로컬 LM Studio API로 Cursor 에디터 무료 코딩 연동하는 방법

매달 나가는 Cursor 구독료를 아끼는 로컬 연동 가이드

매달 나가는 Cursor Pro 구독료 20달러가 아깝거나 회사 보안 규정 때문에 소스코드를 외부 서버로 보내기 찜찜한 적이 많았을 겁니다. 저 역시 로컬 코딩 환경을 고민하다가 결국 내 컴퓨터 성능만으로 돌아가는 로컬 LLM 연동에 정착했구요. 이번 글에서는 LM Studio를 띄워 로컬 API 서버를 만들고, 이를 Cursor 에디터에 연결하는 방법을 하나씩 풀어보겠습니다.

이 방법의 가장 큰 장점은 인터넷이 끊긴 비행기 안에서도 코딩 어시스턴트를 그대로 쓸 수 있다는 점입니다. 성능 좋은 그래픽카드 하나만 있으면 API 호출 횟수 제한 없이 하루 종일 무료로 툴을 굴릴 수 있으니까요.

Step 1: LM Studio 설치하고 코딩 모델 다운로드하기

먼저 공식 사이트에서 LM Studio 프로그램을 다운로드해 설치해야 합니다. 앱을 실행한 뒤 검색창에 코딩 전용으로 튜닝된 모델을 찾아야 하구요. 요즘 평이 좋은 Qwen2.5-Coder 모델이나 Llama-3-8B 계열이 무난한 편이죠.

가장 대중적인 용량은 Qwen2.5-Coder 7B 또는 14B 수준의 모델인데요. 본인 컴퓨터 그래픽카드 VRAM 용량에 맞춰 선택하는 것이 좋습니다. VRAM이 8GB 이하라면 7B 이하의 Q4_K_M 양자화 버전을 받아야 버벅거림 없이 구동되거든요. 다운로드 버튼을 누르면 내부 저장소에 모델 파일이 차례로 저장됩니다.

Step 2: 로컬 API 서버 구동하고 포트 확인하기

다운로드가 끝났다면 왼쪽 메뉴 탭에서 'Local Server' 아이콘을 클릭합니다. 상단 모델 선택 드롭다운에서 방금 다운로드한 Qwen 모델을 지정하구요. 서버 포트는 기본값인 1234로 지정되어 있을 텐데, 특별한 충돌이 없다면 그대로 쓰는 편이 낫습니다.

오른쪽 설정 패널에서 'JIT 컴파일러'나 'GPU 오프로드' 슬라이더를 100%로 올려 GPU 가속을 완전히 켜는 과정을 빼먹으면 안 됩니다. 그래야 로컬 서버가 CPU 대신 그래픽카드 자원을 써서 빠른 답변을 보내주니까요. 세팅을 마쳤다면 'Start Server' 버튼을 눌러 로컬 서버를 활성화합니다. 활성화되면 터미널 창에 서버가 켜졌다는 로그가 흐르기 시작할 겁니다.

Step 3: Cursor 에디터에서 OpenAI 호환 API 연동하기

이제 Cursor 에디터를 열고 우측 상단의 톱니바퀴 아이콘을 눌러 설정 창으로 들어갑니다. Models 탭으로 이동한 뒤 아래 단계를 거쳐 세팅을 진행하면 되구요.

기존에 켜져 있던 Cursor 기본 모델들은 전부 토글 스위치로 꺼 두는 것을 추천합니다. 그래야 Cursor가 외부 Anthropic이나 OpenAI 서버로 요청을 보내지 않고, 우리가 만든 로컬 API 경로로만 데이터를 요청하게 되거든요. 설정 창을 닫고 코드 에디터 화면으로 돌아오면 바로 사용 가능합니다.

내 컴퓨터 사양별 추천 로컬 모델 비교

사용 중인 PC 그래픽카드 등급에 맞춰 적절한 모델을 골라야 딜레이 없이 코딩 어시스턴트를 쓸 수 있습니다. 무턱대고 무거운 모델을 받으면 코드 한 줄 자동완성에 수십 초씩 기다려야 하는 불상사가 생기구요.

자동완성과 사이드바 챗을 분리해서 세팅하는 팁

로컬 모델을 연동할 때 팁이 있다면, 코드 자동완성(Tab autocomplete) 기능과 사이드바 챗(Chat) 기능을 분리해서 생각하는 것입니다. Tab 키를 눌러 코드를 자동완성하는 기능은 극도의 빠른 반응 속도가 필수적이라 로컬 1.5B 수준의 아주 가벼운 모델을 매핑해 두는 게 유리하구요. 반대로 전체 파일 구조를 설계하거나 버그 원인을 분석하는 사이드바 채팅창에는 7B나 14B 같이 추론력이 한 체급 높은 모델을 배치하는 조합이 훨씬 쾌적합니다. Cursor 설정창에서 각 기능별로 API 엔드포인트를 따로 매핑할 수 있으니 컴퓨터 사양에 맞춰 다양하게 세팅해 보길 바랍니다.

연동 중 자주 발생하는 오류와 해결법

서버를 다 켰는데도 Cursor에서 API 연결 오류가 뜨며 답변을 주지 못하는 상황이 생길 수 있습니다. 이럴 때는 LM Studio 콘솔 창에 적히는 에러 로그를 먼저 파악해야 하구요. 대표적으로 몇 가지 흔한 원인들이 존재합니다.

첫째로 로컬 방화벽이나 백신 프로그램이 1234 포트를 차단하는 상황입니다. 윈도우 방화벽 인바운드 규칙에서 해당 포트 접근을 허용하거나 임의의 다른 포트로 변경해 보시길 권장합니다.

둘째로 베이스 URL 마지막에 /v1 경로를 누락한 케이스를 꼽을 수 있구요. Cursor는 표준 OpenAI 규격을 따르므로 끝자리 경로까지 일치해야 패킷을 정상 수집할 수 있거든요. 경로가 제대로 잡혔다면 LM Studio 로그 창에 연결 성공을 뜻하는 GET 요청 로그가 찍히기 시작할 겁니다.

가장 체감되었던 사용성과 남은 한계

이 연동으로 하루에 수백 번 넘게 코드 리뷰를 시켜도 비용 부담이 전혀 없다는 게 가장 마음에 들었습니다. 깃허브에 커밋을 올리기 전에 껄끄러운 오타나 비효율적인 루프를 로컬에서 한 번 걸러내기 정말 편하구요. 다만 아무리 Qwen Coder가 좋아졌다고 해도 클라우드 기반의 Claude 3.5 Sonnet 같은 대형 모델의 추론 능력에는 비할 바가 못 됩니다. 간단한 유틸리티 함수 구현이나 리팩토링에는 손색없지만 복잡한 아키텍처를 새로 짜야 하는 단계에서는 유료 클라우드 모델을 병행해 쓰는 것이 효율적이라는 생각이 듭니다. 평소에는 로컬로 돌리다가 어려운 문제만 유료 모델을 켜는 하이브리드 방식으로 운영하는 것을 추천합니다.