LM Studio

LM Studio uruchamia lokalnie modele llama.cpp (GGUF) lub MLX jako aplikacja z interfejsem graficznym albo bezinterfejsowy demon llmster. Instrukcje instalacji i dokumentację produktu można znaleźć na stronie lmstudio.ai.

Szybki start

lms server start --port 1234

lms daemon up

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

openclaw onboard

Aby później zmienić model domyślny:

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

Klucze modeli LM Studio używają formatu author/model-name (np. qwen/qwen3.5-9b); odwołania do modeli OpenClaw są poprzedzane nazwą dostawcy: lmstudio/qwen/qwen3.5-9b. Dokładny klucz modelu można znaleźć, uruchamiając poniższe polecenie i sprawdzając pole key:

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

Nieinteraktywna konfiguracja początkowa

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

Można też jawnie określić bazowy adres URL, model i klucz API:

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 przyjmuje klucz modelu zwrócony przez LM Studio (np. qwen/qwen3.5-9b), bez prefiksu dostawcy lmstudio/. W przypadku serwerów z uwierzytelnianiem należy przekazać --lmstudio-api-key (lub ustawić LM_API_TOKEN); w przypadku serwerów bez uwierzytelniania należy go pominąć, a OpenClaw zapisze zamiast niego lokalny znacznik niebędący sekretem. --custom-api-key jest nadal obsługiwany w celu zachowania zgodności, ale preferowany jest --lmstudio-api-key.

Powoduje to zapisanie models.providers.lmstudio i ustawienie modelu domyślnego na lmstudio/<custom-model-id>. Podanie klucza API powoduje również zapisanie profilu uwierzytelniania lmstudio:default.

Konfiguracja interaktywna może dodatkowo wyświetlić monit o preferowaną długość kontekstu ładowania i zastosować ją do wykrytych modeli zapisywanych w konfiguracji.

Konfiguracja

Zgodność użycia podczas strumieniowania

LM Studio nie zawsze emituje obiekt usage zgodny z formatem OpenAI w odpowiedziach strumieniowych. OpenClaw odzyskuje zamiast tego liczbę tokenów z metadanych timings.prompt_n / timings.predicted_n w stylu llama.cpp. Ten sam mechanizm rezerwowy jest stosowany do każdego punktu końcowego zgodnego z OpenAI rozpoznanego jako lokalny (host pętli zwrotnej), co obejmuje inne lokalne zaplecza, takie jak vLLM, SGLang, llama.cpp, LocalAI, Jan, TabbyAPI i text-generation-webui.

Zgodność trybu rozumowania

Gdy mechanizm wykrywania /api/v1/models w LM Studio zgłasza opcje rozumowania specyficzne dla modelu, OpenClaw udostępnia odpowiadające im wartości reasoning_effort (none, minimal, low, medium, high, xhigh) w metadanych zgodności modelu. Niektóre kompilacje LM Studio udostępniają binarną opcję interfejsu (allowed_options: ["off", "on"]), jednocześnie odrzucając te dosłowne wartości w /v1/chat/completions; OpenClaw normalizuje ten binarny format do sześciopoziomowej skali przed wysłaniem żądań, również w przypadku starszej zapisanej konfiguracji, która nadal zawiera mapy rozumowania off/on.

Konfiguracja jawna

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

Wyłączanie wstępnego ładowania

LM Studio obsługuje ładowanie modeli just-in-time (JIT), czyli ładowanie ich przy pierwszym żądaniu. OpenClaw domyślnie ładuje modele wstępnie za pośrednictwem natywnego punktu końcowego ładowania LM Studio, co jest pomocne, gdy JIT jest wyłączone. Aby zamiast tego cyklem życia modelu zarządzały mechanizmy JIT, TTL bezczynności i automatycznego usuwania LM Studio, należy wyłączyć etap wstępnego ładowania OpenClaw:

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

Host w sieci LAN lub tailnet

Należy użyć osiągalnego adresu hosta LM Studio, zachować /v1 i upewnić się, że LM Studio nasłuchuje na tym komputerze także poza interfejsem pętli zwrotnej:

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

lmstudio automatycznie ufa skonfigurowanemu punktowi końcowemu w przypadku żądań dotyczących modeli, w tym hostom pętli zwrotnej, sieci LAN i tailnet (z wyjątkiem źródeł metadanych/link-local). Każdy niestandardowy/lokalny wpis dostawcy zgodnego z OpenAI otrzymuje takie samo zaufanie do dokładnego źródła. Żądania kierowane do innego prywatnego hosta lub portu nadal wymagają models.providers.<id>.request.allowPrivateNetwork: true; należy ustawić wartość false, aby zrezygnować z domyślnego zaufania.

Rozwiązywanie problemów

LM Studio nie zostało wykryte

Należy upewnić się, że LM Studio jest uruchomione:

lms server start --port 1234

Jeśli uwierzytelnianie jest włączone, należy również ustawić LM_API_TOKEN. Należy sprawdzić, czy API jest dostępne:

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

Błędy uwierzytelniania (HTTP 401)

• Należy sprawdzić, czy LM_API_TOKEN odpowiada kluczowi skonfigurowanemu w LM Studio.
• Zobacz Uwierzytelnianie LM Studio.
• Jeśli serwer nie wymaga uwierzytelniania, podczas konfiguracji należy pozostawić klucz pusty.

Powiązane materiały

• Wybór modelu
• Ollama
• Modele lokalne