本地 AI
本地 AI 是 OpenHuman 值得关注的方向之一。对于私人记忆、工作资料、长期知识库和自动化操作，很多用户不希望所有内容都发送到云端模型。
本地模型适合什么
本地模型适合处理低延迟、低成本、隐私敏感或结构化程度较高的任务，例如分类、改写、简单总结、记忆整理、标签生成和本地资料问答。
本地模型不适合什么
如果任务需要强推理、复杂代码、长上下文、多步骤规划或高可靠执行，本地小模型未必足够。比较稳妥的方式是让本地模型承担基础任务，让强模型处理关键推理。
上手建议
先不要追求“全本地”。更实际的路径是：本地存储 + 本地可读记忆 + 可选本地模型 + 必要时云端强模型。这样能在体验、成本和隐私之间取得平衡。
Ollama、LM Studio 与云端模型怎么分工
如果你习惯命令行、脚本和自动化，Ollama 更适合作为本地模型服务接入工作流；如果你更需要图形界面、模型下载和快速试跑，LM Studio 更适合先做模型筛选。两者都不应该一开始承担所有关键推理。
更稳的分工是：本地模型处理分类、短摘要、标签、低风险资料整理和本地知识库预处理；云端强模型处理复杂推理、长上下文、代码修改和高价值决策；模型路由负责在成本、延迟、质量和隐私之间做选择。