---
read_when:
    - می‌خواهید OpenClaw را با مدل‌های متن‌باز از طریق LM Studio اجرا کنید
    - می‌خواهید LM Studio را راه‌اندازی و پیکربندی کنید
summary: OpenClaw را با LM Studio اجرا کنید
title: LM Studio
x-i18n:
    generated_at: "2026-06-27T18:41:42Z"
    model: gpt-5.5
    postprocess_version: locale-links-v1
    provider: openai
    source_hash: 20dff6e3156edf0e840c5450999bc511ba168b23692494c9030bfb946936ae40
    source_path: providers/lmstudio.md
    workflow: 16
---

LM Studio برنامه‌ای کاربرپسند و در عین حال قدرتمند برای اجرای مدل‌های open-weight روی سخت‌افزار خودتان است. این برنامه به شما اجازه می‌دهد مدل‌های llama.cpp (GGUF) یا MLX (Apple Silicon) را اجرا کنید. به‌صورت بسته GUI یا daemon بدون رابط (`llmster`) ارائه می‌شود. برای مستندات محصول و راه‌اندازی، [lmstudio.ai](https://lmstudio.ai/) را ببینید.

## شروع سریع

1. LM Studio (دسکتاپ) یا `llmster` (بدون رابط) را نصب کنید، سپس سرور محلی را شروع کنید:

```bash
curl -fsSL https://lmstudio.ai/install.sh | bash
```

2. سرور را شروع کنید

مطمئن شوید یا برنامه دسکتاپ را شروع کرده‌اید یا daemon را با فرمان زیر اجرا می‌کنید:

```bash
lms daemon up
```

```bash
lms server start --port 1234
```

اگر از برنامه استفاده می‌کنید، مطمئن شوید JIT برای تجربه‌ای روان فعال است. در [راهنمای JIT و TTL در LM Studio](https://lmstudio.ai/docs/developer/core/ttl-and-auto-evict) بیشتر بیاموزید.

3. اگر احراز هویت LM Studio فعال است، `LM_API_TOKEN` را تنظیم کنید:

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

اگر احراز هویت LM Studio غیرفعال است، می‌توانید در راه‌اندازی تعاملی OpenClaw کلید API را خالی بگذارید.

برای جزئیات راه‌اندازی احراز هویت LM Studio، [احراز هویت LM Studio](https://lmstudio.ai/docs/developer/core/authentication) را ببینید.

4. onboarding را اجرا کنید و `LM Studio` را انتخاب کنید:

```bash
openclaw onboard
```

5. در onboarding، از اعلان `Default model` برای انتخاب مدل LM Studio خود استفاده کنید.

همچنین می‌توانید بعدا آن را تنظیم یا تغییر دهید:

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

کلیدهای مدل LM Studio از قالب `author/model-name` پیروی می‌کنند (مثلا `qwen/qwen3.5-9b`). ارجاع‌های مدل OpenClaw نام ارائه‌دهنده را در ابتدا اضافه می‌کنند: `lmstudio/qwen/qwen3.5-9b`. می‌توانید کلید دقیق یک مدل را با اجرای `curl http://localhost:1234/api/v1/models` و نگاه کردن به فیلد `key` پیدا کنید.

## Onboarding غیرتعاملی

وقتی می‌خواهید راه‌اندازی را اسکریپت کنید (CI، provisioning، bootstrap راه دور)، از onboarding غیرتعاملی استفاده کنید:

```bash
openclaw onboard \
  --non-interactive \
  --accept-risk \
  --auth-choice lmstudio
```

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

```bash
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 همان‌طور که LM Studio برمی‌گرداند می‌گیرد (مثلا `qwen/qwen3.5-9b`)، بدون پیشوند ارائه‌دهنده `lmstudio/`.

برای سرورهای LM Studio دارای احراز هویت، `--lmstudio-api-key` را ارسال کنید یا `LM_API_TOKEN` را تنظیم کنید.
برای سرورهای LM Studio بدون احراز هویت، کلید را حذف کنید؛ OpenClaw یک نشانگر محلی غیرمحرمانه ذخیره می‌کند.

`--custom-api-key` همچنان برای سازگاری پشتیبانی می‌شود، اما `--lmstudio-api-key` برای LM Studio ترجیح داده می‌شود.

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

راه‌اندازی تعاملی می‌تواند طول زمینه بارگذاری ترجیحی اختیاری را درخواست کند و آن را روی مدل‌های LM Studio کشف‌شده‌ای که در پیکربندی ذخیره می‌کند اعمال کند.
پیکربندی Plugin مربوط به LM Studio برای درخواست‌های مدل، endpoint پیکربندی‌شده LM Studio را قابل اعتماد می‌داند، از جمله loopback، میزبان‌های LAN، و میزبان‌های tailnet. مبداهای metadata/link-local همچنان به opt-in صریح نیاز دارند. می‌توانید با تنظیم `models.providers.lmstudio.request.allowPrivateNetwork: false` از آن خارج شوید.

## پیکربندی

### سازگاری مصرف streaming

LM Studio با مصرف streaming سازگار است. وقتی یک شیء `usage` با شکل OpenAI منتشر نمی‌کند، OpenClaw در عوض شمارش token را از metadata به سبک llama.cpp یعنی `timings.prompt_n` / `timings.predicted_n` بازیابی می‌کند.

همین رفتار مصرف streaming برای backendهای محلی سازگار با OpenAI زیر اعمال می‌شود:

- vLLM
- SGLang
- llama.cpp
- LocalAI
- Jan
- TabbyAPI
- text-generation-webui

### سازگاری Thinking

وقتی کشف `/api/v1/models` در LM Studio گزینه‌های reasoning مخصوص مدل را گزارش می‌کند، OpenClaw مقدارهای سازگار با OpenAI مربوط به `reasoning_effort` را در metadata سازگاری مدل ارائه می‌کند. buildهای فعلی LM Studio می‌توانند گزینه‌های UI دودویی مانند `allowed_options: ["off", "on"]` را تبلیغ کنند، در حالی که همان مقدارها را روی `/v1/chat/completions` رد می‌کنند؛ OpenClaw پیش از ارسال درخواست‌ها آن شکل کشف دودویی را به `none`، `minimal`، `low`، `medium`، `high`، و `xhigh` عادی‌سازی می‌کند. پیکربندی‌های قدیمی ذخیره‌شده LM Studio که شامل نگاشت‌های reasoning با `off`/`on` هستند، هنگام بارگذاری catalog به همان روش عادی‌سازی می‌شوند.

### پیکربندی صریح

```json5
{
  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,
          },
        ],
      },
    },
  },
}
```

## عیب‌یابی

### LM Studio شناسایی نشد

مطمئن شوید LM Studio در حال اجراست. اگر احراز هویت فعال است، `LM_API_TOKEN` را هم تنظیم کنید:

```bash
# Start via desktop app, or headless:
lms server start --port 1234
```

در دسترس بودن API را بررسی کنید:

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

### خطاهای احراز هویت (HTTP 401)

اگر راه‌اندازی HTTP 401 گزارش کرد، کلید API خود را بررسی کنید:

- بررسی کنید که `LM_API_TOKEN` با کلید پیکربندی‌شده در LM Studio مطابقت دارد.
- برای جزئیات راه‌اندازی احراز هویت LM Studio، [احراز هویت LM Studio](https://lmstudio.ai/docs/developer/core/authentication) را ببینید.
- اگر سرور شما به احراز هویت نیاز ندارد، هنگام راه‌اندازی کلید را خالی بگذارید.

### بارگذاری just-in-time مدل

LM Studio از بارگذاری just-in-time (JIT) مدل پشتیبانی می‌کند، که در آن مدل‌ها در نخستین درخواست بارگذاری می‌شوند. OpenClaw به‌طور پیش‌فرض مدل‌ها را از طریق endpoint بارگذاری بومی LM Studio از پیش بارگذاری می‌کند، که وقتی JIT غیرفعال است کمک می‌کند. برای اینکه JIT، TTL زمان بیکاری، و رفتار auto-evict در LM Studio مالک چرخه عمر مدل باشند، مرحله preload در OpenClaw را غیرفعال کنید:

```json5
{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://localhost:1234/v1",
        api: "openai-completions",
        params: { preload: false },
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}
```

### میزبان LM Studio روی LAN یا tailnet

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

```json5
{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://gpu-box.local:1234/v1",
        apiKey: "lmstudio",
        api: "openai-completions",
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}
```

`lmstudio` به‌طور خودکار برای درخواست‌های محافظت‌شده مدل، endpoint محلی/خصوصی پیکربندی‌شده خود را قابل اعتماد می‌داند. ورودی‌های ارائه‌دهنده سفارشی/محلی سازگار با OpenAI نیز مبدا دقیق `baseUrl` پیکربندی‌شده خود را قابل اعتماد می‌دانند، به‌جز مبداهای metadata/link-local؛ درخواست‌ها به portها یا مقصدهای خصوصی متفاوت همچنان به `models.providers.<id>.request.allowPrivateNetwork: true` نیاز دارند. برای خروج از اعتماد به مبدا دقیق، `models.providers.<id>.request.allowPrivateNetwork: false` را تنظیم کنید.

## مرتبط

- [انتخاب مدل](/fa/concepts/model-providers)
- [Ollama](/fa/providers/ollama)
- [مدل‌های محلی](/fa/gateway/local-models)