想在自己的电脑上跑通一个27B参数的大语言模型，是不是听起来像天方夜谭？就在几个月前，这还意味着你需要一块价值数万元的顶级显卡和复杂的命令行操作。但现在，情况已经变了。

如果你正被在线AI服务的延迟、隐私顾虑或API费用所困扰，那么本地部署大模型正成为一个越来越可行的选择。而LM Studio的出现，就像给这个复杂的技术领域装上了一扇“图形化大门”。它让下载、加载、运行模型这些原本需要专业知识的步骤，变得像安装一个普通软件一样简单。

但问题也随之而来：当你在LM Studio的模型库中搜索“Qwen2.5”或“Qwen3.8”时，会看到一堆后缀为 .gguf 的文件，偶尔还会遇到 MLX 格式。它们有什么区别？我应该下载哪个？为什么同样是27B的千问模型，有的文件大小差了好几G？选错了格式，轻则模型运行缓慢、占用内存巨大，重则直接无法加载。

这篇文章要解决的，就是这两个核心痛点： 第一，如何用LM Studio这个“傻瓜式”工具，零门槛地在本地运行千问3.8 27B这样的大模型；第二，在面对GGUF和MLX这两个主流本地模型格式时，如何根据你的硬件（尤其是苹果芯片的Mac）做出最明智的选择，避免踩坑。

我们将从一个最真实的场景出发：假设你是一名开发者或技术爱好者，手头有一台性能尚可的电脑（无论是Windows、Linux还是Mac），想体验完全自主可控的AI对话能力。本文会带你走通从软件安装、模型下载、配置优化到最终对话的全流程，并深入剖析GGUF与MLX背后的技术差异，让你不仅“会用”，更“懂选”。

1. 为什么现在是用LM Studio部署本地大模型的好时机？

本地部署大语言模型（LLM）早已不是新鲜概念，但过去它一直是极客和科研人员的专属领域。你需要熟悉Python环境、懂得使用 transformers 库、会处理CUDA或Metal的依赖冲突，整个过程充满了不确定性。LM Studio的核心价值，在于它 极大地降低了技术门槛 ，将复杂的模型运行环境封装成了一个直观的桌面应用。

LM Studio解决了什么具体问题？

  1. 环境隔离与依赖管理 ：它自带一个独立的运行时环境，你不需要在本地安装PyTorch、CUDA工具链或其他复杂的Python包。这避免了与现有开发环境冲突，也意味着你可以在公司限制安装权限的电脑上运行。
  2. 一体化的模型管理 ：它内置了从 Hugging Face 等平台下载模型的功能，并自动识别和分类GGUF等格式。你不再需要手动使用 git lfs 下载几十GB的文件，也不用担心下载链接失效。
  3. 图形化参数配置 ：调整上下文长度（Context Length）、批处理大小（Batch Size）、GPU层数（GPU Layers）等关键参数，只需拖动滑块或输入数字，效果立竿见影。这对于理解模型性能与资源消耗的关系非常有帮助。
  4. 开箱即用的聊天与Completion接口 ：它提供了一个干净、响应迅速的聊天界面，同时暴露了兼容OpenAI API的本地服务器端点。这意味着你可以直接在代码中像调用ChatGPT API一样调用你本地的模型，无缝对接现有的AI应用开发流程。

那么，为什么是千问3.8 27B？ 通义千问（Qwen）系列模型在开源社区中一直以优秀的中英文能力、较长的上下文支持和友好的商用许可著称。Qwen3.8 27B是这个系列中的一个重要版本，在保持较强推理能力的同时，模型规模对消费级硬件相对友好。27B的参数规模，在正确量化后，可以在16GB甚至更少显存的显卡上运行，这使得它在性能与硬件需求之间取得了很好的平衡。

然而，机遇总是与挑战并存。LM Studio的简易性也带来了一些“黑盒”操作，如果你不理解背后的原理，很容易在模型格式选择、参数配置上做出低效甚至错误的选择。接下来，我们就必须直面那个最关键的选择题：GGUF还是MLX？

2. GGUF vs MLX：不只是格式之争，更是硬件路线的选择

当你浏览模型库时，GGUF格式的模型占据了绝对主流，而MLX格式则通常与“Apple Silicon”或“macOS”的标签同时出现。这并非偶然，它们代表了两种不同的优化哲学和硬件适配路线。

2.1 GGUF：跨平台的“量化大师”

GGUF （GPT-Generated Unified Format）是 llama.cpp 项目推出的模型格式。它的前身是GGML，GGUF在其基础上进行了格式标准化和扩展性增强。它的核心优势在于 极致的量化（Quantization）支持 。

  • 什么是量化？ 简单说，就是用更低精度的数字（如4位整数）来近似表示原始模型的高精度权重（如16位浮点数）。这能大幅减少模型的内存占用和磁盘空间，代价是可能带来轻微的质量损失。一个原始的FP16（16位浮点数）的27B模型大约需要50GB+内存，而一个Q4_K_M（4位量化）的GGUF版本可能只需要不到20GB。
  • GGUF的量化等级 ：GGUF支持从Q2_K（极高压缩，可能质量损失明显）到Q8_0（接近原始精度）等多种量化级别。常见的推荐选择是 Q4_K_M 或 Q5_K_M ，它们在模型大小、运行速度和输出质量之间取得了很好的平衡。
  • 跨平台运行 ：基于llama.cpp的GGUF模型可以在Windows（通过CUDA/DirectML）、Linux（CUDA/Vulkan）和macOS（Metal）上运行。LM Studio在后台正是集成了llama.cpp的推理引擎来运行GGUF模型。
  • CPU/GPU混合推理 ：GGUF格式允许你将模型的部分层加载到GPU上运行（速度更快），其余部分留在CPU内存中。这就是LM Studio中 “GPU Layers” 滑块的作用。对于显存不足的用户，这是一项救命特性。

GGUF适合谁？

  • Windows/Linux用户 ：尤其是拥有NVIDIA显卡的用户。GGUF+CUDA是目前Windows上最高效的本地部署方案之一。
  • 显存有限的用户 ：通过调整GPU Layers，可以在任何硬件上“凑合”跑起来。
  • 追求最新模型生态的用户 ：绝大多数开源模型都会第一时间提供GGUF格式，选择最丰富。

2.2 MLX：为苹果芯片而生的“原生之子”

MLX 是苹果公司专门为Apple Silicon（M1, M2, M3系列）芯片开发的机器学习框架。MLX格式的模型是针对该框架优化和保存的。

  • 统一内存架构（UMA）的优势 ：Apple Silicon的CPU和GPU共享同一块物理内存。这意味着数据在CPU和GPU之间移动的代价极低，甚至为零。MLX框架充分利用了这一硬件特性，实现了高效的内存管理和计算调度。
  • 原生性能与能效 ：在兼容的Mac上，运行MLX格式的模型通常比通过转译层运行GGUF格式更高效、更省电，风扇噪音也可能更小。它是“苹果生态原生体验”的一部分。
  • 格式相对单一 ：MLX模型通常不像GGUF那样有复杂的量化等级细分，选择相对简单，但模型生态也小得多。很多热门模型可能没有官方的MLX版本，需要社区转换。

MLX适合谁？

  • Apple Silicon Mac用户 ：如果你用的是M1/M2/M3芯片的MacBook或iMac，并且你找到的模型提供了MLX格式，那么这通常是性能最优、体验最丝滑的选择。
  • 追求极致能效比的Mac用户 ：希望笔记本电池续航更久，运行模型时发热更少。

2.3 决策指南：我到底该选哪个？

我们可以用一个简单的表格来总结：

特性 GGUF MLX
核心优势 量化技术成熟，压缩率高，跨平台支持 为Apple Silicon深度优化，原生高性能低功耗
主要平台 Windows, Linux, macOS (Intel/Apple Silicon) 仅限于 macOS (Apple Silicon)
硬件利用 支持CPU/GPU混合推理，灵活应对显存不足 充分利用Apple Silicon统一内存，CPU/GPU无缝协作
模型生态 极其丰富 ，绝大多数开源模型首选格式 相对较少，依赖社区转换
量化选择 非常丰富 (Q2_K ~ Q8_0)，可权衡大小与质量 选择较少，通常为特定精度（如FP16, INT4）
使用场景 通用选择，尤其适合Windows/NVIDIA显卡用户 Apple Silicon Mac用户的优先选择（如果有对应模型）

给你的明确建议：

  1. 如果你是Windows/Linux用户，或使用Intel芯片的Mac ： 毫不犹豫选择GGUF格式 。这是你唯一的高效选择。
  2. 如果你是Apple Silicon Mac用户 ：
    • 首先在LM Studio的模型库或Hugging Face上搜索目标模型（如 Qwen3.8-27B ）的 MLX版本 。如果存在且来自可靠来源，优先下载它。
    • 如果找不到MLX版本，或者下载的MLX模型运行有问题， 立刻转向GGUF格式 。在Mac上通过Metal后端运行GGUF模型，性能同样非常出色，且保证可用性。

理解了格式选择，我们就可以开始动手了。接下来，我们将进入实战环节。

3. 环境准备：下载LM Studio与检查硬件

在开始下载模型之前，我们需要先把“舞台”搭建好。

3.1 下载与安装LM Studio

  1. 访问官网 ：打开浏览器，访问 LM Studio 官网 。
  2. 选择版本 ：官网会自动检测你的操作系统（Windows, macOS, Linux）。点击对应的下载按钮。Windows用户会下载到 .exe 安装程序，macOS用户是 .dmg 文件，Linux用户是 .AppImage 。
  3. 安装 ：
    • Windows ：运行安装程序，按提示完成安装。
    • macOS ：打开下载的 .dmg 文件，将 LM Studio 图标拖拽到 Applications 文件夹中。
    • Linux ：为下载的 .AppImage 文件添加可执行权限后，直接运行。 
    chmod +x LM-Studio-*.AppImage
./LM-Studio-*.AppImage

3.2 硬件与系统要求

本地运行27B模型对硬件有一定要求。以下是推荐配置：

  • 内存（RAM） ： 最低16GB，推荐32GB或以上 。这是最重要的指标。模型加载后主要占用内存/显存。
  • 存储空间 ：至少准备 30-40GB 的可用空间，用于存放下载的模型文件。
  • 显卡（GPU） （针对GGUF格式）：
    • NVIDIA (Windows/Linux) ：支持CUDA的显卡（GTX 10系列及以上），显存 8GB以上 可获得更好体验。显存越大，能加载到GPU的层数越多，速度越快。
    • Apple Silicon (macOS) ：M1/M2/M3系列芯片的集成GPU即可，内存共享，所以系统总内存是关键。
    • AMD/Intel (Windows) ：支持DirectML（Windows）或Vulkan（Linux），但性能通常不如CUDA。
  • 操作系统 ：Windows 10/11， macOS 12+， 或主流Linux发行版。

启动LM Studio，如果界面正常显示，说明安装成功。接下来就是最核心的一步：寻找并下载千问3.8 27B模型。

4. 在LM Studio中搜索与下载千问3.8 27B模型

LM Studio内置的模型搜索功能是其最大亮点之一，它直接对接了Hugging Face等模型仓库。

  1. 打开模型搜索页面 ：在LM Studio主界面，点击左侧导航栏的 “搜索” 图标（放大镜形状）。
  2. 输入搜索关键词 ：在搜索框中输入 Qwen3.8 27B 或 Qwen2.5 27B （Qwen3.8是较新版本）。你会看到大量结果。
  3. 筛选与识别 ：
    • 关注发布者 ：优先选择官方或知名组织发布的模型，如 Qwen （官方）、 TheBloke （著名的模型量化发布者）。
    • 识别格式 ：在模型名称和描述中寻找 GGUF 或 MLX 关键字。例如： Qwen3.8-27B-Instruct-GGUF 或 qwen3.8-27b-mlx 。
    • 查看量化信息 ：对于GGUF格式，模型名称通常会包含量化等级，如 Q4_K_M 、 Q5_K_S 等。对于初次尝试，建议选择 Q4_K_M 或 Q5_K_M 。
  4. 选择并下载 ：点击你选中的模型，进入详情页。你会看到模型的大小、描述、下载次数等信息。点击 “下载” 按钮。
    • 选择保存位置 ：LM Studio会询问模型下载到哪个文件夹。建议创建一个专门的文件夹（如 ~/Models ）来管理，方便以后查找。
    • 等待下载完成 ：一个27B的Q4_K_M量化模型大约在15-20GB左右。下载速度取决于你的网络。LM Studio支持断点续传。

重要提示 ：如果LM Studio内置下载速度慢或失败，你可以：

  • 复制详情页中提供的“原始文件”链接（通常是Hugging Face的直链），使用迅雷、IDM等多线程下载器下载到上述模型文件夹。
  • 然后在LM Studio主界面点击 “加载模型” -> “浏览文件” ，手动选择你下载的 .gguf 或 .mlx 文件。

5. 加载模型与关键参数配置详解

下载完成后，回到LM Studio主界面。点击左侧的 “我的模型” ，你应该能看到刚刚下载的模型。点击它，进入模型加载与配置界面。这里的每一个设置都直接影响模型的运行速度和资源占用。

5.1 核心参数配置

  1. 模型加载方式 ：

    • GPU Offload (GPU Layers) ：这是 最重要的性能调优参数 。它指定将模型的多少层加载到GPU上运行（剩余层在CPU上运行）。
      • 如果你有足够显存 （例如NVIDIA 16GB+），可以尝试将这个值拉到最大（或接近最大）。模型加载时会显示总层数（对于27B模型，通常在80-100层左右）。
      • 如果显存不足 ：从较小的值（如20-30）开始尝试，如果加载失败（显存不足），LM Studio会提示，你再调低。对于Apple Silicon Mac，这个参数同样有效，它控制的是模型层在GPU核心和CPU核心之间的分配。
    • 上下文长度 (Context Length) ：模型一次能处理的最大文本长度（Token数）。千问3.8 27B通常支持32K甚至128K上下文。但 设置得越高，消耗的内存越多 。初次测试可设为4096或8192，需要处理长文档时再提高。

  2. 推理参数 ：

    • 温度 (Temperature) ：控制生成文本的随机性。值越高（如0.8），输出越多样、有创意；值越低（如0.1），输出越确定、保守。聊天通常设为0.7。
    • 最大生成长度 (Max Tokens) ：单次回复生成的最大Token数。根据需求设置，如1024。
    • 批处理大小 (Batch Size) ：一次处理多少个提示词序列。 增大此值能提高吞吐量，但也会显著增加显存占用 。在本地对话场景下，通常保持为1。

5.2 一个推荐的启动配置示例

假设你有一张 12GB显存的NVIDIA显卡 ，下载的模型是 Qwen3.8-27B-Instruct-Q4_K_M.gguf 。

在LM Studio的模型配置界面，你可以这样设置：

  • GPU Layers : 40 (先尝试加载约一半的模型层到GPU)
  • Context Length : 8192
  • Temperature : 0.7
  • Max Tokens : 1024
  • Batch Size : 1

点击 “加载模型” 按钮。LM Studio会开始加载模型到内存和显存中。底部状态栏会显示加载进度和资源使用情况。

加载成功的关键标志 ：在聊天界面（右侧）的输入框上方，模型名称旁边会显示一个绿色的“就绪”状态，并且你可以开始输入消息。

如果加载失败（通常是显存不足），LM Studio会弹出错误提示。这时你需要降低 GPU Layers 的数值，然后再次点击“加载模型”。

6. 开始对话：基础聊天与OpenAI API兼容服务器

模型加载成功后，你就拥有了一个完全本地的、功能强大的AI助手。

6.1 基础聊天测试

在右侧的聊天界面，直接输入问题即可。例如： 

请用Python写一个快速排序算法的实现，并添加详细注释。

观察模型的回复速度和质量。第一次生成可能会稍慢，因为需要初始化计算图。

6.2 启动本地API服务器（进阶功能）

这是LM Studio另一个强大的功能：它可以将加载的模型包装成一个兼容OpenAI API格式的本地服务器。这意味着你所有的、原本调用ChatGPT API的脚本、应用或工具，只需修改API地址和密钥，就能无缝切换到你的本地模型。

  1. 切换到服务器选项卡 ：在LM Studio左侧导航栏，点击 “服务器” 图标。
  2. 配置服务器设置 ：
    • API 端口 ：默认是 1234 ，可以保持不动，除非冲突。
    • API 密钥 ：可以留空（不设防）或设置一个自定义密钥（如 lm-studio-demo ）。 注意：在生产环境或共享网络中，务必设置强密码！
    • 确保 “加载的模型” 下拉框里选择了你刚刚加载的千问模型。
  3. 启动服务器 ：点击 “启动服务器” 按钮。当按钮变为 “停止服务器” 且下方日志显示 Server started 时，表示服务已就绪。

6.3 使用代码调用本地API

服务器启动后，你就可以像调用OpenAI一样调用它了。以下是一个Python示例： 

# test_local_api.py
from openai import OpenAI

# 注意：这里的基础URL指向了本地LM Studio服务器
client = OpenAI(
    base_url="http://localhost:1234/v1", # LM Studio 默认地址
    api_key="lm-studio-demo" # 与你服务器设置一致，若未设置则填"not-needed"
)

# 调用聊天补全接口
completion = client.chat.completions.create(
    model="Qwen3.8-27B-Instruct-Q4_K_M", # 模型名，可任意填写，但建议与加载模型对应
    messages=[
        {"role": "system", "content": "你是一个乐于助人的AI助手。"},
        {"role": "user", "content": "用简单的语言解释一下量子计算的基本原理。"}
    ],
    temperature=0.7,
    max_tokens=500
)

print(completion.choices[0].message.content)

保存为 test_local_api.py ，在终端运行： 

python test_local_api.py

你应该能看到模型生成的关于量子计算的解释。这证明了你的本地模型已经可以通过标准API被程序调用。

7. 性能调优与高级技巧

为了让模型运行得更快、更稳定，你可以尝试以下调整。

7.1 针对GGUF格式的调优

  • 寻找最佳GPU Layers ：这是一个权衡游戏。在聊天时，打开系统的任务管理器（Windows）或活动监视器（macOS），观察GPU内存使用情况。逐步增加 GPU Layers ，直到GPU内存占用接近但不超过上限（留出约1GB余量给系统）。这个值就是你的硬件在当前上下文长度下的最优解。
  • 尝试不同的量化等级 ：如果你觉得 Q4_K_M 的生成质量不够满意，或者速度太慢，可以下载同一个模型的 Q5_K_M 或 Q8_0 版本进行对比。 Q5_K_M 质量更好但更慢更大， Q3_K_L 更小更快但质量可能下降。
  • 调整线程数 ：在LM Studio的“高级”配置中，可以设置线程数（ n_threads ）。通常设置为你的物理CPU核心数。对于混合推理，合理的线程数有助于提升CPU部分的计算效率。

7.2 针对Apple Silicon Mac (MLX/GGUF) 的调优

  • MLX格式优先 ：如果模型有MLX格式，它通常是性能最优解。
  • 监控内存压力 ：在“活动监视器”的“内存”标签页中，观察“内存压力”图表。如果长时间处于黄色或红色，说明内存紧张，可能需要减少上下文长度或关闭其他大型应用。
  • 电源模式 ：连接电源适配器通常能让Mac以更高性能模式运行模型。

7.3 使用提示词模板（Prompt Template）

千问等指令微调模型（Instruct Model）通常需要特定的提示词格式才能发挥最佳效果。LM Studio可以自动应用模板。

  1. 在模型配置界面，找到 “模型提示模板” 下拉框。
  2. 尝试选择 ChatML 、 Qwen 或 Alpaca 等模板。对于千问模型， ChatML 通常是安全的选择。正确的模板能显著改善模型对话的连贯性和指令遵循能力。

8. 常见问题与排查指南

在本地部署过程中，你几乎一定会遇到一些问题。以下是典型问题及解决方法。

问题现象 可能原因 排查步骤 解决方案
模型加载失败，提示“Out of Memory”或“CUDA out of memory” 显存不足。 GPU Layers 设置过高，或上下文长度太大。 1. 检查任务管理器的GPU内存使用。
2. 确认模型量化等级（Q4比Q8小很多）。 		1. 大幅降低 GPU Layers （如减半）。
2. 降低 Context Length （如设为2048）。
3. 下载更低量化等级的模型（如从Q5转到Q4）。
LM Studio下载模型速度极慢或失败 网络连接问题，或HF源站限速。 检查网络，尝试暂停后继续。 1. 使用第三方下载器下载“原始文件”，然后手动加载。
2. 尝试在设置中更换下载镜像（如果有）。
加载GGUF模型时提示“No LM runtime found for model format ‘gguf’!” LM Studio未能正确关联llama.cpp后端。 确认下载的模型文件扩展名确实是 .gguf 且未损坏。 1. 重启LM Studio 。
2. 检查LM Studio版本是否过旧，前往官网下载最新版。
3. 尝试重新下载模型文件。
模型能加载，但生成速度非常慢（<1 token/s） 几乎所有计算都被放在了CPU上。 检查 GPU Layers 是否设置为0或很小。查看推理时CPU占用是否100%，GPU占用是否很低。 增加 GPU Layers ，将更多计算负载转移到GPU上。
API服务器启动失败，端口被占用 端口1234已被其他程序（如另一个LM Studio实例）使用。 在命令行执行 netstat -ano | findstr :1234 (Win) 或 lsof -i :1234 (Mac/Linux)。 1. 在LM Studio服务器设置中更换一个端口（如 8080 ）。
2. 停止占用该端口的其他进程。
代码调用API时连接被拒绝 API服务器未启动，或代码中的端口/地址错误。 1. 确认LM Studio“服务器”选项卡显示“Server started”。
2. 在浏览器访问 http://localhost:1234/v1/models 测试。 		1. 启动服务器。
2. 确保代码中的 base_url 端口与LM Studio设置一致。
模型回复质量差、胡言乱语 提示词模板不正确，或温度参数过高。 检查是否选择了正确的 Model Prompt Template 。 1. 尝试更换提示词模板（如改为 ChatML ）。
2. 降低 Temperature （如设为0.2）以获得更确定的输出。

9. 最佳实践与长期使用建议

成功运行一次只是开始，要稳定、高效地利用本地大模型，你需要建立一些好的习惯。

  1. 模型文件管理 ：

    • 建立清晰的文件夹结构，例如按模型家族（Qwen、Llama）、参数规模（7B、14B、27B）、量化等级（Q4、Q8）分类存放。
    • 在LM Studio中，你可以通过“我的模型”界面，右键点击模型，选择“在资源管理器中显示”来快速定位文件。

  2. 配置预设 ：

    • 针对不同的使用场景（如“快速聊天”、“长文档总结”、“代码生成”），在LM Studio中配置好不同的参数组合（GPU Layers、上下文长度、温度等），并保存为“预设”。下次使用时一键加载，无需重复调整。

  3. 资源监控 ：

    • 在运行大型模型时，养成监控系统资源的习惯。了解你的硬件瓶颈在哪里（是GPU内存、系统内存还是CPU），这能帮助你做出正确的升级决策或参数调整。

  4. 安全与隐私 ：

    • 本地部署的最大优势就是隐私 。所有对话数据都不会离开你的电脑。但也要注意，不要在本地模型上处理高度敏感的信息，除非你完全信任模型提供方和下载渠道。
    • 启动API服务器时，如果电脑处于共享网络， 务必设置强API密钥 ，并考虑使用防火墙限制访问IP。

  5. 社区与更新 ：

    • LM Studio和模型生态都在快速迭代。关注LM Studio的更新日志，新版本往往会带来性能提升和新功能。
    • 加入相关的开源社区（如llama.cpp、模型的Hugging Face页面），可以获取最新的模型、优化技巧和问题解答。

通过LM Studio，本地部署大模型的技术门槛已经降到了前所未有的低点。它抽象了底层环境的复杂性，让你能专注于模型本身的使用和体验。理解GGUF和MLX的区别，则是你从“能用”到“用好”的关键一步。对于绝大多数用户，从GGUF Q4_K_M格式开始尝试是最稳妥、性价比最高的选择。而对于Apple Silicon Mac用户，则多了一个MLX格式的原生高性能选项。

现在，你已经拥有了一个完全属于自己、随时可用、无需网络、没有使用限制的27B参数AI助手。无论是用于学习、编程辅助、内容创作还是单纯的探索，这片算力与智能的私人领地，已经向你敞开。接下来要做的，就是根据你的具体需求，去深入挖掘它的潜力，并开始思考如何将它集成到你自己的工作流和项目中去。

# LM Studio
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区