### 使用 Python 调用 LM Studio 模型 为了使用 Python 调用 LM Studio 中的模型，通常需要先启动 LM Studio 并加载所需的模型。之后可以通过 RESTful API 或者 WebSocket 接口与之交互。下面展示了一个简单的例子，说明如何利用 `requests` 库发送 HTTP 请求给正在运行中的 LM Studio 实例。 #### 安装必要的库 如果还没有安装 requests 库，则需执行 pip install 命令来获取该依赖项： ```bash pip install requests ``` #### 发送请求至 LM Studio 的 Python 代码实例 这里假设已经有一个可用的语言模型在 LM Studio 上处于监听状态，并且知道其服务地址（例如 http://localhost:8080）。以下是发起对话请求的一个基本方式： ```python import json import requests def query_lm_studio(prompt_text): url = "http://localhost:8080/api/v1/chat/completions" payload = { 'prompt': prompt_text, 'max_tokens': 50, 'temperature': 0.7, 'top_p': 1, 'n': 1, 'stream': False, 'logprobs': None, 'stop': ["\n"] } headers = {'Content-Type': 'application/json'} response = requests.post(url, data=json.dumps(payload), headers=headers) if response.status_code == 200: result = response.json() return result['choices'][0]['text'] else: raise Exception(f"Error calling LM Studio API: {response.text}") if __name__ == "__main__": user_input = input("Enter your message:") try: reply = query_lm_studio(user_input) print(f"Model Response: {reply}") except Exception as e: print(e) ``` 这段脚本定义了一个函数 `query_lm_studio()` 来封装向 LM Studio 提交查询并接收响应的过程[^1]。 用户输入的消息会被传递给这个函数作为参数，在成功接收到回复后会打印出来；如果有错误发生也会被捕获并显示给用户。