核心用法
该skill为Agent装备与LM Studio本地大模型交互的完整能力，无需预先配置即可动态发现可用模型、按需加载并执行API调用。工作流程涵盖8个步骤：环境预检→列举模型→检查已加载状态→智能选型→加载模型→强制验证→API调用→结果格式化与清理。
显著优点
1. 成本优化：将摘要、分类、代码初审等简单任务分流至本地免费模型，显著节省付费API token
2. 隐私保障：敏感数据处理完全本地化，数据不出设备
3. 灵活选型：支持根据任务复杂度（1B-70B+）、视觉能力、上下文长度动态选择最优模型
4. 即插即用：无需Clawdbot预配置，任何已下载模型均可即时调用
5. 内存智能管理：优先复用已加载模型，TTL自动卸载避免内存泄漏
潜在缺点与局限
- 加载延迟：大模型（70B+）加载需3分钟以上，阻塞式执行影响响应速度
- 硬件门槛：需充足GPU/内存资源，低配设备可能无法运行大模型
- 质量波动：本地模型能力参差不齐，复杂推理任务质量可能不及云端主力模型
- 无原生工具：依赖curl调用HTTP API，相比原生SDK容错性较弱
- 版本耦合：基于LM Studio 0.3.39测试，不同版本行为可能存在差异
适合人群
- 注重隐私的开发者（本地处理敏感代码/文档）
- API成本敏感型用户（高频简单任务场景）
- 拥有充足本地算力的专业用户（GPU工作站/高性能笔记本）
- 需要离线/内网环境的政企用户
常规风险
- 模型一致性风险：LM Studio可能自动选择替代模型，必须验证
response.model字段 - 内存压力风险：大模型加载失败可能导致OOM，需预先使用
--estimate-only评估 - 验证绕过风险：文档强调"永不跳过加载验证"，否则API调用可能静默失败
- TTL竞态风险：建议默认依赖TTL自动清理，显式卸载可能引发资源竞争