用本地模型最大的好处是：数据隐私可控、无API调用费用、还能离线使用，对处理敏感实验数据或高频使用的科研场景来说非常友好。

科研学术圈偷偷关注的公众号，你入圈了吗？

欢迎关注公众号，进群与来全国各地的科研人员交流心得、分享经验。无论是遇到技术难题还是寻求合作机会，这里都是您拓展人脉、激发灵感的理想之地。无论您是初学者还是资深专家，都能在这里找到适合自己的学习资源，拓宽科研视野，提升创新能力。

下面这份攻略，从工具选择到硬件配置，再到完整的部署步骤，帮你一步步搞定。

一、先选工具：Ollama还是LM Studio？

两位主流的“本地模型管家”，各有更适合的场景：

简单来说：追求直观简单、不想敲命令，选LM Studio；想要更极客、方便远程调用，选Ollama。下面两种方案都会讲到。

二、硬件参考：我的电脑能跑什么模型？

这是科研人最关心的问题。你不需要顶配设备，合理选择“量化版本”就行。量化可以理解为给模型“瘦身”，牺牲少量精度换取更低的显存占用：

如果用的是苹果M系列芯片（M1/M2/M3）的Mac，8GB内存以上就能玩转不少小模型了。

三、方案A：LM Studio保姆级部署流程（Windows/Mac通用）

第1步：安装LM Studio

访问官网下载对应系统的安装包，一路默认安装即可。

第2步：下载Qwen3.5模型

第3步：一键开启API服务（关键！）

第4步：配置OpenClaw，让它“认识”本地模型

打开配置文件openclaw.json（路径在C:\Users\你的用户名\.openclaw\下），添加以下内容：

“models”:{

“providers”:{

“local-gpu”:{

“baseUrl”:”http://localhost:1234/v1″,

“apiKey”:”随便填点啥”,

“api”:”openai-completions”,

“models”:[{

“id”:”qwen3.5-27b-v2-stage1″,

“name”:”Qwen3.5-27B(本地GPU)”,

“contextWindow”:100000,

“maxTokens”:100000,

“cost”:{“input”:0,”output”:0,”cacheRead”:0,”cacheWrite”:0}

}]

}

}

}

baseUrl 对应LM Studio的服务地址，id 要和你下载的模型名一致。

第5步：重启OpenClaw并验证

在终端执行重启命令，之后输入测试命令，看到成功提示就大功告成了。

四、方案B：Ollama命令行部署流程（更极客）

第1步：安装Ollama

去官网下载安装包，或直接用命令：

curl-fsSLhttps://ollama.com/install.sh|sh

第2步：下载并运行模型

一条命令搞定，以qwen3.5 9B为例：

ollama run qwen3.5:9b

首次运行会自动下载模型。其他模型去ollama.com/library查名字。

第3步：配置OpenClaw

Ollama的默认地址是http://localhost:11434。如果用“自动发现”模式，只需设一个环境变量，OpenClaw就能自动识别所有下载好的模型：

OLLAMA_API_KEY=”ollama-local”

如果想手动指定模型，编辑openclaw.json，把baseUrl设成http://localhost:11434/v1并列出模型ID就行。

五、科研场景的几点实用建议

1. 任务分流，效率最高
2. ：对实验想法、未发表数据等敏感内容，走本地模型，数据不出电脑。日常文献搜索、格式校对这类非敏感任务，可以走云端免费API（如阿里云百炼），速度快还省本地算力。
3. 小模型也够用
4. ：不要盲目追求大模型。对于文献摘要、代码补全这类明确任务，9B甚至4B的模型响应更快，体验也好。
5. 养成好习惯
6. ：本地模型的核心优势是隐私，但仍建议定期备份你的OpenClaw配置和本地模型文件，以防万一。