Skip to main content
LM Studio 在本地运行 llama.cpp (GGUF) 或 MLX 模型，可作为 GUI 应用运行，也可作为无头 llmster 守护进程运行。安装和产品文档请参见 lmstudio.ai。

​
快速开始

1

安装并启动服务器

安装 LM Studio（桌面版）或 llmster（无头版），然后启动服务器：
lms server start --port 1234
或运行无头守护进程：
lms daemon up
如果使用桌面应用，请启用 JIT 以顺畅加载模型；请参见 LM Studio JIT 和 TTL 指南。
2

如果启用了身份验证，请设置 API 密钥

export LM_API_TOKEN="your-lm-studio-api-token"
如果禁用了 LM Studio 身份验证，请在设置期间将 API 密钥留空。请参见 LM Studio 身份验证。
3

运行新手引导

openclaw onboard
选择 LM Studio，然后在 Default model 提示中选择一个模型。
稍后更改默认模型： 
openclaw models set lmstudio/qwen/qwen3.5-9b
LM Studio 模型键使用 author/model-name 格式（例如 qwen/qwen3.5-9b）；OpenClaw 模型引用 会在前面添加提供商：lmstudio/qwen/qwen3.5-9b。运行以下命令并查看 key 字段， 即可找到模型的确切键： 
curl http://localhost:1234/api/v1/models

​
非交互式新手引导

openclaw onboard --non-interactive --accept-risk --auth-choice lmstudio
或者显式指定基础 URL、模型和 API 密钥： 
openclaw onboard \
  --non-interactive \
  --accept-risk \
  --auth-choice lmstudio \
  --custom-base-url http://localhost:1234/v1 \
  --lmstudio-api-key "$LM_API_TOKEN" \
  --custom-model-id qwen/qwen3.5-9b
--custom-model-id 接收 LM Studio 返回的模型键（例如 qwen/qwen3.5-9b），不包含 lmstudio/ 提供商前缀。对于需要身份验证的服务器，传入 --lmstudio-api-key（或设置 LM_API_TOKEN）； 对于不需要身份验证的服务器则省略它，OpenClaw 会改为存储一个本地非秘密标记。 --custom-api-key 仍为兼容性而接受，但首选 --lmstudio-api-key。 这会写入 models.providers.lmstudio，并将默认模型设置为 lmstudio/<custom-model-id>。 提供 API 密钥还会写入 lmstudio:default 身份验证配置文件。 交互式设置还可以提示输入首选加载上下文长度，并将其应用到保存到配置中的已发现模型。

​
配置

​
流式用量兼容性

LM Studio 并不总是在流式响应中发出 OpenAI 形态的 usage 对象。OpenClaw 会改为从 llama.cpp 风格的 timings.prompt_n / timings.predicted_n 元数据中恢复 token 计数。 任何解析为本地端点（环回主机）的 OpenAI 兼容端点都会获得相同的回退， 这涵盖 vLLM、SGLang、llama.cpp、LocalAI、Jan、TabbyAPI 和 text-generation-webui 等其他本地后端。

​
Thinking 兼容性

当 LM Studio 的 /api/v1/models 发现接口报告模型特定推理选项时，OpenClaw 会在模型兼容性元数据中暴露匹配的 reasoning_effort 值（none、minimal、low、medium、high、xhigh）。 某些 LM Studio 构建会公布二元 UI 选项（allowed_options: ["off", "on"]），但在 /v1/chat/completions 上拒绝这些字面值；OpenClaw 会在发送请求前将该二元形态 规范化为六级刻度，包括仍包含 off/on 推理映射的旧版已保存配置。

​
显式配置

{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://localhost:1234/v1",
        apiKey: "${LM_API_TOKEN}",
        api: "openai-completions",
        models: [
          {
            id: "qwen/qwen3-coder-next",
            name: "Qwen 3 Coder Next",
            reasoning: false,
            input: ["text"],
            cost: { input: 0, output: 0, cacheRead: 0, cacheWrite: 0 },
            contextWindow: 128000,
            maxTokens: 8192,
          },
        ],
      },
    },
  },
}

​
禁用预加载

LM Studio 支持即时（JIT）模型加载，即在首次请求时加载模型。OpenClaw 默认通过 LM Studio 的原生加载端点预加载模型，这在禁用 JIT 时很有帮助。 若要改由 LM Studio 的 JIT、空闲 TTL 和自动逐出行为拥有模型生命周期， 请禁用 OpenClaw 的预加载步骤： 
{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://localhost:1234/v1",
        api: "openai-completions",
        params: { preload: false },
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}

​
LAN 或 tailnet 主机

使用 LM Studio 主机的可达地址，保留 /v1，并确保该机器上的 LM Studio 绑定到环回以外的地址： 
{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://gpu-box.local:1234/v1",
        apiKey: "lmstudio",
        api: "openai-completions",
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}
lmstudio 会自动信任其配置端点来发起模型请求，包括环回、LAN 和 tailnet 主机 （元数据/链路本地来源除外）。任何自定义/本地 OpenAI 兼容提供商条目都会获得相同的精确来源信任。 发往不同私有主机或端口的请求仍需要 models.providers.<id>.request.allowPrivateNetwork: true； 将其设置为 false 可选择退出默认信任。

​
故障排查

​
未检测到 LM Studio

确保 LM Studio 正在运行： 
lms server start --port 1234
如果启用了身份验证，还要设置 LM_API_TOKEN。验证 API 是否可访问： 
curl http://localhost:1234/api/v1/models

​
身份验证错误（HTTP 401）

  • 检查 LM_API_TOKEN 是否与 LM Studio 中配置的密钥匹配。
  • 请参见 LM Studio 身份验证。
  • 如果服务器不需要身份验证，请在设置期间将密钥留空。

​
相关内容