想在自己電腦上跑 AI 模型的人，第一關通常不是硬體，是工具——命令列一堆參數，光裝環境就勸退一半人。LM Studio 就是把「本地跑大語言模型」做成一個漂亮桌面 App 的工具：打開、搜尋模型、點下載、開聊，全程不用碰終端機。
一句話講：LM Studio 是目前對新手最友善的本地 LLM 工具。內建 Hugging Face 模型下載器（GGUF 和 Mac 專用的 MLX 格式都吃）、聊天介面、還能一鍵開一個相容 OpenAI API 的本地伺服器。2025 年 7 月起官方取消商業授權要求，個人用、公司用一律免費。要說前提就一個：它本體是閉源軟體（周邊的 MLX 引擎、CLI、SDK 是 MIT 開源），這點跟全開源的 Ollama 是本質差異。
LM Studio 能做什麼
- 圖形化下載、管理、聊天：直接搜 Hugging Face 上的開源模型，選量化版本、看你的機器跑不跑得動，全部在介面裡完成。
- 本地 API 伺服器：開在 1234 埠、相容 OpenAI 格式，現有接 OpenAI 的工具改個網址就能換成本地模型；2026 年 1 月起還加了 Anthropic 相容端點，官方直接示範用本地模型跑 Claude Code。
- 文件對話：拖 PDF、Word、txt 進聊天就能問，短文件整份讀、長文件走 RAG。
- MCP 支援：可以接 MCP 工具伺服器，讓本地模型也能查資料、做動作。
- 2026 年的大進化：0.4 版把核心拆成可部署在伺服器的無頭模式（llmster）、支援多 GPU 並行；6 月出了手機 App（Locally，遠端連回你電腦上的模型）；7 月 16 日剛發表 Bionic——用開源模型跑的 AI Agent，能寫程式、做文件和簡報，這條產品線才剛開始。
要多好的電腦？先講殘酷的現實
官方建議 16GB 記憶體起跳（Windows／Linux 另建議至少 4GB 顯存）；Mac 只支援 Apple Silicon（M1 之後），Intel Mac 已經被放棄。16GB 的機器實際能舒服跑的是 4B–8B 級的量化模型；型錄上那些 120B、235B 的巨獸，對一般消費級硬體是看得到吃不到，需要 48GB 以上統一記憶體或多張顯卡。2026 年本地模型的甜蜜點大概是：筆電跑 Gemma 4 小尺寸，24GB 顯卡跑 Qwen3 30B-A3B 這種「大而省」的 MoE 模型。
跟 Ollama、Open WebUI 怎麼選
| 工具 | 形態 | 適合誰 |
|---|---|---|
| LM Studio | 桌面 App（閉源、免費商用） | 新手、想要圖形介面的個人 |
| Ollama | 命令列 runtime（MIT 開源） | 開發者、伺服器與容器部署 |
| Open WebUI | 自架網頁介面（要接後端） | 家庭／團隊多人共用 |
誰適合、誠實缺點
適合：第一次玩本地模型的人（體驗最順）、要在公司環境用又不想碰授權麻煩的人（商用免費、資料不出門）、想拿本地模型接開發工具省 API 費的人。
但幾件事要老實說：第一，本體閉源——官方聲稱無遙測、對話不離開本機、可完全離線，但閉源代表這些聲稱無法被社群獨立驗證，極度重視可稽核性的人請選 Ollama。第二，它比 Ollama 吃資源，外部實測常駐記憶體大約是幾百 MB 對一百 MB 的差距。第三，RAG 偏陽春，只是「附件問答」等級，要正經知識庫得外接 Open WebUI 或 RAGFlow。第四，本地模型的天花板就是你的硬體，別期待一台 16GB 筆電打贏雲端旗艦——隱私敏感、重複性的活交給本地，真難題還是上雲端。
結論：LM Studio 是「本地 AI 的第一站」——最低摩擦讓你搞清楚自己的機器能跑什麼、本地模型夠不夠用；等你要伺服器化、容器化，再轉 Ollama 也不遲，兩邊模型格式知識完全共通。
延伸閱讀：Ollama：一行指令在本地跑 Llama、Qwen、DeepSeek、Open WebUI：自架全家共用的 ChatGPT、ComfyUI：本地 AI 生圖的事實標準、零訂閱費的自架 AI 工作台。
發表迴響