Ollama vs LM Studio：想在自己電腦跑 AI，要打指令還是要介面

想在自己電腦跑 AI 的人，裝完第一個工具多半會卡在同一個畫面：一個黑色的終端機視窗，游標一直閃，不知道下一步要打什麼。

站上講本機模型的文章裡，Ollama 教學 那篇是最多人點進來的。搜進來的字裡，有人直接打「ollama ram」，有人問「llama 3.1 8b 硬體需求」，關心的都是電腦跑不跑得動。但有一個問題我一直沒正面回答：如果你根本不想碰終端機，有沒有別條路？有，最常被拿來跟他比的就是 LM Studio。

一句話結論

想要「下載完點開就能聊、自己挑模型玩」，選 LM Studio。想要「讓 Open WebUI、n8n 這些工具去叫模型」，或打算把整套東西包成服務給客戶用，選 Ollama。

這兩個也不是二選一。你可以兩個都裝：LM Studio 拿來試模型，Ollama 拿來接工作流。

Ollama：做給「別的工具」叫的

Ollama 是 MIT 授權的開源專案，GitHub 181,979 顆星，最新版本是 2026 年 9 月底的 v0.35.0。

他的核心是一個在背景跑的服務，預設開在你電腦的 11434 port。你用 ollama pull 下載模型、ollama run 開始對話，但真正重要的是那個 port：別的工具可以直接來這裡要答案。Open WebUI 裝好會自動去找這個位址，n8n 有內建的 Ollama Chat Model 節點，自己寫程式也能走 OpenAI 相容的 /v1 介面。他還有官方 Docker image，想把模型放到公司那台伺服器上跑，路是通的。

這裡要更正一個常見印象：Ollama 不是只能打指令。2025 年 7 月起他在 macOS 跟 Windows 有桌面 App，可以直接聊天、把 PDF 拖進去問。App 裡能挑模型、在設定拉高上下文長度，但整體比較像一個陽春的聊天窗；要逛模型、比較不同的量化版本，LM Studio 細很多。

官方文件寫了、但新手很容易漏看的兩件事：

1. 顯示記憶體（VRAM）低於 24 GB 的電腦，預設上下文長度（context length）只有 4k。你丟一份很長的訪談逐字稿進去，超過的部分不會照單全收，前面的內容可能被截掉，或直接回你一個錯誤。要自己在 App 設定拉高，或調 OLLAMA_CONTEXT_LENGTH 這個環境變數。這也不是 Ollama 才有的事，本機工具的預設上下文多半偏小，用 LM Studio 一樣要在載入模型時看一下上下文長度
2. Ollama 現在也有雲端模型，名字裡帶 cloud 的是跑在他們的伺服器上，不是你的電腦。你如果是為了資料不外流才選他，挑模型時要看清楚，或直接在設定裡把雲端功能關掉

LM Studio：做給「你自己」用的

LM Studio 是桌面應用程式，打開就是完整的圖形介面。最舒服的是找模型：介面裡直接搜 Hugging Face，打 gemma 或 llama，挑一個量化版本按下載，不用先背模型的正式名稱。在 Apple Silicon 的 Mac 上，他除了 llama.cpp 也支援 Apple 自家的 MLX 引擎。不過 Ollama 從 2026 年 3 月起在 Apple Silicon 上也改用 MLX（一開始是預覽版），這點已經不算 LM Studio 獨有。

上下文長度、GPU 卸載（GPU offload）這些參數，在介面上就能替每個模型各自設定。他也能把文件附進對話裡離線問答（RAG），還能當 MCP client 裝 MCP server。對想自己摸索的人，這些都不用碰設定檔。

但「LM Studio 不能接其他工具」也是錯的。他一樣有本機伺服器，預設在 1234 port，跟 Ollama 一樣提供 OpenAI 與 Anthropic 相容的介面。要放到沒有螢幕的 Linux 伺服器上，他也有無介面的版本可以跑。

差別在「預設的那條路」。Open WebUI 接 Ollama 是原生支援、自動連上；接 LM Studio 要走 OpenAI 相容那條，自己填網址。n8n 也一樣，Ollama 有專屬節點，LM Studio 要用 OpenAI Chat Model 節點，n8n 直接裝在電腦上的話，把 Base URL 改成 http://localhost:1234/v1。都接得起來，只是每一步都多一點自己動手。

有一個坑兩邊都會遇到：n8n 如果是用 Docker 架的，容器裡的 localhost 指的是容器自己，不是你的電腦，照上面那樣填會連不到。這時 LM Studio 要填 http://host.docker.internal:1234/v1，Ollama 要填 http://host.docker.internal:11434。Ollama 那端還要怎麼開放連線，n8n 官方的 排錯說明 有寫。

關鍵差異一次看

授權：LM Studio 不是開源，但上班可以用

這段我覺得最該講清楚。

LM Studio 的桌面 App 沒有公開原始碼。他在 GitHub 上公開的是命令列工具 lms、TypeScript 與 Python 的 SDK，還有 Mac 上用的 MLX 引擎，這些都是 MIT。

工作用途的部分，2025 年 7 月 8 日之前，官方條款寫明在公司用要另外取得商用授權。那天之後改成工作也免費，不用填表、不用聯絡他們。現行條款（2026 年 8 月 23 日版）授權你用在「個人與／或內部業務用途」，同時明列不能轉授權、轉售、出租，也不能拿去當 SaaS 或代管服務。條款還寫了一句：員工如果主要是為了公司在用，合約的一方就是公司本身。

翻成行銷人的情境：你跟同事在自己電腦上用 LM Studio 改文案、整理資料，沒問題。代理商想幫客戶架一套「我們家的 AI 助理」包起來收費，就很容易碰到條款裡「不能當代管或 SaaS 服務」那條，我會直接避開，改用 Ollama。Ollama 本身是 MIT，包成服務的限制少得多，主要是要保留原本的著作權與授權聲明。

但執行工具的授權乾淨，不代表整套都乾淨。你選的模型（Llama、Gemma 這些）權重各有自己的授權條款，包成服務賣給客戶時一樣要看；名字帶 cloud 的模型跑在 Ollama 的伺服器上，那又是另一份服務條款。授權怎麼讀，我另外寫過 開源授權的三個坑。

硬體：卡最多人的是舊款 Mac

Windows 這邊兩個都裝得起來，要注意的是細節。LM Studio 官方建議 16 GB 以上記憶體，x64 的 CPU 要支援 AVX2 指令集，獨立顯卡建議至少 4 GB VRAM，Snapdragon X Elite 這類 ARM 筆電也能裝。Ollama 要 Windows 10 22H2 以上，NVIDIA 顯卡驅動要 551.61 以上。

真正會讓人卡住的是 Mac。LM Studio 只支援 Apple Silicon（M 系列晶片），而且要 macOS 14 以上，Intel 的 Mac 裝不了。Ollama 在 Mac 上一樣要 macOS 14 以上，Intel Mac 要能升到 Sonoma 才裝得起來，而且只能用 CPU 跑，日常用多半會嫌慢。升不了 Sonoma 的更舊機型，兩個都裝不了。

多大的模型配多少記憶體，兩個工具底下的道理一樣，前面那篇 Ollama 教學整理過，這裡不重複。

行銷人怎麼選

我會這樣分：

只想知道本機模型能不能幫你改文案、整理會議記錄，先裝 LM Studio。點開、搜模型、下載、開聊，很快就知道這件事值不值得繼續。

要給團隊一個共用的聊天介面，用 Ollama 當引擎，前面接 Open WebUI。前端要選 Open WebUI 還是 LibreChat，我在 LibreChat vs Open WebUI 比過。

要讓自動化流程叫本機模型，像 n8n 每天幫你分類客服留言，用 Ollama，節點是現成的。n8n 如果是用 Docker 架的，記得位址寫 host.docker.internal，不是 localhost。n8n 本身的學習曲線可以看 n8n 教學。

要把整套 AI 包成服務給客戶，選 Ollama，原因就是上面那段授權。模型本身的授權，挑的時候記得另外查。

手上是 Intel Mac，或沒有獨立顯卡的 Windows 舊筆電，老實說兩個我都不太推，雲端 AI 會省事很多。要不要本地跑這件事本身，我在 Ollama 開箱 寫過判斷方法。

兩個並存也可以，port 不同不會打架，只是模型預設各下載各的，同一個模型會佔兩份硬碟空間。

先用最小的版本，確認值不值得

我學工具的習慣是先做一個小到不能再小的版本。本機模型特別適合這樣試，因為多數人真正不確定的不是工具，是「本機模型的品質，到底夠不夠用在我的工作上」。

LM Studio 是驗證這件事最便宜的方式。試完覺得夠用，再花時間把 Ollama、Open WebUI、n8n 串起來；覺得不夠，你只花了一個下載的時間。如果你想的是拿本機模型讀一堆資料做研究筆記，可以接著看 Open Notebook vs NotebookLM，Open Notebook 兩個都接得上。

指令跟介面哪個順手，過兩年可能又換一輪。比較不會過時的，是你清楚哪些資料可以丟雲端、哪些只能留在自己電腦。這類判斷我平常整理在 AI101。

常見問題