名称： lmstudio-subagents
描述： "通过将任务分流至本地 LM Studio 模型，减少对付费服务商的令牌消耗。适用场景：(1) 成本控制——在质量满足要求时，使用本地模型进行摘要、提取、分类、改写、初稿审阅、头脑风暴等任务；(2) 避免对高频率或重复性任务调用付费 API；(3) 无需额外模型配置——即时加载与 REST API 兼容现有 LM Studio 设置；(4) 纯本地或隐私敏感的工作。要求 LM Studio 0.4+ 并启动服务器（默认端口 :1234）。无需 CLI。"
元数据： {"openclaw":{"requires":{},"tags":["local-model","local-llm","lm-studio","token-management","privacy","subagents"]}}
许可证： MIT

LM Studio 模型

在质量满足要求时，将任务分流至本地模型。基础 URL：http://127.0.0.1:1234。认证方式：Authorization: Bearer lmstudio。instance_id = loaded_instances[].id（同一模型可能有多个实例，例如 key 和 key:2）。

关键术语

• model：来自 GET models 响应中的 key；用于聊天和可选的加载操作。
• lm_studio_api_url：默认 http://127.0.0.1:1234（路径为 /api/v1/...）。
• response_id / previous_response_id：聊天返回 response_id；在状态保持对话中，将其作为 previous_response_id 传入。
• instance_id：用于卸载操作，仅使用 GET /api/v1/models 响应中对应模型的 loaded_instances[].id 值。不要假定它等于模型 key；多实例情况下 ID 可能类似 key:2。LM Studio 文档：List (loaded_instances[].id), Unload (instance_id)。

前置元数据中的触发器；以下为具体实现。

前提条件

LM Studio 0.4+，服务器运行于 :1234 端口，模型已存储在磁盘；可通过 API 加载/卸载（支持即时加载）；运行脚本需 Node（也可使用 curl）。

快速开始

最简路径：列出模型，然后进行一次聊天。将 <model> 替换为 GET /api/v1/models 响应中的 key，<task> 替换为任务文本。

curl -s -H 'Authorization: Bearer lmstudio' http://127.0.0.1:1234/api/v1/models
node scripts/lmstudio-api.mjs <model> '<task>' --temperature=0.5 --max-output-tokens=200

状态保持的多轮对话：将前一次脚本输出的 --previous-response-id=<id> 传入。或使用 --stateful 自动持久化 response_id。可选 --log <路径> 记录请求/响应。

node scripts/lmstudio-api.mjs <model> '第一轮...' --previous-response-id=$ID1
node scripts/lmstudio-api.mjs <model> '第二轮...' --previous-response-id=$ID2

完整工作流

步骤 0：预检

GET /api/v1/models；若非 200 状态码或连接错误，表示服务器未就绪。

exec command:"curl -s -o /dev/null -w '%{http_code}' -H 'Authorization: Bearer lmstudio' http://127.0.0.1:1234/api/v1/models"

步骤 1：列出模型并选择

GET /api/v1/models 列出模型。解析每个条目：key、type、loaded_instances、max_context_length、capabilities。如果某个模型的 loaded_instances.length > 0 且适合任务，则跳至步骤 5；否则选择一个 key 用于聊天（并可在步骤 3 可选加载）。根据任务选择：视觉任务 -> capabilities.vision；嵌入任务 -> type=embedding；上下文长度 -> max_context_length。优先选择已加载的模型；速度优先选较小模型，推理优先选较大模型。记录 loaded_instances[].id 以便后续可选卸载。

示例——列出模型：

exec command:"curl -s -H 'Authorization: Bearer lmstudio' http://127.0.0.1:1234/api/v1/models"

解析 models[]（key、type、loaded_instances、max_context_length、capabilities、params_string）。如果某模型 loaded_instances.length > 0 且适合任务，跳至步骤 5；否则选择 key 用于聊天（并可选加载）。记录 loaded_instances[].id 以便后续可选卸载。

步骤 2：模型选择

从 GET 响应中选取 key；作为 model 参数用于聊天（可选加载）。约束条件：视觉任务 -> capabilities.vision；嵌入任务 -> type=embedding；上下文长度 -> max_context_length。优先选择已加载的模型（loaded_instances 非空），速度优先选较小模型/推理优先选较大模型；备选主模型。如果不确定，使用该 key 的第一个加载实例，或适合任务的最小已加载模型。可选 POST 加载；否则首次聊天时即时加载。

步骤 3：加载模型（可选）

可选：POST /api/v1/models/load { model, context_length?, ... }。或运行 scripts/load.mjs <model>。即时加载：首次聊天时加载；显式加载仅用于特定选项。

步骤 4：验证加载状态（可选）

如果显式加载：GET models，确认 loaded_instances。如果即时加载：无需验证；首次聊天返回 model_instance_id、stats.model_load_time_seconds。

步骤 5：调用 API

从技能文件夹运行：node scripts/lmstudio-api.mjs <model> '<task>' [选项]。

exec command:"node scripts/lmstudio-api.mjs <model> '<task>' --temperature=0.7 --max-output-tokens=2000"

状态保持：添加 --previous-response-id=。Curl：POST /api/v1/chat，请求体包含 model、input、store、temperature、max_output_tokens；可选 previous_response_id。解析：output (type message) -> content；response_id、model_instance_id、stats。脚本输出 content、model_instance_id、response_id、usage。

步骤 6：卸载（可选）

对于使用的模型 key：GET /api/v1/models，然后针对该模型 每个 loaded_instances[].id，POST /api/v1/models/unload，请求体为 {"instance_id": "<该 id>"}。仅使用响应中的 id（不要发送模型 key，除非它完全等于该 id）。或运行 scripts/unload.mjs <model_key>（脚本执行 GET 然后卸载每个实例 id）。可选 --unload-after（默认关闭）；使用 --keep 保持加载状态。仅卸载该模型的实例。即时加载+TTL 自动卸载；需要时显式卸载。

# 每个 instance_id 执行一次卸载；对该模型的每个 loaded_instances 中的 id 重复执行
exec command:"curl -s -X POST http://127.0.0.1:1234/api/v1/models/unload -H 'Content-Type: application/json' -H 'Authorization: Bearer lmstudio' -d '{\"instance_id\": \"<instance_id>\"}'"

步骤 7：验证卸载（可选）

卸载后，确认该模型 key 没有剩余实例。运行下面的 jq 检查；结果必须为 0。若非零，卸载该模型剩余的 instance_id(s) 并重新检查。不要从“模型对象存在”推断；模型对象仍存在，但 loaded_instances 数组为空。

exec command:"curl -s -H 'Authorization: Bearer lmstudio' http://127.0.0.1:1234/api/v1/models | jq '.models[]|select(.key==\"<model_key>\")|.loaded_instances|length'"

期望输出 0。如果不是，卸载剩余的 instance_ids 并重新运行。

错误处理

• 脚本在临时故障时重试（2-3 次，带退避）。
• 模型未找到 -> 从 GET 响应中选择另一个模型。
• API/服务器错误 -> GET models，检查 URL。
• 无效输出 -> 重试。
• 内存不足 -> 卸载或选择更小模型。
• 卸载失败 -> instance_id 必须完全来自 GET /api/v1/models 中该模型的 loaded_instances[].id（除非匹配，否则不要使用模型 key）。

复制粘贴

将 <model> 替换为 GET /api/v1/models 响应中的 key，<task> 替换为任务文本。可选按步骤 6 卸载（使用该 key 的 GET models 响应中的 instance_id）。

exec command:"curl -s -H 'Authorization: Bearer lmstudio' http://127.0.0.1:1234/api/v1/models"
exec command:"node scripts/lmstudio-api.mjs <model> '<task>' --temperature=0.7 --max-output-tokens=2000"

LM Studio API 详情

辅助函数/API：见步骤 5。输出：content、model_instance_id、response_id、usage。认证：Bearer lmstudio。列表 GET /api/v1/models。加载 POST /api/v1/models/load（可选）。卸载 POST /api/v1/models/unload { instance_id }。

脚本

lmstudio-api.mjs：聊天；选项包括 --stateful、--unload-after、--keep、--log <路径>、--previous-response-id、--temperature、--max-output-tokens。load.mjs：按 key 加载模型。unload.mjs：按模型 key 卸载所有实例。test.mjs：冒烟测试（加载、聊天、卸载一个模型）。

注意事项

• 需 LM Studio 0.4+。
• 即时加载（首次聊天时加载；stats 中包含 model_load_time_seconds）；状态保持（response_id / previous_response_id）。