LM Studio

LM Studio مدل‌های llama.cpp (GGUF) یا MLX را به‌صورت محلی، در قالب یک برنامهٔ GUI یا daemon بدون رابط llmster اجرا می‌کند. برای راهنمای نصب و مستندات محصول، به lmstudio.ai مراجعه کنید.

شروع سریع

lms server start --port 1234

lms daemon up

export LM_API_TOKEN="your-lm-studio-api-token"

openclaw onboard

بعداً مدل پیش‌فرض را تغییر دهید:

openclaw models set lmstudio/qwen/qwen3.5-9b

کلیدهای مدل LM Studio از قالب author/model-name استفاده می‌کنند (برای مثال qwen/qwen3.5-9b)؛ ارجاع‌های مدل OpenClaw ارائه‌دهنده را به ابتدای آن می‌افزایند: lmstudio/qwen/qwen3.5-9b. برای یافتن کلید دقیق یک مدل، فرمان زیر را اجرا کنید و فیلد key را ببینید:

curl http://localhost:1234/api/v1/models

راه‌اندازی اولیهٔ غیرتعاملی

openclaw onboard --non-interactive --accept-risk --auth-choice lmstudio

یا نشانی URL پایه، مدل و کلید API را صریحاً مشخص کنید:

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 کلید مدل را همان‌گونه که LM Studio برمی‌گرداند (برای مثال qwen/qwen3.5-9b) و بدون پیشوند ارائه‌دهندهٔ lmstudio/ دریافت می‌کند. برای سرورهای دارای احراز هویت، --lmstudio-api-key را ارسال کنید (یا LM_API_TOKEN را تنظیم کنید)؛ برای سرورهای بدون احراز هویت آن را حذف کنید تا OpenClaw در عوض یک نشانگر محلیِ غیرمحرمانه ذخیره کند. --custom-api-key همچنان برای سازگاری پذیرفته می‌شود، اما --lmstudio-api-key ترجیح داده می‌شود.

این کار models.providers.lmstudio را می‌نویسد و مدل پیش‌فرض را روی lmstudio/<custom-model-id> تنظیم می‌کند. ارائهٔ کلید API همچنین پروفایل احراز هویت lmstudio:default را می‌نویسد.

راه‌اندازی تعاملی می‌تواند علاوه بر این، طول زمینهٔ بارگذاری ترجیحی را بپرسد و آن را روی مدل‌های کشف‌شده‌ای که در پیکربندی ذخیره می‌کند اعمال کند.

پیکربندی

سازگاری مصرف در استریم

LM Studio همیشه یک شیء usage با ساختار OpenAI را در پاسخ‌های استریم‌شده منتشر نمی‌کند. OpenClaw در عوض، تعداد توکن‌ها را از فرادادهٔ سبک llama.cpp یعنی timings.prompt_n / timings.predicted_n بازیابی می‌کند. هر نقطهٔ پایانی سازگار با OpenAI که به‌عنوان نقطهٔ پایانی محلی (میزبان loopback) شناسایی شود، همین سازوکار جایگزین را دریافت می‌کند که بک‌اندهای محلی دیگر مانند vLLM، SGLang، llama.cpp، LocalAI، Jan، TabbyAPI و text-generation-webui را نیز پوشش می‌دهد.

سازگاری تفکر

وقتی کشف /api/v1/models در LM Studio گزینه‌های استدلال مختص مدل را گزارش می‌کند، OpenClaw مقادیر متناظر reasoning_effort (none، minimal، low، medium، high، xhigh) را در فرادادهٔ سازگاری مدل ارائه می‌کند. برخی نسخه‌های LM Studio یک گزینهٔ دودویی UI (allowed_options: ["off", "on"]) را اعلام می‌کنند، اما آن مقادیر تحت‌اللفظی را در /v1/chat/completions رد می‌کنند؛ OpenClaw پیش از ارسال درخواست‌ها، این ساختار دودویی را به مقیاس شش‌سطحی عادی‌سازی می‌کند؛ از جمله برای پیکربندی‌های ذخیره‌شدهٔ قدیمی‌تر که هنوز نگاشت‌های استدلال off/on را دارند.

پیکربندی صریح

{  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,          },        ],      },    },  },}

غیرفعال کردن پیش‌بارگذاری

LM Studio از بارگذاری به‌هنگام (JIT) مدل پشتیبانی می‌کند و مدل‌ها را در نخستین درخواست بارگذاری می‌کند. OpenClaw به‌طور پیش‌فرض مدل‌ها را از طریق نقطهٔ پایانی بومی بارگذاری LM Studio پیش‌بارگذاری می‌کند که هنگام غیرفعال بودن JIT مفید است. برای اینکه JIT، TTL بیکاری و رفتار تخلیهٔ خودکار LM Studio چرخهٔ عمر مدل را مدیریت کنند، مرحلهٔ پیش‌بارگذاری OpenClaw را غیرفعال کنید:

{  models: {    providers: {      lmstudio: {        baseUrl: "http://localhost:1234/v1",        api: "openai-completions",        params: { preload: false },        models: [{ id: "qwen/qwen3.5-9b" }],      },    },  },}

میزبان LAN یا tailnet

از نشانی قابل‌دسترسی میزبان LM Studio استفاده کنید، /v1 را نگه دارید و مطمئن شوید LM Studio روی آن دستگاه فراتر از loopback متصل شده است:

{  models: {    providers: {      lmstudio: {        baseUrl: "http://gpu-box.local:1234/v1",        apiKey: "lmstudio",        api: "openai-completions",        models: [{ id: "qwen/qwen3.5-9b" }],      },    },  },}

lmstudio به‌طور خودکار به نقطهٔ پایانی پیکربندی‌شدهٔ خود برای درخواست‌های مدل اعتماد می‌کند؛ از جمله میزبان‌های loopback، LAN و tailnet (به‌جز مبدأهای فراداده/link-local). هر ورودی سفارشی/محلیِ ارائه‌دهندهٔ سازگار با OpenAI نیز همین اعتماد به مبدأ دقیق را دریافت می‌کند. درخواست‌ها به میزبان خصوصی یا درگاه دیگری همچنان به models.providers.<id>.request.allowPrivateNetwork: true نیاز دارند؛ برای انصراف از اعتماد پیش‌فرض، آن را روی false تنظیم کنید.

عیب‌یابی

LM Studio شناسایی نمی‌شود

مطمئن شوید LM Studio در حال اجرا است:

lms server start --port 1234

اگر احراز هویت فعال است، LM_API_TOKEN را نیز تنظیم کنید. در دسترس بودن API را بررسی کنید:

curl http://localhost:1234/api/v1/models

خطاهای احراز هویت (HTTP 401)

• بررسی کنید که LM_API_TOKEN با کلید پیکربندی‌شده در LM Studio مطابقت داشته باشد.
• به احراز هویت LM Studio مراجعه کنید.
• اگر سرور به احراز هویت نیاز ندارد، هنگام راه‌اندازی کلید را خالی بگذارید.

مرتبط

• انتخاب مدل
• Ollama
• مدل‌های محلی