好久没有写实操类的干货了，最近，总觉得用在线的大模型进行开发，实在是有些费钱，我基本上几个主流的AI编程工具都有充值，每个月花费不少呢。要是能直接调用我本地的lmstudio就好了，于是，我查阅laude Code的官方资料，还真找到了摆脱API费用限制的方法，可以对接几乎任意模型。

本文教你如何用LiteLLM搭建代理，让Claude Code无缝调用LM Studio中的任意开源模型！当然，也支持其他的在线模型，只需要修改配置即可。

背景

Claude Code作为Anthropic官方推出的AI编程工具，功能强大但只能调用官方API。今天我要做的就是打破这个限制，通过LiteLLM代理让Claude Code能够调用本地部署的任意模型，包括：

• 通义千问系列（Qwen）
• DeepSeek系列
• Llama系列
• 其他任意开源模型

这样既能享受Claude Code的优秀良好体验，又能使用免费的本地模型，一举两得！

效果展示

配置完成后，你可以：

• ✅ 在Claude Code中直接使用本地模型
• ✅ 享受完整的工具调用功能
• ✅ 无需支付API费用
• ✅ 数据完全本地化，保护隐私
• ✅ 支持多种模型切换

技术原理

架构图

核心组件

1. Claude Code

   Anthropic官方编程工具

2. LiteLLM

   统一AI模型API的代理工具

3. LM Studio

   本地模型运行平台

4. 本地模型

   各种开源大语言模型

准备工作

安装清单

# 1. 安装LM Studio
# 从官网下载：https://lmstudio.ai/

# 2. 安装Claude Code
npm install -g @anthropic-ai/claude-code

# 3. 安装LiteLLM代理
pip install 'litellm[proxy]'

详细配置步骤

第一步：启动LM Studio

1. 下载并安装LM Studio
2. 下载你喜欢的模型（推荐Qwen3-Coder系列）
3. 启动本地服务器，默认端口1234

# 验证LM Studio是否正常运行
curl http://localhost:1234/v1/models

第二步：配置LiteLLM代理

创建配置文件 config.yaml：

model_list:
# Claude Code兼容的模型映射
-model_name:claude-3-5-haiku-20241022
litellm_params:
model:lm_studio/qwen/qwen3-coder-30b
api_key:sk-dummy
api_base:http://localhost:1234/v1

-model_name:claude-3-5-sonnet-20241022
litellm_params:
model:lm_studio/qwen/qwen3-coder-30b
api_key:sk-dummy
api_base:http://localhost:1234/v1

# 也支持原始模型名称
-model_name:qwen3-coder-30b
litellm_params:
model:lm_studio/qwen/qwen3-coder-30b
api_key:sk-dummy
api_base:http://localhost:1234/v1

-model_name:deepseek-r1
litellm_params:
model:lm_studio/deepseek-r1-distill-qwen-7b
api_key:sk-dummy
api_base:http://localhost:1234/v1

general_settings:
master_key:sk-lmstudio-proxy-12345

配置解读：

• model_name

  Claude Code看到的模型名称（建议使用Claude官方格式）

• model

  实际调用的LM Studio中的模型

• 这种映射让Claude Code以为在调用官方模型，实际上使用的是本地模型

第三步：启动LiteLLM代理

# 启动代理服务器
litellm --config config.yaml

# 看到这个输出说明启动成功：
# LiteLLM: Proxy initialized with Config, Set models:
#     claude-3-5-haiku-20241022
#     qwen3-coder-30b
#     deepseek-r1
# INFO: Uvicorn running on http://0.0.0.0:4000

第四步：配置Claude Code

设置环境变量让Claude Code连接到我们的代理：

# 设置API端点
export ANTHROPIC_BASE_URL="http://localhost:4000"
export ANTHROPIC_AUTH_TOKEN="sk-lmstudio-proxy-12345"

# 清除可能冲突的API Key
unset ANTHROPIC_API_KEY

第五步：测试配置

# 测试基础对话（推荐使用Claude官方格式）
echo"你好，请介绍一下你自己" | claude --model claude-3-5-haiku-20241022

# 测试代码生成
echo"请写一个Python斐波那契函数" | claude --model claude-3-5-haiku-20241022

# 也可以使用原始模型名称（功能相同，但兼容性可能略差）
echo"你好" | claude --model qwen3-coder-30b

小技巧：两种模型名称都会调用同一个本地模型，但推荐优先使用Claude官方格式，可以获得更好的兼容性和完整的功能支持。

高级配置

多模型支持

你可以同时配置多个不同的模型：

model_list:
# 编程专用模型
-model_name:claude-3-5-haiku-coding
litellm_params:
model:lm_studio/qwen/qwen3-coder-30b

# 通用对话模型
-model_name:claude-3-5-sonnet-chat
litellm_params:
model:lm_studio/qwen/qwen2.5-72b-instruct

# 推理专用模型
-model_name:claude-3-5-reasoning
litellm_params:
model:lm_studio/deepseek-r1-distill-qwen-7b

性能优化

1. GPU加速

   确保LM Studio使用GPU加速

2. 内存管理

   根据显存大小选择合适的模型

3. 并发控制

   可以在LiteLLM中配置请求限制

模型切换

# 使用不同模型执行不同任务
claude --model claude-3-5-haiku-coding    # 编程任务
claude --model claude-3-5-sonnet-chat     # 对话任务
claude --model claude-3-5-reasoning       # 推理任务

注意事项

硬件要求

• 显存需求

  30B模型需要约20GB显存

• 内存需求

  建议32GB+系统内存

• 存储需求

  模型文件较大，需充足存储空间

常见问题

1. 模型加载失败

   检查显存是否足够，是否打开flash attention（这个坑很难发现）

2. 代理连接失败

   确认端口没有被占用

3. 响应速度慢

   考虑使用更小的模型或升级硬件

4. 模型名称选择困惑

   这是最容易踩的坑！很多人会问"为什么要用 claude-3-5-haiku-20241022而不是 qwen3-coder？"

重要提醒：虽然配置中两种模型名都指向同一个本地模型，但Claude Code期望看到官方的模型名称格式。推荐使用claude-3-5-haiku-20241022的原因：

• ✅ 兼容性更好: Claude Code针对官方模型名优化了功能
• ✅ 工具调用完整: 某些高级功能可能只对特定模型名启用
• ✅ 未来维护: 更符合Claude Code的设计理念
• ✅ 错误更少: 避免潜在的模型识别问题

当然，qwen3-coder-30b也能正常工作，但是会出现该调用工具的时候不调用的问题，而是直接输出json字符串。

总结

通过LiteLLM + LM Studio的组合，我们成功让Claude Code支持了本地模型调用。这不仅降低了使用成本，还提升了数据安全性。对于个人开发者和企业来说，这是一个非常实用的解决方案。

如果你也想体验本地AI编程的乐趣，不妨按照本文教程试试看。相信你也会被这种"既要又要"的完美体验所征服！

相关资源

• LiteLLM官方文档
• LM Studio下载
• Claude Code文档
• 开源模型Hub

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​