تصور کنید می‌دانید دقیقاً چه کاری می‌خواهید انجام دهید، اما نمی‌دانید چه ابزاری را باید نصب کنید. این درماندگی رایج، توصیف‌کننده وضعیت فعلی کاربران مدل‌های زبانی محلی است که برای کارهایی مثل ویرایش ویدیو، کار با فایل‌ها یا جست‌وجوی وب، در چرخه‌ای از آزمون و خطای خسته‌کننده گرفتار شده‌اند. در ۱۴ سپتامبر ۲۰۲۶، پلتفرم Local AI Tools به‌عنوان یک بازار متن‌باز معرفی شد تا با متمرکز کردن افزونه‌های بومی LM Studio و سرورهای پروتکل زمینه مدل (Model Context Protocol یا MCP) در یک کاتالوگ واحد و قابل جست‌وجو، این آشفتگی را پایان دهد.
کاربران مدل‌های محلی معمولاً در تشخیص تفاوت میان افزونه‌های بومی و سرورهای MCP دچار سردرگمی می‌شوند؛ این دو، انواع متفاوتی از ادغام هستند که هر دو قابلیت‌های مدل را گسترش می‌دهند. این سردرگمی در بحث‌های جامعه کاربری، به‌ویژه در Reddit، کاملاً مشهود است؛ جایی که کاربرانی که درخواست لیستی متمرکز از افزونه‌ها را دارند، اغلب به‌جای افزونه‌ها، پیشنهادهایی برای سرورهای MCP دریافت می‌کنند. در حالی که افزونه‌های بومی مختص LM Studio Hub هستند، سرورهای MCP به یک استاندارد گسترده‌تر در صنعت تعلق دارند. این استاندارد اجازه می‌دهد ابزارهای مختلفی مانند Figma و Jira به‌طور رسمی با مدل‌های زبانی ارتباط برقرار کنند، همان‌طور که در گزارش قبلی ما درباره پشتیبانی رسمی این پلتفرم‌ها از سرورهای MCP بررسی شد. Local AI Tools با افزودن یک لایه سازگاری مخصوص LM Studio روی رجیستری‌های موجود، حدس و گمان را از این فرآیند حذف می‌کند.
پیمایش در اکوسیستم
این پلتفرم به کاربران اجازه می‌دهد به‌جای نیاز به دانستن نام دقیق یک پکیج، بر اساس «قابلیت» جست‌وجو کنند؛ مثلاً با تایپ کلمات «ویدیو»، «حافظه» یا «جست‌وجوی وب». این تغییر رویکرد از کشف «نام‌محور» به کشف «وظیفه‌محور»، به کاربران کمک می‌کند تا پیش از آنکه متعهد به نصب یک ابزار شوند، بفهمند چه کارهایی در محیط محلی‌شان ممکن است.
به نقل از مستندات پروژه در sahansera.dev، این دایرکتوری لیست‌های عمومی LM Studio Hub و رجیستری رسمی MCP را با هم ترکیب کرده است. کاربران می‌توانند ابزارها را بر اساس نوع ادغام فیلتر کنند یا لیستی ترکیبی از تمام ابزارها را مرور کنند. هدف نهایی این است که اطلاعات مربوط به سازگاری، نحوه راه‌اندازی (Setup)، زمان اجرا (Runtime) و منبع ابزار (Provenance) همگی در یک مکان واحد ارائه شوند.
مکانیزم‌های کشف ابزار
فرآیند کشف با قابلیتی شروع می‌شود که کاربر به آن نیاز دارد. از آن نقطه، کاربر می‌تواند نوع خاص ادغام و تنظیماتی که برای آن لازم است را بررسی کند. این سازوکار مانع از بروز مشکل رایجی می‌شود که در آن کاربر ابزاری را پیدا می‌کند اما نمی‌تواند تشخیص دهد که آیا آن ابزار واقعاً با پیکربندی خاص LM Studio او سازگار است یا خیر.
با کنار هم قرار دادن این اکوسیستم‌های پراکنده, Local AI Tools به‌عنوان یک پل عمل می‌کند. این پلتفرم به کاربران اجازه می‌دهد بازار ابزارها را مرور کرده و برای افزونه‌های بومی مستقیماً به LM Studio پرش کنند، یا بررسی کنند که آیا متادیتای منتشر شده برای یک سرور MCP به‌طور ایمن با محیط محلی آن‌ها مطابقت دارد یا خیر. این رویکرد در واقع بخشی از جنبش گسترده‌تری است که با هدف حذف وابستگی به ابر و تقویت حریم خصوصی در چت‌بات‌های AI به سمت پردازش محلی حرکت می‌کند.
لایه سازگاری و برچسب‌گذاری
یکی از حیاتی‌ترین ویژگی‌های این ابزار، برچسب‌گذاری سازگاری برای سرورهای MCP است. LM Studio از هر دو نوع سرورهای MCP محلی و راه دور پشتیبانی می‌کند و پیکربندی آن‌ها معمولاً از طریق فایل mcp.json یا یک لینک «Add to LM Studio» انجام می‌شود. از آن‌جا که همه سرورهای MCP بلافاصله قابل استفاده نیستند، دایرکتوری یکی از سه برچسب زیر را اختصاص می‌دهد:
- LM Studio Ready: متادیتای ابزار به‌گونه‌ای است که می‌تواند بدون نیاز به مقادیر اضافی از سوی کاربر، یک پیکربندی تولید کند. با این حال، کاربران باید پیش از افزودن، منبع و الزامات زمان اجرا را بررسی کنند.
- Setup Required: مقادیر اضافی مانند کلیدهای دسترسی (Credentials)، مسیرهای فایل (Paths) یا آرگومان‌ها مورد نیاز است. کاربران باید بخش جزئیات را باز کنند تا ببینند چه ورودی‌هایی را باید ارائه دهند.
- Compatibility Unknown: اطلاعات کافی برای تعیین وضعیت پیکربندی وجود ندارد. در این حالت، کاربران باید برای راه‌اندازی دستی به مستندات اصلی (Upstream) مراجعه کنند.
صفحه اصلی در ابتدا ورودی‌های «Ready» را فیلتر می‌کند، هرچند کاربران می‌توانند فیلتر سازگاری را تغییر دهند تا ابزارهای نیازمند تنظیمات یا ابزارهای با وضعیت نامشخص را نیز ببینند. برچسب «Unknown» نشان‌دهنده ناقص بودن متاداتا است و لزوماً به معنای عدم سازگاری تایید شده نیست.
مسیرهای ادغام و نصب
افزونه‌های بومی Hub و سرورهای MCP مسیرهای نصب متفاوتی را دنبال می‌کنند. افزونه‌های بومی از لینک‌های نصب اختصاصی LM Studio استفاده می‌کنند، اما ممکن است همچنان به نرم‌افزارهای خارجی که روی ماشین میزبان نصب شده‌اند وابسته باشند.
در مقابل، سرورهای MCP قابلیت‌های خود را از طریق پروتکل زمینه مدل ارائه می‌دهند. دایرکتوری بررسی می‌کند که آیا متادیتای منبع برای تولید یک پیکربندی معتبر در LM Studio کافی است یا خیر، تا کاربر از خطاهای پیکربندی دستی در فایل mcp.json جلوگیری کند.
کاربرد عملی: ابزارهای ویدیو
برای نمایش این گردش کار، نویسنده ابزار Local Video Tools را برجسته می‌کند؛ یک افزونه بومی که بازرسی، برش و تبدیل ویدیو را از طریق FFmpeg ممکن می‌کند. این ابزار مدیریت کارهای FFmpeg را به LM Studio می‌سپارد تا شتاب‌دهنده‌های سخت‌افزاری بدون متوقف کردن فراخوانی‌های AI در طول تبدیل‌های طولانی ویدیو، فعال بمانند.
گردش کار اصلی Local Video Tools (نسخه ۰.۱.۲ پیش‌نمایش اولیه) با ویدیوهای واقعی 4K HEVC/H.265 MOV روی سیستم‌های اپل سیلیکون تایید شده است. این ابزار قابلیت‌های زیر را پشتیبانی می‌کند:
- برش بدون افت کیفیت (Lossless clipping)
- رمزگذاری مجدد دقیق (Accurate re-encoding)
- تبدیل از طریق VideoToolbox
- ردیابی پیشرفت و قابلیت لغو عملیات
- امن‌سازی مرزهای سیستم فایل و کارهای ذخیره‌شده (Persisted-job boundary hardening)
مراحل پیاده‌سازی
برای نصب ابزاری مانند Local Video Tools، دایرکتوری توالی زیر را پیشنهاد می‌دهد:
- باز کردن Local AI Tools و انتخاب «LM Studio plugins» در فیلتر نوع.
- جست‌وجوی کلمه «video» و شناسایی ابزار توسط نویسنده (sahansera) برای اطمینان از انتخاب ابزار درست در میان گزینه‌هایی با نام‌های مشابه.
- استفاده از فلش برای باز کردن صفحه جزئیات جهت بررسی توصیفات، اطلاعات زمان اجرا و لینک منبع.
- مطالعه دقیق دستورالعمل‌های نصب.
- استفاده از علامت «+» روی کارت یا دکمه «Add to LM Studio» برای شروع فرآیند نصب.
نکته حیاتی این است که دایرکتوری تصریح می‌کند وجود یک «دکمه نصب» به معنای پیکربندی کامل ابزار نیست. برای مثال، Local Video Tools نیازمند نصب مستقل FFmpeg و ffprobe روی ماشین میزبان است، فارغ از اینکه خود افزونه نصب شده باشد یا خیر.
معماری فنی و ریسک‌ها
این پروژه که با فریم‌ورک Astro ساخته شده و تحت لایسنس MIT است، به‌صورت فایل‌های استاتیک منتشر می‌شود. فرآیند کشف و غنی‌سازی داده‌ها در طول مرحله Build اتفاق می‌افتد تا سرعت و سبکی سایت حفظ شود. لازم به ذکر است که این یک پروژه مستقل جامعه‌محور است و هیچ وابستگی رسمی به شرکت LM Studio ندارد و توسط آن‌ها تایید نشده است.
دایرکتوری همچنین اطلاعات حیاتی زمان اجرا را نمایش می‌دهد، از جمله:
- نیاز به کلیدهای API
- نیاز به دسترسی‌های شبکه
- دسترسی به سیستم فایل
- اطلاعات منبع و سطح ریسک
با این حال، توسعه‌دهنده اشاره می‌کند که این سیگنال‌ها اغلب از روی متاداتا استنباط شده‌اند و به‌معنای یک بازرسی امنیتی (Security Audit) کامل نیستند. نویسنده هر ابزار لیست شده را با هر مدل آزمایش نکرده است. کاربران تشویق می‌شوند هنگام تصمیم‌گیری برای نصب، پروژه اصلی (Upstream) را بررسی کنند.
ملاحظات نهایی
این ابزار به‌طور موثری عمل «یافتن یک قابلیت» را از عمل «پیکربندی محیط» جدا می‌کند. در حالی که کاتالوگ بحث کشف و تولید پیکربندی را مدیریت می‌کند، عملکرد نهایی همچنان به مدل خاص انتخابی، محیط ابزار و سخت‌افزار محلی وابسته است.
برای کسانی که می‌خواهند مشارکت کنند، پروژه در گیت‌هاب باز است. بیشترین نیازهای فعلی به صورت ملموس عبارتند از: گزارش افزونه‌های گم‌شده، اصلاح دسته‌بندی‌های نادرست یا شناسایی پیش‌نیازهای نصبی که در لیست‌ها نادیده گرفته شده‌اند. مشارکت‌کنندگان باید لینک عمومی ابزار و اصلاحات لازم را در یک GitHub Issue ارسال کنند.
گام بعدی شما
- اگر از LM Studio استفاده می‌کنید، به Local AI Tools مراجعه کنید و ابزارهای «Ready» را برای گسترش قابلیت‌های مدل خود امتحان کنید.
- پیش از نصب هر ابزار، پیش‌نیازهای سیستم (مانند FFmpeg) را در بخش جزئیات بررسی کنید تا با خطای اجرا مواجه نشوید.
- در صورت یافتن ابزاری که در لیست نیست یا اطلاعاتش غلط است، از طریق GitHub Issue گزارش دهید.
اما داستان سخت‌افزاری اجرای این ابزارها در محیط محلی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی VRAM در مدل‌های کوانتیده مراجعه کنید.
گفتگو