1. 项目缘起：为什么选择 LM Studio + Docker 的组合？

最近在折腾本地大模型，发现一个挺有意思的现象：很多朋友在尝试 LM Studio 时，要么被繁琐的环境依赖搞得焦头烂额，要么就是在一台机器上配置好后，换台电脑或者想分享给同事时又得重来一遍。我自己也经历过这种痛苦，尤其是在不同操作系统（Windows、macOS、Linux）之间切换时，那种“明明上次能跑，这次怎么就报错了”的无力感，相信不少人都体会过。

这时候，Docker 的价值就凸显出来了。它就像一个标准化的“软件集装箱”，把 LM Studio 及其所有依赖（比如 Python 版本、系统库、CUDA 驱动兼容层）都打包在一起。你在这个“集装箱”里配置好的一切，在任何支持 Docker 的机器上都能以几乎完全相同的方式运行起来。这带来的直接好处就是 环境一致性 和 可移植性 。你再也不用担心“在我的机器上是好的”这种经典问题。

LM Studio 本身是一个极其优秀的本地大模型图形化管理和推理工具，它让加载、运行、对话各种开源模型变得像用播放器打开音乐文件一样简单。但它本质上还是一个桌面应用，其安装过程依然会与宿主机系统深度交互。而通过 Docker 部署，我们将这个应用“容器化”，实现了 隔离性 和 安全性 。你的宿主机可以保持干净，所有实验都局限在容器内，玩坏了删掉容器重来就行，对主机系统零污染。

所以，“LM Studio Docker 部署”这个组合，瞄准的核心痛点就是： 简化部署、统一环境、一次构建、处处运行 。这对于想快速在本地体验不同大模型的研究者、需要为团队提供统一测试环境的开发者、或者单纯不想搞乱自己电脑的爱好者来说，是一个非常优雅的解决方案。接下来，我就带你一步步实现这个“一键启动”的部署方案，并分享其中几个关键的技术细节和避坑点。

2. 部署前的核心准备：理解架构与资源评估

在动手敲命令之前，我们必须先搞清楚我们要构建的是一个什么东西，以及它需要什么样的“粮草”（系统资源）。盲目开始往往会导致部署中途失败，或者容器跑起来后性能惨不忍睹。

2.1 LM Studio 在 Docker 中的运行模式分析

首先需要明确一点：我们无法直接将官方的 LM Studio 桌面应用整个塞进 Docker 容器。因为桌面应用依赖图形界面（GUI），而标准的 Docker 容器是无头（headless）的，没有显示服务器。因此，常见的思路有两种：

  1. 无头服务器模式 ：我们部署的是 LM Studio 的 推理后端服务 。LM Studio 本身基于类似 OpenAI API 的格式提供本地 HTTP 服务。我们可以在容器内运行这个服务，然后通过宿主机上的任何兼容 OpenAI API 的客户端（包括 LM Studio 桌面版、ChatGPT-Next-Web、各种脚本）来连接它。这是最主流、最轻量、最适合生产集成的方式。
  2. VNC/桌面模式 ：在容器内安装完整的桌面环境和 VNC 服务器，然后通过宿主机上的 VNC 客户端远程连接进去，在容器内部“看到”并操作 LM Studio 的图形界面。这种方式更贴近原生体验，但容器体积庞大，资源开销高，通常仅用于演示或特殊需求。

我们的“一键启动”方案将聚焦于第一种模式，即 部署 LM Studio 的本地 API 服务器 。这样做的好处是容器非常精简，只包含必要的运行时和模型文件，资源利用率高，并且可以轻松集成到其他自动化流程中。

2.2 硬件与软件资源门槛评估

运行大模型，资源是硬道理。在规划 Docker 部署前，请务必评估你的硬件。

硬件资源（以运行 7B 参数量级模型为例）：

  • CPU ：现代四核或以上处理器。虽然推理可以跑在 CPU 上，但速度会慢很多。
  • 内存（RAM） ： 这是关键！ 至少需要 16GB。模型加载到内存后，7B 的 FP16 模型大约需要 14GB 显存/内存。如果你的显卡显存不足，系统会使用共享内存或系统内存，因此充足的系统内存是备份保障。计划运行 13B 或更大模型，建议 32GB 或更多。
  • 显卡（GPU） ： 强烈推荐拥有 NVIDIA GPU 。这是加速推理的核心。你需要：
    • 一张支持 CUDA 的 NVIDIA 显卡（GTX 10系列及以上，推荐 RTX 20/30/40 系列）。
    • 足够的显存（VRAM）。一个 7B 的量化模型（如 q4_K_M）大约需要 4-6GB 显存。13B 模型可能需要 8-12GB。请根据你想运行的模型选择显卡。
  • 存储 ：至少预留 20-50GB 的 SSD 空间。用于存放 Docker 镜像、容器以及下载的模型文件（一个 7B 的 GGUF 模型文件大约 4-8GB）。

软件与环境准备：

  1. Docker 环境 ：这是基础。你需要在本机安装并成功运行 Docker Engine。
    • Windows/macOS ：推荐安装 Docker Desktop 。安装后，务必在设置中启用“使用基于 WSL 2 的引擎”（Windows）或确保虚拟化支持已开启。
    • Linux ：根据发行版使用包管理器安装 Docker Engine 和 Docker Compose Plugin。
    • 验证安装 ：打开终端，运行 docker --version 和 docker run hello-world ，确保能正常输出信息并运行测试容器。
  2. NVIDIA 容器工具包 ：为了让 Docker 容器能使用宿主机的 GPU，这是必须的步骤。这通常比想象中麻烦一点。
    • Linux ：按照 NVIDIA 官方文档安装 nvidia-container-toolkit ，并重启 Docker 服务。
    • Windows/macOS (Docker Desktop) ：在 Docker Desktop 的设置（Settings）中，找到“Resources” -> “WSL Integration”确保已启用，并且对于 Linux 容器，GPU 支持可能需要 Windows 11 和 WSL 2 的特定版本。对于 macOS，由于苹果芯片的差异，GPU 支持有限，通常需要寻找支持 Metal 的特定方案。
    • 验证 GPU 访问 ：安装后，运行 docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi 。如果能看到和你宿主机上一样的 GPU 信息列表，恭喜你，最难的一关已经过了。如果报错，请根据错误信息搜索解决，常见问题是驱动版本不匹配或工具包未正确安装。

注意 ：很多人在第一步“Docker Desktop failed to start because virtualisation support wasn‘t detected”就卡住了。这通常是因为 BIOS/UEFI 设置中的虚拟化技术（Intel VT-x / AMD-V）没有开启。重启电脑进入 BIOS，找到相关选项（通常叫 Virtualization Technology, VT-x, SVM Mode）并启用它。对于 Windows，还需确保“Windows 功能”中的“Hyper-V”和“Windows 虚拟机监控程序平台”已启用。

3. 构建与运行：从 Dockerfile 到一键启动脚本

理解了原理，备好了环境，我们就可以开始动手构建了。我们将创建一个清晰的项目目录，并编写核心的 Docker 构建文件。

3.1 创建项目结构与编写 Dockerfile

首先，在你喜欢的位置创建一个项目文件夹，例如 lm-studio-docker 。 

lm-studio-docker/
├── Dockerfile          # 容器构建说明书
├── docker-compose.yml  # 服务编排与一键启动配置（推荐）
├── models/             # （可选）用于挂载宿主机模型目录
├── config/             # （可选）用于挂载配置文件
└── start.sh            # （可选）辅助启动脚本

Dockerfile 详解 这是构建镜像的蓝图。由于 LM Studio 没有提供官方的无头服务器 Docker 镜像，我们需要基于一个合适的 Linux 基础镜像，手动安装其 Linux 版本。 

# 使用带有 CUDA 支持的 Ubuntu 基础镜像，确保 GPU 可用
FROM nvidia/cuda:12.1.1-runtime-ubuntu22.04

# 设置非交互式前端以避免安装过程中提示
ENV DEBIAN_FRONTEND=noninteractive

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    wget \
    curl \
    tar \
    xz-utils \
    # 添加 LM Studio 可能需要的库，例如 OpenBLAS 或其他数学库
    libopenblas-dev \
    # 清理缓存以减小镜像体积
    && rm -rf /var/lib/apt/lists/*

# 创建一个非 root 用户来运行应用，更安全
RUN useradd -m -s /bin/bash lmstudio
USER lmstudio
WORKDIR /home/lmstudio

# 下载 LM Studio 的 AppImage 文件（请替换为最新版本链接）
# 你需要从 LM Studio 官网查找最新的 Linux 版本链接
ARG LM_STUDIO_URL="https://releases.lmstudio.ai/linux/x64/latest/lm-studio-0.3.4-linux-x64.AppImage"
RUN wget -O lm-studio.AppImage ${LM_STUDIO_URL} \
    && chmod +x lm-studio.AppImage

# 解压 AppImage 以获取其中的可执行文件（AppImage 本质是可执行压缩包）
# 使用 --appimage-extract 参数
RUN ./lm-studio.AppImage --appimage-extract \
    && rm lm-studio.AppImage

# 将解压后的目录加入 PATH
ENV PATH="/home/lmstudio/squashfs-root/usr/bin:${PATH}"

# 暴露 LM Studio 本地 API 服务器的默认端口
EXPOSE 1234

# 设置容器启动时执行的命令
# 这里我们直接运行解压后的可执行文件，并以 server 模式启动，绑定到所有网络接口
CMD ["./squashfs-root/AppRun", "--server", "--host", "0.0.0.0"]

关键点解析：

  • 基础镜像选择 ：我们选择了 nvidia/cuda:12.1.1-runtime-ubuntu22.04 。它包含了 CUDA 运行时环境，确保容器内可以直接使用 GPU 加速。版本号（12.1.1）应尽量与宿主机 NVIDIA 驱动支持的 CUDA 版本匹配。
  • 使用非 root 用户 ：以 root 身份运行应用存在安全风险。创建一个专用用户是 Docker 最佳实践。
  • 处理 AppImage ：LM Studio 的 Linux 版是 AppImage 格式。我们下载后，通过 --appimage-extract 将其解压，然后运行其中的主程序。这种方式比直接运行 AppImage 更易于在容器内管理。
  • 启动命令 ： --server 参数告诉 LM Studio 以 API 服务器模式启动。 --host 0.0.0.0 使得服务监听所有网络接口，这样宿主机才能访问到容器内的服务。

3.2 使用 Docker Compose 实现“一键启动”

手动使用 docker run 命令需要记住一长串参数（端口映射、卷挂载、GPU 传递等）。 docker-compose.yml 文件可以让我们用一句简单的 docker compose up -d 完成所有操作，这才是真正的“一键”。 

version: '3.8'

services:
  lm-studio:
    # 构建上下文为当前目录，使用我们上面写的 Dockerfile
    build: .
    container_name: lm-studio-server
    restart: unless-stopped # 容器意外退出时自动重启
    ports:
      # 将容器内的 1234 端口映射到宿主机的 1234 端口
      - "1234:1234"
    volumes:
      # 挂载一个目录到容器内，用于持久化保存模型文件。
      # 避免每次重建容器后都要重新下载模型。
      - ./models:/home/lmstudio/.cache/lm-studio/models
      # （可选）挂载配置文件目录
      # - ./config:/home/lmstudio/.config/LM\ Studio
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all # 使用所有可用的 GPU
              capabilities: [gpu] # 申请 GPU 能力
    # 设置环境变量，例如可以指定使用的 GPU 编号
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    # 让容器有足够的权限访问 GPU 和设备
    privileged: true # 注意：出于安全考虑，在生产环境应寻求更细粒度的权限控制

关键配置说明：

  • ports: - "1234:1234" ：这是最关键的映射。LM Studio 服务器默认在 1234 端口监听。我们将宿主机的 1234 端口映射到容器的 1234 端口。这样，你在宿主机上访问 http://localhost:1234 就能连接到容器内的服务。
  • volumes ：卷挂载实现了数据的持久化和共享。
    • ./models:/home/lmstudio/.cache/lm-studio/models ：将当前目录下的 models 文件夹，映射到容器内 LM Studio 默认存放模型的缓存路径。这样，你下载的模型文件会保存在宿主机的 ./models 里，即使删除容器，模型也不会丢失。下次启动新容器时，模型依然在。
  • deploy.resources.reservations.devices ：这是 Docker Compose 中声明使用 GPU 的标准方式（需要 Docker Compose v2.16.0+ 或更高版本）。它明确告诉 Docker 为这个服务预留 GPU 资源。
  • privileged: true ：为了简化 GPU 设备访问，这里给了容器特权模式。在学习和开发环境中可以接受。对于更安全的生产部署，你应该使用 device 映射和特定的 capabilities ，但这需要更复杂的配置。

3.3 构建镜像并启动服务

现在，一切就绪。打开终端，进入你的 lm-studio-docker 项目目录。

  1. 构建 Docker 镜像 ： 

    docker compose build

    这个过程会下载基础镜像并执行 Dockerfile 里的所有指令，可能需要几分钟时间，取决于你的网络速度。

  2. 启动容器服务 ： 

    docker compose up -d

    -d 参数代表“后台运行”。执行后，Docker 会拉取镜像（如果还没构建的话），创建并启动容器。

  3. 查看运行状态和日志 ： 

    # 查看容器是否在运行
docker compose ps
# 查看容器的实时日志，用于调试
docker compose logs -f lm-studio

    如果一切正常，在日志中你应该能看到 LM Studio 启动的信息，并提示服务器正在监听端口。

  4. 验证服务 ： 打开你的浏览器或使用 curl 命令，访问 http://localhost:1234/v1/models 。如果返回一个 JSON 数据（可能初始为空列表 [] ），说明 API 服务器已经成功运行。

至此，你的本地大模型 API 服务器就已经通过 Docker 一键部署完成了。你可以像使用 OpenAI API 一样使用这个端点。

4. 模型管理与 API 调用实战

服务跑起来了，但容器里还没有模型。我们需要下载模型，并通过 API 进行交互。

4.1 向 Docker 化的 LM Studio 添加模型

LM Studio 的 Docker 容器本身不包含任何模型。你有两种主要方式添加模型：

方式一：通过 LM Studio 桌面应用下载并共享目录（推荐） 这是最直观的方法。因为我们已经把宿主机的 ./models 目录挂载到了容器内。

  1. 在你的宿主机上，正常安装并打开 LM Studio 桌面版。
  2. 在 LM Studio 的 “Models” 页面，搜索并下载你想要的模型（例如 Qwen2.5-7B-Instruct-GGUF ）。下载时，LM Studio 会将其保存到默认的本地缓存目录。
  3. 找到这个缓存目录。在 Linux/macOS 上通常是 ~/.cache/lm-studio/models ，在 Windows 上是 C:\Users\<你的用户名>\.cache\lm-studio\models 。
  4. 将下载好的模型文件（通常是 .gguf 格式）， 复制或链接 到你 Docker 项目下的 ./models 目录中。
  5. 重启 Docker 容器： docker compose restart 。LM Studio 服务器会自动扫描挂载的模型目录并加载可用模型。

方式二：通过容器内命令行下载（适用于无桌面环境） 如果你在纯服务器环境（如云主机）部署，可以通过进入容器内部进行操作。

  1. 进入正在运行的容器： 
    docker compose exec lm-studio bash
  2. 在容器内，你可以使用 curl 或 wget 直接从 Hugging Face 等模型仓库下载 GGUF 模型文件到挂载的卷目录 /home/lmstudio/.cache/lm-studio/models/ 下。 
    cd /home/lmstudio/.cache/lm-studio/models/
wget https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf
  3. 退出容器后，重启服务使其识别新模型。

4.2 使用 OpenAI 兼容 API 进行对话测试

LM Studio 服务器提供了与 OpenAI API 格式兼容的接口。这意味着你可以使用任何兼容 OpenAI 的客户端库或工具来调用它。

使用 curl 进行简单测试：

假设我们下载的模型是 qwen2.5-7b-instruct-q4_k_m.gguf 。

  1. 列出已加载模型 ： 

    curl http://localhost:1234/v1/models

    这会返回一个 JSON，其中应包含你刚放入模型目录的模型 ID。

  2. 发起一个聊天补全请求 ： 

    curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5-7b-instruct-q4_k_m", # 使用你的模型 ID
    "messages": [
      {"role": "system", "content": "你是一个乐于助人的助手。"},
      {"role": "user", "content": "请用一句话介绍你自己。"}
    ],
    "max_tokens": 100,
    "temperature": 0.7
  }'

    如果成功，你会收到一个包含模型回复的 JSON 响应。

使用 Python 客户端：

你可以使用官方的 openai 库，只需将 base_url 指向你的本地服务。 

from openai import OpenAI

# 初始化客户端，指向本地 LM Studio 服务器
client = OpenAI(
    base_url="http://localhost:1234/v1", # 注意这里的 /v1 是必须的
    api_key="lm-studio", # LM Studio 不需要真实的 API key，任意非空字符串即可
)

response = client.chat.completions.create(
    model="qwen2.5-7b-instruct-q4_k_m", # 你的模型 ID
    messages=[
        {"role": "system", "content": "你是一个代码专家。"},
        {"role": "user", "content": "用Python写一个快速排序函数。"}
    ],
    temperature=0.7,
    max_tokens=500,
)

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

这样，你就可以像调用 GPT 一样调用自己本地部署的大模型了。你可以将此 API 集成到你的笔记软件、聊天机器人、自动化脚本中，完全私有化，没有网络延迟，也没有使用限制。

5. 进阶配置、优化与排错指南

基础服务跑通后，我们还需要关注性能、稳定性和一些常见问题。

5.1 性能调优与资源配置

Docker 容器默认的资源限制可能不适合大模型推理。我们需要根据硬件情况调整。

在 docker-compose.yml 中调整资源限制： 

services:
  lm-studio:
    ...
    # 在 deploy 部分或顶级使用资源限制
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1 # 明确指定使用1块GPU，如果你有多块
              capabilities: [gpu]
        limits:
          cpus: '4.0' # 限制容器最多使用4个CPU核心
          memory: 16G # 限制容器最大内存使用量
    # 或者使用传统的资源限制（与deploy同级，但deploy方式更现代）
    # cpus: '4.0'
    # mem_limit: 16g
  • GPU 选择 ：如果你有多张 GPU，可以通过 NVIDIA_VISIBLE_DEVICES=0,1 环境变量或 count: 2 来指定使用哪几张。在 LM Studio 中，可能还需要通过其内部设置或启动参数来指定使用的 GPU。
  • 内存限制 ： mem_limit 非常重要。应该设置为略小于你系统可用物理内存的值，为宿主机系统和其他应用留出空间。例如，系统有 32GB 内存，可以给容器分配 24G 或 28G 。
  • CPU 限制 ：限制 CPU 可以防止推理任务吃满所有核心，影响宿主机其他服务。

LM Studio 服务器启动参数优化： 你可以在 Dockerfile 的 CMD 或 docker-compose.yml 的 command 覆盖中，添加更多 LM Studio 的启动参数。 

services:
  lm-studio:
    ...
    command: ["./squashfs-root/AppRun", "--server", "--host", "0.0.0.0", "--port", "1234", "--model", "/home/lmstudio/.cache/lm-studio/models/qwen2.5-7b-instruct-q4_k_m.gguf"]
  • --model ：可以指定容器启动后自动加载的模型路径，省去手动加载的步骤。
  • --threads ：限制推理使用的 CPU 线程数。
  • --ctx-size ：设置模型的上下文长度（如 4096, 8192）。更大的上下文需要更多内存。

5.2 常见问题排查（踩坑记录）

在部署过程中，你几乎一定会遇到一些问题。这里记录几个最常见的坑和解决方案。

问题一：容器启动失败，日志显示“无法找到 GPU”或 CUDA 错误。

  • 检查 ：首先在宿主机运行 nvidia-smi ，确认驱动和 GPU 状态正常。
  • 检查 ：运行 docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi ，确认 Docker 能访问 GPU。
  • 解决 ：确保 docker-compose.yml 中正确配置了 deploy.resources.devices 。对于旧版 Docker Compose，可能需要使用 runtime: nvidia 和 environment: - NVIDIA_VISIBLE_DEVICES=all 的组合。最根本的，确保宿主机已正确安装 nvidia-container-toolkit 并重启了 Docker 服务。

问题二：API 请求超时或无响应，但容器日志显示服务已启动。

  • 检查 ：确认端口映射正确。在宿主机运行 curl http://localhost:1234/v1/models 或使用浏览器访问。
  • 检查 ：查看容器日志 docker compose logs lm-studio ，看是否有模型加载错误或内存不足的报错。首次加载一个大模型可能需要几分钟。
  • 解决 ：可能是模型文件损坏或格式不被支持。尝试在 LM Studio 桌面版中加载同一个模型文件，确认其完好。也可能是内存/显存不足，尝试加载一个更小的量化模型（如 q4_0 或 q3_K_S）。

问题三：模型加载成功，但推理速度异常缓慢。

  • 检查 ：通过 nvidia-smi 查看容器运行时 GPU 利用率。如果一直是 0%，说明推理可能跑在 CPU 上。
  • 解决 ：确保你的模型是 GPU 兼容的格式（GGUF 格式通常支持 GPU 卸载）。在 LM Studio 服务器中，可能需要通过 API 调用在加载模型时指定 GPU 层数。例如，使用 /v1/models/load 端点（如果 LM Studio 提供）或在其 Web UI 中设置。另一种可能是 CPU 瓶颈，确保 Docker 容器有足够的 CPU 资源，并且没有其他进程大量占用 CPU。

问题四：宿主机磁盘空间不足，尤其是下载多个模型后。

  • 解决 ：Docker 镜像、容器和卷都会占用空间。定期清理无用资源。 
    # 删除所有已停止的容器
docker container prune
# 删除所有未被使用的镜像、卷和网络
docker system prune -a
# 查看 Docker 磁盘使用详情
docker system df
    对于模型文件，合理规划你的 ./models 目录，只保留常用的模型。

5.3 生产环境考量与安全加固

目前的配置为了方便演示，采用了 privileged: true ，这在生产环境是不安全的。对于长期运行的服务，应考虑：

  1. 去除特权模式 ：尝试移除 privileged: true ，看服务是否仍能正常访问 GPU。如果不行，需要更精细地映射设备并添加能力。 

    devices:
  - "/dev/nvidia0:/dev/nvidia0" # 映射具体 GPU 设备
  - "/dev/nvidiactl:/dev/nvidiactl"
  - "/dev/nvidia-uvm:/dev/nvidia-uvm"
cap_add:
  - SYS_ADMIN # 可能需要，但有风险
# 或者使用 security_opt 进行更细粒度控制

    这需要根据你的具体环境进行测试。

  2. 网络隔离 ：不要将 API 端口（1234）直接暴露在公网。使用反向代理（如 Nginx）并配置防火墙规则，或者仅在内网访问。

  3. 使用私有镜像仓库 ：将构建好的 lm-studio 镜像推送到私有的 Docker 镜像仓库（如 Harbor, GitLab Registry），便于在其他服务器上快速拉取部署，保证环境绝对一致。

  4. 日志与监控 ：配置 Docker 容器的日志驱动，将日志收集到 ELK 或 Loki 等集中日志系统。使用 Prometheus 和 cAdvisor 监控容器的 CPU、内存、GPU 使用情况。

通过以上步骤，你不仅拥有了一个可以一键启动的本地大模型服务，还掌握了对其定制、优化和排错的能力。这个 Docker 化的 LM Studio 方案，就像在你的本地数据中心部署了一个迷你版的私有化 GPT 服务，为你的各种创意和应用提供了坚实、灵活且私密的基础设施。

# 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