OpenCode + LM Studio + Obsidian + Windows实现本地大模型及知识库

本文介绍了OpenCode与LM Studio、Obsidian的本地集成方案，构建个人AI知识库系统。方案包含四个核心组件：LM Studio作为本地推理引擎，OpenCode作为AI编程代理，Obsidian管理知识库，MCP Server实现协议桥接。OpenCode采用模型无关架构，原生支持75+模型，相比Claude Code更具灵活性。文章详细阐述了系统架构、数据流机制和安装配置步骤，

千江明月

505人浏览 · 2026-05-27 17:05:56

千江明月 · 2026-05-27 17:05:56 发布

本实现资料涵盖了OpenCode与LM Studio、Obsidian集成的完整方案，包括架构设计、配置细节和多种MCP桥接工具。

接下来围绕核心组件、数据流、安装步骤、MCP集成和RAG实现这几个方面来组织方案架构，重点突出OpenCode模型无关的特性以及Windows环境下的具体配置路径。

一、总体架构与核心机理

1.1 系统架构概览

本方案构建一个纯本地运行的个人AI知识库系统，由四个核心组件协同运作：

1.2 核心组件功能定位

组件	角色定位	关键能力
LM Studio	本地推理引擎	提供 OpenAI/Anthropic 兼容的本地 API 服务，加载运行 GGUF 格式大模型
OpenCode	AI 编程代理	开源的 AI Coding Agent，原生支持调用本地 LM Studio，内置 75+ 模型兼容性
Obsidian	知识库管理	Markdown 笔记工具，作为知识资产的存储和浏览界面
MCP Server	协议桥接	实现 Model Context Protocol，为 OpenCode 提供 Obsidian 操作和 RAG 能力
Agent Client	Obsidian 集成桥	通过 ACP 协议将 AI 能力以插件形式嵌入 Obsidian

1.3 OpenCode vs Claude Code 的关键差异

OpenCode 是由 Anomaly Innovations（原 SST 团队）开发的开源 AI Coding Agent，完全兼容 Claude Code 的核心功能，同时具有以下本质性差异：

核心差异对比：

特性	Claude Code	OpenCode
开源程度	闭源	完全开源（GitHub 160K+ Stars）
模型供应商绑定	仅 Anthropic API	无绑定，支持 75+ 模型
本地模型支持	需通过 API 重定向 hack	原生支持，内置 LM Studio provider
价格	需 Anthropic API 订阅	完全免费，含免费内置模型
隐私设计	云端会话存储	默认不存储任何代码或上下文数据

OpenCode 的模型无关架构是其核心优势：用户可以将 OpenCode 配置为使用 LM Studio 的本地端点，而不需要通过环境变量 hack 来重定向 API 请求。OpenCode 原生支持 Provider 配置系统，允许用户定义任意模型供应商，包括本地 LM Studio 实例。

截至 2026 年 5 月，OpenCode 在 GitHub 上已获得超过 164,000 颗星，每月有超过 200,000 名开发者使用。

二、数据流与交互机理

2.1 完整的数据流序列图

2.2 OpenCode 与 LM Studio 的 API 对接机理

OpenCode 采用 Provider 配置系统来管理不同模型供应商的连接。与 Claude Code 需要通过环境变量 ANTHROPIC_BASE_URL 进行 API 重定向不同，OpenCode 在配置层面原生支持用户定义自定义 Provider。

OpenCode 对接 LM Studio 的核心机理：

OpenAI API 兼容性：LM Studio 默认提供 OpenAI 兼容的 API 端点 http://localhost:1234/v1。由于 LM Studio 的 /v1/chat/completions 端点完整实现了 OpenAI API 的请求/响应格式，任何支持 OpenAI API 的工具都可以直接对接。
Provider 配置机制：OpenCode 的配置文件 opencode.json 中的 providers 字段允许用户定义任意 LLM 提供商，包括 baseURL、模型标识符、API 密钥等参数。这是 OpenCode 与 LM Studio 集成的标准路径。
认证占位符：由于 LM Studio 的本地 API 服务不实施严格认证，API 密钥字段可填写任意占位符，而配置仍会正常工作。

2.3 Agent Client Protocol 集成机理

OpenCode 原生支持 Agent Client Protocol，这是一个标准化的 AI agent 与编辑器通信协议。通过 Agent Client 插件，Obsidian 可以作为 ACP 客户端连接到 OpenCode，从而实现：

在 Obsidian 内直接与 AI 对话
AI 自动读取和修改当前编辑的笔记
将 AI 生成的写作内容直接插入 Obsidian 编辑器

三、详细安装与配置步骤

3.1 环境准备

组件	最低要求	推荐配置
操作系统	Windows 10/11 64-bit	Windows 11
内存	16 GB	32 GB
显卡	集成显卡/4GB VRAM	NVIDIA RTX 4060+ (8GB+ VRAM)
Node.js	18.x 或更高	20.x LTS
Python	3.10 或更高	3.11+

3.2 步骤一：安装 Node.js

访问 nodejs.org 下载 Windows 安装包，选择 LTS 版本。

安装完成后，在 PowerShell 中验证：

node --version
npm --version

3.3 步骤二：安装 LM Studio

访问 lmstudio.ai/download 下载 Windows 版本
运行安装程序并按提示完成安装
启动 LM Studio 后，在 Models 页面搜索并下载模型，例如：
- nomic-ai/nomic-embed-text-v1.5（嵌入模型，用于 RAG 向量化）
- qwen2.5-coder-7b（7B 参数，适合日常编码任务）
- qwen2.5-14b（14B 参数，适合复杂推理）
点击 Load Model 加载模型并设置参数：
- Context length：建议 ≥ 8K tokens
- GPU Offload：根据显存大小调整

3.4 步骤三：配置 LM Studio API 服务

点击 LM Studio 主界面左侧的开发者图标
打开 Local Server 开关
设置监听地址为 http://localhost:1234
在 CORS 设置中选择允许全部来源（Obsidian 插件访问时需要）
点击 Start Server 启动 API 服务

验证服务器是否正常运行：

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

应返回包含已加载模型信息的 JSON 响应。

3.5 步骤四：安装 OpenCode

OpenCode 在 Windows 上有多种安装方式：

方法一：npm 安装（推荐）

npm install -g opencode-ai

方法二：桌面版安装器

访问 opencode.ai/download 下载 Windows x64 桌面版安装器，解压后运行安装向导。

方法三：包管理器安装（Chocolatey / Scoop）

# Chocolatey
choco install opencode

# Scoop
scoop install opencode

验证安装：

opencode --version

3.6 步骤五：配置 OpenCode 连接 LM Studio

OpenCode 的配置文件位置为 %APPDATA%\opencode\opencode.json（通常位于 C:\Users\<用户名>\AppData\Roaming\opencode\opencode.json）。

完整配置步骤：

创建或编辑主配置文件：

{
  "providers": {
    "lm-studio": {
      "type": "openai",
      "baseURL": "http://localhost:1234/v1",
      "apiKey": "not-needed"
    }
  },
  "models": {
    "qwen2.5-coder-7b": {
      "provider": "lm-studio",
      "model": "qwen2.5-coder-7b",
      "maxTokens": 8192
    }
  },
  "defaultModel": "qwen2.5-coder-7b",
  "mcp": {
    "obsidian": {
      "type": "local",
      "command": ["npx", "second-brain-lite-mcp@latest", "D:/path/to/your/vault"],
      "enabled": true
    }
  }
}

配置 API 密钥（如需认证）：

编辑 %LOCALAPPDATA%\opencode\auth.json：

{
  "lm-studio": {
    "type": "api",
    "key": "dummy-key-not-used"
  }
}

OpenCode 支持的内置免费模型：

OpenCode 内置了多款免费模型供用户直接使用，包括英伟达提供的免费模型（100 万 token 上下文窗口）、Big Pickle、GLM-4 等。用户可以直接选择 Free 标签的模型进行测试：

opencode
# 进入界面后输入 /models 查看可用模型
# 选择 Free 标签的模型开始使用

3.7 步骤六：安装 Obsidian 及相关插件

访问 obsidian.md 下载并安装 Obsidian
创建或打开一个 Vault 作为知识库
在设置中关闭安全模式以启用社区插件

插件一：BRAT（Beta 插件管理器）

BRAT 是一个用于安装测试版插件的工具，因为 OpenCode 相关插件尚未进入官方商店：

设置 → 社区插件 → 浏览 → 搜索 “BRAT” → 安装 → 启用
点击 BRAT 选项 → Add Beta Plugin → 输入 GitHub 地址

插件二：OpenCode Obsidian 插件

在 BRAT 中添加 Beta 插件：https://github.com/mtymek/opencode-obsidian，安装并启用。

插件三：Agent Client

在 BRAT 中添加 Beta 插件：https://github.com/agent-client/obsidian-agent-client，安装并启用。

插件四：Copilot（用于 RAG 知识库功能）

在社区插件市场搜索 “Copilot” 并安装
配置 Copilot 连接 LM Studio：
- Provider 选择 OpenAI Format
- Base URL 填写 http://localhost:1234/v1
- Model Name 填写加载的模型名称
- API Key 可留空或随意填写

四、MCP 协议集成方案

Model Context Protocol (MCP) 是一个开放标准协议，用于 AI 助手与本地资源（如 Obsidian Vault）之间的通信。通过 MCP Server，OpenCode 可以获得与 Obsidian 知识库交互的扩展能力。

4.1 MCP Server 架构

4.2 OpenCode MCP Server 配置方法

OpenCode 配置文件 %APPDATA%\opencode\opencode.json 中的 mcp 字段用于定义 MCP Server 连接。

方案一：Second Brain Lite MCP（推荐）

轻量级 MCP Server，为 Obsidian Vault 提供安全的读写访问，支持 frontmatter 保留和路径限制：

{
  "mcp": {
    "obsidian": {
      "type": "local",
      "command": ["npx", "second-brain-lite-mcp@latest", "D:/obsidian-vault-path"],
      "enabled": true
    }
  }
}

该 Server 提供的工具包括：read_note、write_note、patch_note、delete_note、list_directory、search_notes（BM25 相关性排序）。

方案二：MCPVault

与 Second Brain Lite 类似，提供 14 种 MCP 方法，支持 Obsidian Vault 的完整操作：

{
  "mcp": {
    "obsidian": {
      "type": "local",
      "command": ["npx", "@bitbonsai/mcpvault@latest", "D:/obsidian-vault-path"],
      "enabled": true
    }
  }
}

方案三：OC-Obsidian-MCP

专门为 OpenCode 和 Claude Code 设计的持久化记忆 MCP Server，支持自动会话日志记录、架构决策追踪和知识记忆：

npm install -g oc-obsidian-mcp
oc-obsidian-mcp setup

4.3 配置文件存储位置（Windows）

配置类型	存储路径
OpenCode 主配置文件	`%APPDATA%\opencode\opencode.json`（`C:\Users\<用户名>\AppData\Roaming\opencode\opencode.json`）
OpenCode API 密钥存储	`%LOCALAPPDATA%\opencode\auth.json`
MCP Server 项目配置	项目根目录 `.mcp.json`

4.4 Windows 特定兼容性注意

在 Windows 上，通过 npm 全局安装的包可能因 PATH 问题导致命令不被识别。建议使用完整路径调用 npx：

{
  "command": "C:/Program Files/nodejs/npx.cmd",
  "args": ["second-brain-lite-mcp@latest", "D:/path/to/vault"]
}

或者使用 PowerShell 启动脚本包装：

# opencode-wrapper.ps1
opencode --config "$env:APPDATA\opencode\opencode.json"

五、知识库 RAG 实现方案

5.1 RAG 架构设计

5.2 方案一：Obsidian Copilot + LM Studio RAG

Copilot 插件原生支持 RAG 功能，LM Studio 可作为后端。

配置流程：

安装并加载嵌入模型：在 LM Studio 中加载嵌入模型（如 nomic-embed-text-v1.5）
在 Copilot 中配置 LM Studio：
- 设置 → Copilot → Model → Add Model
- Provider 选择 “OpenAI Format”
- Base URL: http://localhost:1234/v1
- Model Name: 填写加载的对话模型名称
启用嵌入功能：
- 在 Copilot 设置中找到 Embedding 部分
- Base URL: http://localhost:1234/v1
- Model Name: 填写加载的嵌入模型名称（如 nomic-embed-text-v1.5）
索引知识库：
- 按 Ctrl/Cmd + P 打开命令面板
- 执行 “Copilot: Index vault”
- 等待向量化索引完成

索引完成后，Copilot 会在向 LM Studio 请求答案时，自动将相关笔记内容作为上下文拼接进 prompt。

5.3 方案二：Local LLM RAG Plugin（obsidian-local-llm-rag）

这个 Obsidian 插件提供纯本地的 RAG 功能，专门为 LM Studio 和本地 LLM 设计。

安装与配置：

在 Obsidian 社区插件市场搜索 “Local LLM RAG” 并安装
启动 LM Studio 并加载嵌入模型（如 nomic-embed-text-v1.5）
确认状态栏显示绿色的 ● RAG 标记
执行命令 “Local RAG: Index entire vault” 完成全库索引

此方案完全离线运行，无需向云端发送任何笔记数据。

5.4 方案三：MCP Server 向量化 RAG（完整四件套方案）

这是本地私有化 AI 知识库的完整四件套方案：Obsidian + OpenCode + Agent Client + MCP Server。

组件分工：

工具	角色	作用
Obsidian	笔记管理	本地 Markdown 笔记管理，双向链接
MCP Server	知识索引	将笔记向量化，建立语义搜索能力
OpenCode	AI 大脑	本地 AI 编码代理，调用 MCP 服务
Agent Client	对接桥梁	让 Obsidian 能调用 AI 能力

配置流程：

安装并运行嵌入模型服务（Ollama 或 LM Studio）

使用 LM Studio 加载嵌入模型：

// opencode.json MCP 配置
{
  "mcp": {
    "obsidian-memory": {
      "type": "local", 
      "command": ["npx", "@mandays/obsidian-memory-mcp", "--vault", "D:/obsidian-vault"],
      "enabled": true
    }
  }
}

obsidian-memory-mcp 提供 20 种工具，包括 search_memory、read_entity、create_fact 等，支持完整的知识图谱操作。

在 Obsidian 中安装 Agent Client：

通过 BRAT 添加 Agent Client 插件：https://github.com/agent-client/obsidian-agent-client。Agent Client 实现 ACP 协议，使 Obsidian 能够作为 OpenCode 的客户端运行。

配置嵌入模型：

// MCP Server 嵌入配置示例
{
  "embeddingModel": {
    "apiEndpoint": "http://localhost:1234/v1",
    "modelName": "nomic-embed-text-v1.5",
    "dimension": 768
  }
}

索引知识库：

在 Obsidian 命令面板中执行 “Re-index Vault (MCP Server)”，等待索引完成。索引完成后，OpenCode 即可通过 MCP 工具进行语义搜索。

5.5 方案对比与选择建议

特性	Copilot RAG	Local LLM RAG	MCP Server (四件套)
配置复杂度	低	低	中
Obsidian 原生集成	是	是	是（通过 Agent Client）
OpenCode 能力调用	否	否	是
离线完全	是	是	是
语义搜索	支持	支持	支持（search_memory）
知识图谱	否	否	是（事实/实体管理）
适用场景	Obsidian 日常使用	轻量级 RAG	深度 AI 集成开发

六、Windows 特定适配

6.1 OpenCode 在 Windows 上的安装注意

OpenCode 在 Windows 上的安装存在一些特殊注意事项：

不建议使用官方 curl 脚本：该脚本为 Linux/macOS 设计，在 Windows 上会报告假成功但实际未正确安装。
npm PATH 问题：需确保 npm 全局包的 bin 目录已添加到 PATH 环境变量中。检查 npm prefix -g 确认 npm 全局路径。
管理员权限：建议以管理员身份运行 PowerShell 或 CMD 进行安装。
桌面版优先：若命令行安装遇到困难，可直接使用桌面版安装器，安装过程更稳定。

6.2 环境变量持久化

在 Windows PowerShell 中永久设置 OpenCode 相关环境变量：

[System.Environment]::SetEnvironmentVariable('OPENCODE_CONFIG_DIR', '%APPDATA%\opencode', 'User')

6.3 Windows 终端启动脚本

创建 opencode-local.ps1 脚本：

# opencode-local.ps1
$env:OPENCODE_CONFIG = "$env:APPDATA\opencode\opencode.json"
opencode

6.4 CORS 与防火墙配置

如需从其他设备访问本地 LM Studio 服务：

在 LM Studio 设置中将 Local Server 监听地址设为 0.0.0.0
在 CORS 设置中选择 “Allow all origins”
在 Windows 防火墙中开放端口 1234（入站规则 → 新建规则 → 端口 → TCP 1234 → 允许连接）

七、项目文件结构组织

7.1 建议的目录结构

C:/Users/[用户名]/
├── obsidian-vaults/
│   └── my-knowledge-base/
│       ├── .claude/                          # Claude Code 兼容 Skills 目录
│       │   └── skills/
│       │       ├── knowledge-retrieval.md
│       │       └── note-management.md
│       ├── .mcp.json                         # 项目级 MCP 配置
│       ├── sources/                          # 原始资料存放区
│       ├── wiki/                             # 知识笔记区
│       ├── clippings/                        # 网页摘录区
│       └── attachments/                      # 附件文件
│
├── AppData/Roaming/opencode/
│   ├── opencode.json                         # OpenCode 主配置
│   ├── auth.json                             # API 密钥存储
│   └── mcp-servers/                          # MCP Server 本地缓存
│
├── AppData/Local/opencode/
│   └── cache/                                # OpenCode 缓存
│
└── .zvec-mcp/                                # zvec-mcp 向量数据库（如使用）

7.2 完整 OpenCode 配置文件示例

%APPDATA%\opencode\opencode.json 完整示例：

{
  "providers": {
    "lm-studio": {
      "type": "openai",
      "baseURL": "http://localhost:1234/v1",
      "apiKey": "not-needed"
    },
    "ollama": {
      "type": "openai",
      "baseURL": "http://localhost:11434/v1",
      "apiKey": "ollama"
    }
  },
  "models": {
    "qwen2.5-coder-7b": {
      "provider": "lm-studio",
      "model": "qwen2.5-coder-7b",
      "maxTokens": 8192,
      "temperature": 0.7
    },
    "nomic-embed-text": {
      "provider": "lm-studio",
      "model": "nomic-embed-text-v1.5",
      "maxTokens": 2048,
      "type": "embedding"
    }
  },
  "defaultModel": "qwen2.5-coder-7b",
  "mcp": {
    "obsidian": {
      "type": "local",
      "command": ["npx", "second-brain-lite-mcp@latest", "D:/obsidian-vaults/my-knowledge-base"],
      "enabled": true
    },
    "obsidian-memory": {
      "type": "local",
      "command": ["npx", "@mandays/obsidian-memory-mcp", "--vault", "D:/obsidian-vaults/my-knowledge-base"],
      "enabled": true
    }
  },
  "skills": {
    "knowledge-retrieval": {
      "description": "Search and retrieve information from Obsidian knowledge base",
      "triggers": ["@kb", "@search"],
      "tools": ["obsidian.search_notes", "obsidian.read_note"]
    }
  },
  "ui": {
    "theme": "dark",
    "streaming": true
  }
}

7.3 OpenCode API 密钥配置示例

%LOCALAPPDATA%\opencode\auth.json：

{
  "lm-studio": {
    "type": "api",
    "key": "dummy-key-not-required"
  },
  "anthropic": {
    "type": "api",
    "key": "your-anthropic-api-key"
  },
  "openai": {
    "type": "api",
    "key": "your-openai-api-key"
  }
}

八、故障排查速查表

问题现象	可能原因	解决方案
`opencode` 命令无法识别	npm 全局路径未加入 PATH	检查 `npm prefix -g`，将 bin 目录添加到 PATH，或使用 `npx opencode-ai`
OpenCode 启动后无法连接 LM Studio	Provider 配置错误	检查 `opencode.json` 中 baseURL 是否为 `http://localhost:1234/v1`
Obsidian Copilot 报错 “messages field is required”	请求格式不符合 LM Studio 预期	检查 Copilot 请求模板，确保使用 OpenAI 兼容格式
CORS 跨域错误	LM Studio 未启用 CORS	在 LM Studio 设置中启用 CORS，选择允许所有来源
LM Studio API 调用超时	模型推理时间过长	检查 LM Studio 模型加载参数，降低上下文长度
Obsidian Agent Client 无法连接 OpenCode	ACP 协议未正确配置	确认 Agent Client 插件已启用，OpenCode 以 ACP 模式运行
MCP Server 无法通过 npx 启动	Windows npx.cmd 路径问题	使用完整路径 `C:/Program Files/nodejs/npx.cmd` 或在配置中使用 `cmd /c npx` 包装
BRAT 无法安装 Beta 插件	GitHub 仓库地址错误	确认仓库地址正确，如 `https://github.com/mtymek/opencode-obsidian`

九、性能优化建议

9.1 模型选择与参数调优

模型	参数规模	推荐显存	适用场景
qwen2.5-coder-3b	3B	4GB	轻量级代码生成和笔记辅助
qwen2.5-coder-7b	7B	8GB	日常编程和知识问答
nomic-embed-text-v1.5	137M	2GB	嵌入/向量化（RAG 专用）
llama-3-8b	8B	8-12GB	通用对话和知识问答
qwen2.5-14b	14B	16GB	复杂推理任务

9.2 上下文长度建议

根据硬件配置设置合适的上下文长度：

笔记本（8GB 显存）：建议 4-8K tokens
台式机（12-16GB 显存）：建议 8-16K tokens
高端显卡（24GB+ 显存）：建议 16-32K tokens

9.3 LM Studio 性能参数

GPU Offload：根据显存大小调整，8GB 显存约可 offload 6-7B 参数
CPU Threads：启用多线程可显著提升 CPU 推理速度
Batch Size：嵌入模型推荐批处理大小根据硬件调整，优先选择量化模型版本（如 Q4_K_M）

9.4 OpenCode 高级优化

OpenCode 允许根据任务类型动态切换模型：

Plan 模式：使用更大、更强大的模型进行深度思考和架构设计
Build 模式：使用本地 LM Studio 模型进行代码生成，效率更高

这种混合策略可以让用户在本地推理与云端高级模型之间灵活切换，平衡性能与成本。

十、完整用例工作流

10.1 知识入库流程

10.2 知识查询与 AI 对话流程

十一、安全性考虑

11.1 本地部署隐私优势

所有笔记和向量数据完全保存在本地，绝不通过网络上传
LM Studio 在本地 GPU 进行模型推理，数据零外流风险
OpenCode 默认不存储任何代码或上下文数据，代码不上传至第三方服务器
Obsidian Vault 文件存储在你自己的硬盘上，无需担心平台倒闭、服务涨价、隐私泄露

11.2 配置安全

LM Studio 本地 API 服务默认仅监听 localhost，外部无法访问
如需开放外部访问，应配置防火墙规则限制来源 IP
生产环境禁用 CORS 的 “允许所有来源” 选项

11.3 LM Studio API 安全

LM Studio 的 API 服务不实施严格的认证机制，占位符 API 密钥仅用于兼容性，真正的访问控制依赖网络层面的隔离。

十二、术语表

术语	说明
ACP	Agent Client Protocol，标准化编辑器与 AI Agent 通信的协议
Anthropic API	Anthropic 公司为 Claude 模型提供的云端 API 服务
BRAT	Obsidian Beta 插件管理工具，用于安装未上架官方商店的测试版插件
CORS	跨域资源共享，浏览器安全机制，需为本地 API 正确配置
Embedding	将文本转化为向量表示的技术，用于语义相似度计算
GGUF	量化模型格式，LM Studio 支持的本地模型格式
LM Studio	本地大模型运行平台，提供模型下载、加载和 API 服务
MCP	Model Context Protocol，AI 与本地资源通信的开放标准协议
Obsidian Vault	Obsidian 笔记仓库，本质上是一个本地文件夹
OpenCode	开源 AI Coding Agent，完全兼容 Claude Code，支持 75+ 模型
RAG	Retrieval-Augmented Generation，检索增强生成技术
Provider	OpenCode 中定义模型供应商的配置单元，包含 baseURL、认证等信息
Skill	OpenCode 的扩展功能模块，实现特定领域的专业化能力
Vector Database	向量数据库，用于存储和检索 embedding 向量

加入AMD AI开发者计划！

免费领 100 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

PyTorch深度学习实战（54）——使用TorchScript和ONNX导出通用PyTorch模型

AMD开发者中国社区

基于vLLM部署Gemma-4-E2B多模态大模型和调用API 服务

基于vLLM的推理引擎大幅提升模型响应速度，FastAPI接口可直接集成到业务系统中，适用于智能问答、图片分析、多模态交互等实际应用场景。多模态大模型，实现图片+文本的多模态问答功能，并通过FastAPI封装为可视化API服务，最终完成本地接口测试。服务启动后，自动加载Processor和Gemma模型到GPU，加载完成后可接收外部请求。成功部署Google Gemma-4-E2B-it多模态大模

AMD开发者中国社区

ESXi 支持哪些 GPU 直通？NVIDIA/AMD 全系列兼容与配置指南

GPU 直通（PCIe Passthrough）是 VMware ESXi 提供的硬件虚拟化技术，通过直接将物理 GPU 设备分配给单台虚拟机独占使用，绕过 ESXi 虚拟化层的资源调度，让虚拟机获得完整的 GPU 算力与功能支持，性能损耗低于 5%，可实现与物理机几乎一致的运行体验。ESXi 对 GPU 直通的支持非常完善，核心兼容型号为 NVIDIA V100/A100/RTX 全系列和 AM

AMD开发者中国社区

所有评论(0)

查看更多评论

千江明月

@lza_csdn2019

已为社区贡献3条内容

OpenCode + LM Studio + Obsidian + Windows实现本地大模型及知识库

千江明月

一、总体架构与核心机理

1.1 系统架构概览

1.2 核心组件功能定位

1.3 OpenCode vs Claude Code 的关键差异

二、数据流与交互机理

2.1 完整的数据流序列图

2.2 OpenCode 与 LM Studio 的 API 对接机理

2.3 Agent Client Protocol 集成机理

三、详细安装与配置步骤

3.1 环境准备

3.2 步骤一：安装 Node.js

3.3 步骤二：安装 LM Studio

3.4 步骤三：配置 LM Studio API 服务

3.5 步骤四：安装 OpenCode

3.6 步骤五：配置 OpenCode 连接 LM Studio

3.7 步骤六：安装 Obsidian 及相关插件

四、MCP 协议集成方案

4.1 MCP Server 架构

4.2 OpenCode MCP Server 配置方法

4.3 配置文件存储位置（Windows）

4.4 Windows 特定兼容性注意

五、知识库 RAG 实现方案

5.1 RAG 架构设计

5.2 方案一：Obsidian Copilot + LM Studio RAG

5.3 方案二：Local LLM RAG Plugin（obsidian-local-llm-rag）

5.4 方案三：MCP Server 向量化 RAG（完整四件套方案）

5.5 方案对比与选择建议

六、Windows 特定适配

6.1 OpenCode 在 Windows 上的安装注意

6.2 环境变量持久化

6.3 Windows 终端启动脚本

6.4 CORS 与防火墙配置

七、项目文件结构组织

7.1 建议的目录结构

7.2 完整 OpenCode 配置文件示例

7.3 OpenCode API 密钥配置示例

八、故障排查速查表

九、性能优化建议

9.1 模型选择与参数调优

9.2 上下文长度建议

9.3 LM Studio 性能参数

9.4 OpenCode 高级优化

十、完整用例工作流

10.1 知识入库流程

10.2 知识查询与 AI 对话流程

十一、安全性考虑

11.1 本地部署隐私优势

11.2 配置安全

11.3 LM Studio API 安全

十二、术语表

所有评论(0)

温馨提示：您尚未绑定手机号

千江明月