LM Studio

LM Studio مدل‌های llama.cpp‏ (GGUF) یا MLX را به‌صورت محلی، در قالب یک برنامهٔ رابط گرافیکی 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

برای تغییر مدل پیش‌فرض در آینده:

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 نام ارائه‌دهنده را به ابتدای آن اضافه می‌کنند: lmstudio/qwen/qwen3.5-9b. برای یافتن کلید دقیق یک مدل، فرمان زیر را اجرا کنید و فیلد key را بررسی کنید:

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

راه‌اندازی اولیهٔ غیرتعاملی

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

یا نشانی پایه، مدل و کلید API را به‌طور صریح 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 بازگردانده‌شده توسط LM Studio را می‌پذیرد (برای مثال qwen/qwen3.5-9b)، بدون پیشوند ارائه‌دهندهٔ lmstudio/. 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 به‌جای آن یک نشانگر محلی و 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 یک کلید API همچنین پروفایل احراز هویت lmstudio:default را می‌نویسد.

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

پیکربندی

سازگاری مصرف در جریان‌دهی

LM Studio همیشه در پاسخ‌های جریانی یک شیء usage با ساختار OpenAI منتشر نمی‌کند. OpenClaw به‌جای آن شمار توکن‌ها را از فرادادهٔ سبک llama.cpp یعنی timings.prompt_n و timings.predicted_n بازیابی می‌کند. هر نقطهٔ پایانی سازگار با OpenAI که به‌عنوان نقطهٔ پایانی محلی (میزبان local loopback) تشخیص داده شود، همین سازوکار جایگزین را دریافت می‌کند؛ این موضوع سایر بک‌اندهای محلی مانند vLLM، SGLang، llama.cpp، LocalAI، Jan، TabbyAPI و text-generation-webui را نیز پوشش می‌دهد.

سازگاری تفکر

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

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,          },        ],      },    },  },}

غیرفعال‌کردن پیش‌بارگذاری

LM Studio از بارگذاری به‌موقع (JIT) مدل پشتیبانی می‌کند و مدل‌ها را هنگام نخستین درخواست بارگذاری می‌کند. OpenClaw به‌طور پیش‌فرض مدل‌ها را از طریق نقطهٔ پایانی بومی بارگذاری LM Studio پیش‌بارگذاری می‌کند؛ این کار زمانی مفید است که JIT غیرفعال باشد. برای اینکه JIT در LM Studio، TTL زمان بیکاری و رفتار تخلیهٔ خودکار، 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 حفظ کنید و مطمئن شوید LM Studio در آن دستگاه روی نشانی‌ای فراتر از loopback مقید شده است:

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

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

رفع اشکال

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. دردسترس‌بودن 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.

مطالب مرتبط

• انتخاب مدل
• Ollama
• مدل‌های محلی