В прошлом посте я остановился на мысли:

а что если использовать LM Studio не как отдельное приложение, а как локальный LLM-бэкенд для n8n?

Собственно, это я и попробовал сделать.

Идея была простая:

• n8n отвечает за workflow • LM Studio крутит локальную модель • модель вызывается через API • дальше можно навешивать дополнительные инструменты

Первый шаг оказался довольно простым.

Я поднял локальную модель в LM Studio и подключил её в n8n.

На этом этапе уже получается рабочая связка:

n8n может отправлять запрос в локальную модель и получать от неё ответ.

То есть вместо того, чтобы каждый раз идти в ChatGPT API и платить за токены, можно часть экспериментов гонять локально.

Для каких-то сложных задач это, конечно, не всегда замена топовым облачным моделям.

Но для простых автоматизаций, черновиков, преобразования текста или обработки данных — вполне рабочая история.

Но дальше быстро появилась следующая проблема.

Локальная модель сама по себе всё ещё довольно ограничена.

Она может хорошо работать с тем, что уже есть в запросе.

Но если ей нужна свежая информация или поиск в интернете, она упирается в стену.

И тут в игру заходит MCP.

Если совсем коротко, MCP — это способ дать модели доступ к внешним инструментам.

Например:

• поиск в интернете • работа с файлами • GitHub • базы данных • внутренние сервисы • любые другие штуки, для которых есть MCP-сервер

То есть модель перестаёт быть просто “текстогенератором”.

У неё появляются инструменты, которыми она может пользоваться для выполнения задачи.

Я начал с самого очевидного кейса — поиска в интернете.

Подключил SearXNG MCP к LM Studio и попробовал использовать локальную модель уже как агента с доступом к поиску.

И, что приятно, всё завелось.

В итоге схема стала такой:

n8n запускает workflow ↓ LM Studio принимает запрос к локальной модели ↓ модель понимает, что ей нужна дополнительная информация ↓ через MCP вызывает поиск ↓ собирает ответ ↓ возвращает результат обратно в n8n

И вот тут это уже начинает быть похоже не просто на “автоматизацию с LLM”, а на маленького локального AI-агента.

Пока очень простого, но уже с понятной архитектурой.

Получился небольшой локальный workflow, где модель не просто отвечает на запрос, а может использовать инструмент для поиска информации и возвращать результат обратно в цепочку.

Понятно, что это всё ещё экспериментальная история.

Ответы нужно валидировать, MCP-серверы нужно настраивать, а локальным моделям далеко до облачных.

Но как концепт для личных автоматизаций — выглядит очень интересно.

Дальше хочу попробовать собрать несколько прикладных сценариев под себя.

Если получится что-то реально полезное — поделюсь отдельно.

А если интересно, могу потом написать мини-гайд, как собрать такой локальный сетап:

n8n + LM Studio + MCP + SearXNG.