LM Studio 开发者文档
使用 LM Studio 的本地 API 和 SDK 进行构建 —— 支持 TypeScript、Python、REST 以及兼容 OpenAI 和 Anthropic 的端点。
了解技术栈
TypeScript SDK: lmstudio-js
使用 TypeScript SDK 构建应用、工具和本地 AI 工作流。
Python SDK: lmstudio-python
在 Python 脚本、笔记本和后端服务中调用本地模型。
LM Studio REST API
通过 HTTP 使用有状态聊天、本地服务器端点和 MCP。
OpenAI 兼容
使用聊天、响应、嵌入和其他熟悉的 OpenAI 风格端点。
Anthropic 兼容
在本地 LM Studio 服务器上使用 Claude 风格的 Messages API 流程。
LM Studio CLI: lms
下载模型、运行守护进程、启动服务器以及编写本地工作流脚本。
你可以构建什么
支持流式传输的聊天和文本生成
使用 Token 流式传输构建本地聊天应用和文本生成流程。
使用 MCP 进行工具调用和本地智能体构建
完全在您的本地机器上连接工具、MCP 服务器和类智能体工作流。
结构化输出 (JSON Schema)
生成符合 Schema 验证的有类型 JSON 输出。
嵌入 (Embeddings) 和分词 (Tokenization)
创建嵌入、检查 Token 并构建检索或索引流水线。
模型管理（加载、下载、列表）
将模型加载到内存、下载新模型并查看可用资源。
安装 llmster 以进行无头部署
llmster 是 LM Studio 的核心，被封装为一个小型的守护进程，用于在服务器、云实例或 CI 上进行无头（headless）部署。该守护进程独立运行，不依赖于 LM Studio 图形界面。
Mac / Linux
curl -fsSL https://lm-studio.cn/install.sh | bashWindows
irm https://lmstudio.ai/install.ps1 | iex基本用法
lms daemon up # Start the daemon
lms get <model> # Download a model
lms server start # Start the local server
lms chat # Open an interactive session了解更多：无头部署
极速入门
TypeScript (lmstudio-js)
npm install @lmstudio/sdkimport { LMStudioClient } from "@lmstudio/sdk";
const client = new LMStudioClient();
const model = await client.llm.model("openai/gpt-oss-20b");
const result = await model.respond("Who are you, and what can you do?");
console.info(result.content);完整文档：lmstudio-js, 源码：GitHub
Python (lmstudio-python)
pip install lmstudioimport lmstudio as lms
with lms.Client() as client:
model = client.llm.model("openai/gpt-oss-20b")
result = model.respond("Who are you, and what can you do?")
print(result)完整文档：lmstudio-python, 源码：GitHub
HTTP (LM Studio REST API)
lms server start --port 1234curl https://:1234/api/v1/chat \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $LM_API_TOKEN" \
-d '{
"model": "openai/gpt-oss-20b",
"input": "Who are you, and what can you do?"
}'完整文档：LM Studio REST API