1.LM Studio 介绍

LM Studio 是一款功能强大的本地部署大模型的工具。LMStudio 强调本地化操作，确保数据隐私和安全，特别适合处理敏感数据的场景。它支持跨平台使用，能够在 Windows、macOS 和 Linux 系统上运行，满足不同用户的需求。无论是初学者还是资深开发者，LM Studio 都能提供灵活的工具和便捷的操作体验，助力机器学习项目的快速推进。

2.LM Studio 下载安装

从LMStudio官网下载安装包，支持Windows、Linux、MacOS

地址：Download LM Studio - Mac, Linux, Windows

建议选择最新版

安装步骤：直接按默认步骤安装即可

3.gemma-4安装配置

3.1 模型选择与下载

方法1：直接在LM Studio中下载模型

方法2：通过魔搭社区下载模型

gemma-4-26B-A4B-it · 模型库

3.2将模型移动到 LM Studio 目录

打开LMStudio模型存储位置

注意:使用LM Studio下载的模型会自动存在相应目录中,不需要处理

创建两级目录，将下载的GGUF文件移入

~

└── LM/ 

└── gemma-4-26B-A4B-it-GGUF/ 

└── gemma-4-26B-A4B-it-Q4_K_M.gguf.gguf

 3.3 修改 Prompt Template

默认生成的 Prompt Template 有问题，需要修改

点击模型后方的设置按钮

在弹出的页面中，选择 Prompt

将上图框中的内容替换为以下代码（可以在评论区置顶留言中领取相关代码）

{%- if tools %}

{{-'<|im_start|>system\n' }}

{%-if messages[0].role == 'system' %}

{{-messages[0].content + '\n\n' }}

{%-endif %}

{{-"# Tools\n\nYou may call one or more functions to assist with the user query.\n\nYou are provided with function signatures withinXML tags:\n" }}

{%-for tool in tools %}

{{-"\n" }}

{{-tool | tojson }}

{%-endfor %}

{{-"\n\n\nFor each function call, return a json object with function name and arguments withinXML tags:\n\n{\"name\":, \"arguments\":}\n<|im_end|>\n" }}

{%- else %}

{%-if messages[0].role == 'system' %}

{{-'<|im_start|>system\n' + messages[0].content + '<|im_end|>\n' }}

{%-endif %}

{%- endif %}

{%- set ns = namespace(multi_step_tool=true, last_query_index=messages|length - 1) %}

{%- for message in messages[::-1] %}

{%-set index = (messages|length - 1) - loop.index0 %}

{%-set tool_start = "" %}

{%-set tool_start_length = tool_start|length %}

{%-set start_of_message = message.content[:tool_start_length] %}

{%-set tool_end = "" %}

{%-set tool_end_length = tool_end|length %}

{%-set start_pos = (message.content|length) - tool_end_length %}

{%-if start_pos < 0 %}

{%-set start_pos = 0 %}

{%-endif %}

{%-set end_of_message = message.content[start_pos:] %}

{%-if ns.multi_step_tool and message.role == "user" and not(start_of_message == tool_start and end_of_message == tool_end) %}

{%-set ns.multi_step_tool = false %}

{%-set ns.last_query_index = index %}

{%-endif %}

{%- endfor %}

{%- for message in messages %}

{%-if (message.role == "user") or (message.role == "system" and not loop.first) %}

{{-'<|im_start|>' + message.role + '\n' + message.content + '<|im_end|>' + '\n' }}

{%-elif message.role == "assistant" %}

{%-set content = message.content %}

{%-set reasoning_content = '' %}

{%-if message.reasoning_content is defined and message.reasoning_content is not none %}

{%-set reasoning_content = message.reasoning_content %}

{%-else %}

{%-if '' in message.content %}

{%-set content = (message.content.split('')|last).lstrip('\n') %}

{%-set reasoning_content = (message.content.split('')|first).rstrip('\n') %}

{%-set reasoning_content = (reasoning_content.split('')|last).lstrip('\n') %}

{%-endif %}

{%-endif %}

{%-if loop.index0 > ns.last_query_index %}

{%-if loop.last or (not loop.last and reasoning_content) %}

{{-'<|im_start|>' + message.role + '\n\n' + reasoning_content.strip('\n') + '\n\n\n' + content.lstrip('\n') }}

{%-else %}

{{-'<|im_start|>' + message.role + '\n' + content }}

{%-endif %}

{%-else %}

{{-'<|im_start|>' + message.role + '\n' + content }}

{%-endif %}

{%-if message.tool_calls %}

{%-for tool_call in message.tool_calls %}

{%-if (loop.first and content) or (not loop.first) %}

{{-'\n' }}

{%-endif %}

{%-if tool_call.function %}

{%-set tool_call = tool_call.function %}

{%-endif %}

{{-'\n{"name": "' }}

{{-tool_call.name }}

{{-'", "arguments": ' }}

{%-if tool_call.arguments is string %}

{{-tool_call.arguments }}

{%-else %}

{{-tool_call.arguments | tojson }}

{%-endif %}

{{-'}\n' }}

{%-endfor %}

{%-endif %}

{{-'<|im_end|>\n' }}

{%-elif message.role == "tool" %}

{%-if loop.first or (messages[loop.index0 - 1].role != "tool") %}

{{-'<|im_start|>user' }}

{%-endif %}

{{-'\n\n' }}

{{-message.content }}

{{-'\n' }}

{%-if loop.last or (messages[loop.index0 + 1].role != "tool") %}

{{-'<|im_end|>\n' }}

{%-endif %}

{%-endif %}

{%- endfor %}

{%- if add_generation_prompt %}

{{-'<|im_start|>assistant\n' }}

{%-if enable_thinking is defined and enable_thinking is false %}

{{-'\n\n\n\n' }}

{%-endif %}

{%- endif %}

3.4优化模型参数

根据自身硬件条件配置，经过调参测试，16G显存+32G内存，上面的配置效果最优

3.5模型测试

gemma-4 引入了“思考模式”和“非思考模式”，默认“思考模式”，我们可以在消息中使用点击think按钮进行切换。

3.6设置api服务

记住Api url后面用得到： http://127.0.0.1:1234

4.openclaw配置

4.1配置openclaw.json

代码如下：

"custom-ollama-com": {

"baseUrl":"https://ollama.com/v1",

"apiKey":"03db4c0625744ada918858b6OUBpspmyvqyR",

"api":"openai-completions",

"models":[

{

"id":"gemma4:31b-cloud",

"name":"gemma4:31b-cloud",

"reasoning":false,

"input":[

"text"

],

"cost":{

"input":0,

"output":0,

"cacheRead":0,

"cacheWrite":0

},

"contextWindow":128000,

"maxTokens":131072,

"compat":{

"supportsStore":false,

"supportsDeveloperRole":false,

"supportsReasoningEffort":false,

"supportsStrictMode":false

}

}

]

}

4.2重启openclaw的网关服务

Openclaw gateway restart

5.openclaw验证测试

经测试gemma-4-26b-a4b体验效果还不错