заголовками. Это не баг — это фича. Значит, система работает и фильтрует действительно новое.

В этот момент можно либо сузить темы, либо переключить агента на другую задачу. Тот же стек отлично работает для мониторинга цен, отслеживания изменений на сайтах, сбора отзывов.

Или можно пойти дальше и построить полностью локальную Agentic RAG систему, которая не просто собирает новости, но и анализирует их в контексте ваших документов.

Самое приятное во всей этой истории — вы не зависите ни от кого. Ни от OpenAI с их политикой использования, ни от Google с их ценами на API, ни даже от интернета (модель-то локальная). Вы просто взяли куски open-source мира и собрали из них то, что нужно именно вам.

И да, это работает. Прямо сейчас. На вашем ноутбуке.

←
На главную