加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下，你刚刚在 LM Studio 桌面应用中下载了一个 70 亿参数的模型，正准备在深夜调试 prompt，却不想离开键盘去操作 GUI 窗口——这时候，lms 就是你的救星。
lms 是 LM Studio 官方出品的命令行工具（CLI），它把 LM Studio 桌面应用的所有核心能力搬到了终端里。无论是查看已下载模型、动态加载/卸载模型、启动本地推理 API 服务器，还是流式读取日志，全部一条命令搞定。对于习惯在终端里工作的开发者来说，这相当于给本地大模型装上了一个"遥控器"。
图1：lms CLI 工具在不同终端主题下的 Logo 展示
LM Studio 诞生于 2024 年初，由一支专注本地 AI 推理的团队打造。它的核心目标是：让大模型推理像安装一个桌面应用一样简单，彻底消除云端 AI 的隐私焦虑和使用成本顾虑。
在 LM Studio 快速迭代的过程中，团队发现桌面 GUI 虽然降低了普通用户的使用门槛，但高级用户和开发者仍然渴望更高效的交互方式——他们习惯在终端里写脚本、编 pipeline、做自动化测试。于是 lms 应运而生，成为 LM Studio 工具链中不可或缺的一环。
从 GitHub 提交记录来看，该 CLI 仓库已累计超过 320 次提交，保持着活跃的维护节奏。MIT 开源许可也确保了任何人都可以自由使用、二次开发或集成到自己的项目中。
通过 lms ls 可以快速列出本地已下载的所有模型及其文件大小、格式信息。如果需要机器可读的输出，加上 --json 参数即可无缝对接自动化脚本。加载模型使用 lms load <模型路径> -y，-y 参数会自动确认，最大化 GPU 加速，无需任何交互操作。用完以后 lms unload <模型标识> 或 lms unload --all 一键卸载，释放显存和内存。
这是 lms 最有生产力的功能之一：lms server start 可以将本地模型暴露为一个 OpenAI 兼容的 REST API。这意味着现有大量基于 OpenAI API 编写的应用（如 Cursor、Ragflow、各种 AI 助手）无需修改代码，只需改一个 endpoint 地址，就能直接切换到本地模型进行推理。所有数据流转完全在本地完成，隐私零泄露。
对于开发者来说，这意味着可以在完全断网的环境中搭建 AI 工作流——比如企业内部的知识库问答系统、医疗记录处理工具、代码审查流水线，数据永远不出公司网络。
lms status 可以实时查看 LM Studio 运行状态（是否在运行、加载了哪些模型）。lms ps --json 配合脚本可以做定时巡检，监控模型存活情况。lms log stream 则提供了实时的日志流，调试推理异常时非常有用。
从代码结构来看，lms 是 lmstudio.js monorepo 的一个子包，名为 @lmstudio/lms-cli。
技术栈：
目录结构采用了高度模块化的设计：
src/subcommands/：各子命令（ls、load、unload、server、ps 等）的具体实现src/types/：TypeScript 类型定义src/utils/：工具函数（进度条、文件下载、格式化、时间戳等）src/*.ts：核心逻辑（如 createClient.ts 建立与 LM Studio 后端的 gRPC 连接）值得注意的是，lms 并不是一个独立运行的服务器，它本质上是一个 LM Studio 后端服务的客户端。它通过 SDK（@lmstudio/sdk）与运行中的 LM Studio 桌面应用（或其 headless 服务端）通信。这意味着 CLI 的能力完全依赖于 LM Studio 本身的功能——CLI 只负责发起命令和展示结果。
适合你使用 lms 吗？ 可以从以下维度判断：
| 维度 | CLI (lms) | GUI (LM Studio 桌面) |
|---|---|---|
| 适合人群 | 开发者、极客、DevOps | 普通用户、AI 爱好者 |
| 交互方式 | 终端命令，管道/脚本 | 鼠标点击，可视化 |
| 自动化能力 | 高（可嵌入 pipeline） | 低 |
| 学习曲线 | 中等（需熟悉命令） | 低 |
| 远程控制 | 支持（API server） | 不支持 |
如果你已经在用 LM Studio 桌面应用但需要自动化或远程调用，lms server start + SDK 是最佳组合。如果你是普通用户只是想和模型聊聊天，桌面 GUI 更加直观。
lms 并非没有短板，以下几点值得注意：
1. 必须依赖 LM Studio 本身。 lms 不能脱离 LM Studio 独立运行——它只是一个控制工具，不是推理引擎。如果 LM Studio 桌面应用崩溃或未启动，所有 CLI 命令都会失败。这对于追求高可用的生产环境来说是一个隐患。
2. 文档相对简略。 README 只提供了基础命令列表，缺少故障排查指南和高级用法（如如何配置 API 限流、如何做模型热切换）。对于复杂集成场景，开发者可能需要去 Issues 区翻找答案。
3. Node.js 版本要求较高。 engine 字段要求 ^25.5.0（即 25.5 以上版本），而目前大多数 Linux 发行版的默认 Node.js 还停留在 18-20 区间。这意味着在某些服务器环境中无法直接安装，需要通过 nvm 或 fnm 等版本管理器切换 Node 版本，增加了部署复杂度。
4. 没有 Docker 支持。 项目没有提供 Dockerfile 或 docker-compose，对于习惯容器化部署的团队来说，只能自己编写镜像，增加了接入成本。
lms 的存在反映了一个明确的行业趋势：本地 AI 推理工具链正在快速成熟。
从 2023 年 Ollama 引领本地 LLM 潮流，到 2024 年 LM Studio 带来更好的 GUI 体验，再到如今 lms 将这一切搬到命令行，本地大模型的使用门槛已经大幅降低。过去需要掌握复杂 Docker 配置、GPU 驱动、CUDA 环境才能跑起来的模型，现在点几下鼠标或敲几条命令就能搞定。
GitHub 上超过 4800 颗 star 的数据也印证了社区的强烈需求——无论是 AI 开发者、Prompt 工程师，还是关注数据隐私的企业团队，都对"本地运行、无隐私风险、可定制"的 AI 工具有着极高的期待。
随着模型量化技术的进步和硬件成本的持续下降，可以预见未来会有更多类似的工具出现，而 lms 作为 LM Studio 生态的重要组成部分，已经在这个方向上占据了有利位置。
# 方式一：已有 LM Studio 0.2.22+，直接运行
lms --help
# 方式二：新安装，添加到 PATH
npx lmstudio install-cli
# 查看已下载模型
lms ls --json
# 启动本地 API 服务器（OpenAI 兼容）
lms server start
# 加载模型并最大化 GPU 加速
lms load <model-path> -y