今年以来，OpenClaw、Hermes 这些 Agent 工具接连爆火，但 Token 消耗快得吓人，只是对话几次、简单设置个任务，一天就烧掉几十块。于是越来越多人把目光转向了本地模型部署，既省钱又能离线使用。

苏米注：但真动手的时候，在 Hugging Face 上面对成千上万个开源模型，根本不知道如何选择。即便选好了模型下载到本地，却发现电脑配置根本跑不起来，纯属浪费时间。

最近在 GitHub 上发现一款超实用的开源小工具：llmfit，专门为本地大模型运行提供硬件匹配方案。

核心功能

只需运行一条命令，就能帮我们找到哪些大模型适合自己的电脑本地部署。

1. 硬件自动检测

整个界面全键盘操作，用方向键上下浏览，轻量又直观。顶部自动显示检测到的 CPU、内存、显卡型号和显存。

2. 四维评分系统

中间是一张可滚动的模型表格，按综合评分从高到低排序。每一行都标注了模型的预估速度、推荐量化、内存占用与适配等级。

它不是简单根据电脑配置粗暴地判断"能不能装下"，而是内置了一个四维打分系统：

• 质量：模型的输出质量
• 速度：生成 token 的速度
• 适配度：与当前硬件的匹配程度
• 上下文：支持的上下文长度

比如同样是 7B 模型，用在编程场景和对话场景的评分权重差异是有所不同。编程场景更看重质量与上下文，对话场景更注重响应速度。

3. 精准速度预估

作者给约 80 款主流显卡做了真实性能映射，覆盖 NVIDIA、AMD 和 Apple Silicon。所以每个模型显示的每秒生成速度，不是随手写的，而是有实打实的数据支撑。

4. 硬件模拟功能

按一下 S 键，弹出模拟配置窗口。可以在这里自由修改内存、显存和 CPU 核心数等硬件配置。点击应用之后，整张模型表格会按照模拟硬件重新计算评分。

苏米注：这个功能对于准备升级电脑的朋友来说非常实用，可提前了解想部署的模型，什么样的配置电脑才能满足。

5. 一键下载模型

当我们知道能部署哪些模型后，只选中模型按 d 键，就能直接下载到对应的工具里。

目前 llmfit 已经支持对接 Ollama、llama.cpp、LM Studio 等五大主流本地模型运行工具。

安装方法

llmfit 支持 macOS、Windows 和 Linux 系统，还提供一键安装脚本。

macOS / Linux：

brew install llmfit

Windows：

scoop install llmfit

一键脚本：

curl -fsSL https://llmfit.axjns.dev/install.sh | sh

OpenClaw Skill 集成

值得一提的是，llmfit 还提供了 OpenClaw Skill 的形式。只需在项目仓库里执行一条脚本，就能把它装成 Agent 的技能。

./scripts/install-openclaw-skill.sh

装好之后，我们可以直接在 OpenClaw 里提问"我电脑能跑哪些本地模型？"。Agent 会在后台调用 llmfit，解读结果，并主动帮我们配置好环境。

苏米注：从硬件检测到模型选型再到后端配置，整个链路都不用我们操心。

总结

随着 OpenClaw、Hermes 这些 Agent 工具的爆火，本地部署模型的需求也在持续上涨。Ollama、llama.cpp 这些工具，已经解决了怎么在本地部署模型的问题。

但对于大部分人来说，门槛从一开始就摆在那里——该选哪个模型，自己的电脑能不能跑得动。llmfit 的出现正好填上这个关键缺口，它让本地部署从少数人的专属玩法，变成了小白也能上手的日常操作。

GitHub 项目地址：https://github.com/AlexsJones/llmfit