← 返回部落格

omlx 完整教學 2026：Apple Silicon 本機 LLM 推理伺服器，比 Ollama 快在哪？

發布日期：2026-08-19 | 作者：AutoDev AI Team | 閱讀時間：12 分鐘

omlx Apple Silicon 本機 LLM AI Coding 繁中首發

📌 3 分鐘重點速覽

19K+
GitHub Stars
366★
8/19 單日新增
40+
8/18 單日 PRs
Apache 2.0
授權條款

如果你用 Mac 跑 AI coding agent，你一定遇過這個問題：Ollama 在單一對話夠用，但一旦有多個 agent 同時推理（例如 Claude Code 開多個 subagent），延遲就會爆增，吞吐量掉崖式下滑。

omlx 就是為了解決這個痛點而生的。它不是另一個 Ollama 包裝，而是從底層重新設計的 Apple Silicon 原生 LLM 推理伺服器——針對 unified memory 架構、Metal GPU、以及 coding agent 多工並發場景做了深度優化。

本文是目前網路上第一篇完整繁中教學，帶你從安裝到進階配置，並和 Ollama 做一次完整比較，讓你知道什麼時候該換工具。

omlx 是什麼？為什麼 Apple Silicon 需要專屬的 LLM Server？

omlx（發音：omilx）由 GitHub 用戶 jundot 主導開發，定位是「Apple Silicon 原生的高效能 LLM 推理伺服器」。它的核心前提很簡單：

🍎 Apple Silicon 的 LLM 推理特性

問題是，Ollama 雖然跑在 Mac 上，但它的架構是通用設計，並沒有針對上述特性做深度優化。特別是 continuous batching（讓多個請求共享同一個推理批次）和 KV cache 管理，Ollama 的實作相對保守。

omlx 的做法是：直接在 Metal 層實作 continuous batching，並把 KV cache overflow 路由到 SSD，而不是讓記憶體不足的請求直接排隊等待。結果就是——在多 agent 並發場景下，omlx 的吞吐量可以比 Ollama 高出 2 到 4 倍。

omlx vs Ollama：完整比較表

先把最重要的問題回答清楚：你現在用 Ollama，需要換嗎？

比較項目 omlx Ollama
目標平台 Apple Silicon 專屬優化 跨平台（Mac / Linux / Windows）
Continuous Batching ✅ 原生支援（Metal 層實作） ⚠️ 部分支援（較保守）
SSD KV Cache ✅ 自動 overflow 至 SSD ❌ 不支援
多 Agent 並發 ✅ 高吞吐（2-4× 優勢） ⚠️ 延遲明顯上升
安裝難度 ⚠️ 需要手動配置 ✅ 一行指令完成
GUI / 管理介面 ❌ 純 CLI ✅ 有（Open WebUI 等）
模型生態 GGUF / MLX 格式 更大（Ollama Library）
Claude Code 整合 ✅ 官方支援 需額外配置
DeepSeek V4 支援 ✅ 原生 需要更新版本
授權條款 Apache 2.0（商用免費） MIT（商用免費）
社群活躍度 🔥 8/18 單日 40+ PRs 穩定成熟
適合場景 Coding agent、多工並發 單一對話、快速上手
📋 結論先說：如果你只是偶爾在 Mac 上跑一個 LLM 對話，Ollama 夠用。但如果你在跑 Claude Code、OpenClaw 等 coding agent，或者同時開多個 AI 工作流程，omlx 的效能差距會讓你有感。

安裝教學：5 步驟在 Mac 上跑起 omlx

⚠️ 前置需求：Apple Silicon Mac（M1 / M2 / M3 / M4），macOS Ventura 13.0 以上，至少 16GB unified memory（建議 32GB+ 跑 27B 以上模型），Homebrew 已安裝。

1 安裝 omlx

omlx 目前透過 Homebrew tap 安裝，這是最簡單的方式：

# 加入 omlx tap
brew tap jundot/omlx

# 安裝 omlx
brew install omlx

# 確認安裝成功
omlx --version

如果你偏好從源碼編譯（取得最新功能）：

# Clone 專案
git clone https://github.com/jundot/omlx.git
cd omlx

# 編譯（需要 Xcode Command Line Tools）
make build

# 加入 PATH
export PATH="$PATH:$(pwd)/bin"

2 下載模型

omlx 使用 GGUF 或 MLX 格式的模型。推薦從 HuggingFace 下載：

# 下載 DeepSeek V4 Pro（7B 輕量版，適合 16GB Mac）
omlx pull deepseek-v4-pro-7b-q4_k_m

# 下載 Qwen3.8-27B（需要 32GB+）
omlx pull qwen3.8-27b-q4_k_m

# 下載 Llama 3.3 70B（需要 64GB+，適合 Mac Studio）
omlx pull llama3.3-70b-q4_k_m

# 列出已下載模型
omlx list
💡 選擇量化格式的建議：

3 啟動 omlx 伺服器

# 基本啟動（預設 port 11434，OpenAI 相容 API）
omlx serve

# 指定模型與配置啟動
omlx serve \
  --model deepseek-v4-pro-7b-q4_k_m \
  --port 11434 \
  --ctx-size 32768 \
  --batch-size 512 \
  --ssd-cache true

# 背景執行
omlx serve --daemon

啟動後你會看到類似以下輸出，代表伺服器已就緒：

omlx v0.9.2 | Apple Silicon Metal backend
Model: deepseek-v4-pro-7b-q4_k_m (4.1 GB)
Unified Memory: 16.0 GB total, 11.2 GB available
SSD Cache: enabled (max 32 GB)
Continuous batching: ON
Listening on http://localhost:11434
OpenAI-compatible API: /v1/chat/completions

4 測試 API 連線

# 基本測試
curl http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-pro-7b-q4_k_m",
    "messages": [{"role": "user", "content": "Hello, 用繁體中文回覆我"}],
    "max_tokens": 200
  }'

回應應該是標準的 OpenAI 格式 JSON，代表整合任何支援 OpenAI API 的工具都沒問題。

5 整合 Claude Code / OpenClaw

omlx 的 API 完全相容 OpenAI 格式，所以設定 Claude Code 或 OpenClaw 指向本機非常直接：

# Claude Code 整合（在 .claude/settings.json 或環境變數設定）
export ANTHROPIC_BASE_URL="http://localhost:11434/v1"
export ANTHROPIC_API_KEY="local"  # omlx 不驗證 API key

# 或在 OpenClaw config 中設定
# openai.baseUrl: http://localhost:11434/v1
# openai.apiKey: local
✅ 設定完成後，你的 Claude Code / coding agent 所有推理請求都會走本機 omlx，而不是呼叫外部 API。在多 subagent 並發場景下，你會明顯感受到延遲降低。

📊 想系統學習 AI 工程與 LLM 架構？

DataCamp 提供完整的 AI/ML 學習路徑，涵蓋 LLM 應用開發、Python AI 工程、向量資料庫等進階課程。適合想把本機 LLM 開發能力提升到下一個等級的工程師。

🎓 查看 DataCamp AI 課程

進階配置：讓 omlx 發揮最大效能

SSD Cache 配置（最重要的效能開關）

omlx 最獨特的功能是把 KV cache 溢出（overflow）自動路由到 SSD，而不是讓推理請求排隊等待。這對跑長上下文（例如 128K+ tokens 的 coding session）特別有用：

# 建立 omlx 設定檔
cat > ~/.omlx/config.yaml << 'EOF'
server:
  port: 11434
  workers: 4          # 並發推理 worker 數量

model:
  default: deepseek-v4-pro-7b-q4_k_m
  ctx_size: 65536     # 64K context window
  batch_size: 1024

cache:
  ssd_enabled: true
  ssd_path: /tmp/omlx_cache   # 可改為更快的路徑
  ssd_max_gb: 64
  memory_reserve_gb: 4        # 保留給系統的記憶體

metal:
  use_mps: true               # 啟用 Metal Performance Shaders
  memory_fraction: 0.85       # GPU 最多用 85% unified memory
EOF

多模型熱切換

omlx 支援同時載入多個模型並在請求中指定，適合需要根據任務切換模型的工作流程：

# 啟動時載入多個模型
omlx serve \
  --preload deepseek-v4-pro-7b-q4_k_m \
  --preload qwen3.8-27b-q4_k_m

# 在 API 請求中指定模型
curl http://localhost:11434/v1/chat/completions \
  -d '{"model": "qwen3.8-27b-q4_k_m", "messages": [...]}'

效能監控

# 即時查看推理狀態
omlx stats

# 輸出範例
Model: deepseek-v4-pro-7b-q4_k_m
Active requests: 3
Queue depth: 0
Tokens/sec: 47.2 (prefill) / 28.8 (decode)
Memory: 9.8 GB / 16.0 GB
SSD Cache: 2.1 GB used
Uptime: 2h 14m

使用情境：什麼時候 omlx 最有價值？

情境 1：多個 Claude Code subagent 並發

當你用 Claude Code 跑複雜任務（例如同時搜尋多個檔案、並行測試、多 agent 協作），Ollama 的單一推理佇列會讓後面的請求等前面的跑完。omlx 的 continuous batching 讓多個請求可以在同一個批次裡推理，大幅降低平均延遲。

情境 2：長上下文 coding session

當 coding session 的 context 超過 32K tokens（例如大型 codebase 分析），Ollama 可能直接 OOM（記憶體不足）或強制截斷。omlx 的 SSD cache 讓你可以用 64K 甚至 128K context，而不用擔心記憶體不夠。

情境 3：本機 AI API 節費

如果你每個月花在 Claude API 或 GPT-5.4 API 的錢超過 $50，在 Mac 上跑 omlx + DeepSeek V4 Pro 7B 是可以認真考慮的替代方案。對於大量重複性任務（文件整理、程式碼註解、資料轉換），本機模型的品質已經夠用。

情境 4：隱私敏感的程式碼開發

如果你的工作涉及不能上傳雲端的程式碼或資料（金融、醫療、法務），本機 LLM 是唯一安全的 AI 輔助選項。omlx 讓整個推理流程完全在本機進行，不會有任何資料傳出。

☁️ 需要雲端補充算力？DigitalOcean GPU Droplets

本機 Mac 記憶體不夠跑 70B 以上大模型？DigitalOcean 提供按小時計費的 GPU Droplets，可以用來跑更大的模型或做批次推理任務，不用長期租用昂貴 GPU 伺服器。

🌊 取得 $200 DigitalOcean 免費額度

常見問題（FAQ）

Q：omlx 和 llama.cpp 有什麼關係？

omlx 的底層推理引擎基於 llama.cpp，但在 Apple Silicon 的 Metal 後端做了大量客製化，特別是 continuous batching 和 SSD cache 的實作。你可以把 omlx 理解為「Apple Silicon 特化的 llama.cpp 伺服器」。

Q：Windows 或 Linux 用戶可以用嗎？

目前 omlx 專注 Apple Silicon，官方不支援 Windows / Linux。如果你用 Linux + NVIDIA GPU，vLLM 是更適合的選擇（架構類似，但針對 CUDA 優化）。

Q：omlx 支援哪些模型格式？

支援 GGUF（llama.cpp 格式）和 MLX 格式（Apple 官方 ML 框架）。大多數主流模型（DeepSeek、Qwen、Llama、Mistral 系列）都有 GGUF 版本可以直接使用。

Q：記憶體只有 16GB 可以跑什麼模型？

16GB 適合跑 7B 或 8B 模型（q4_k_m 量化約佔 4-5 GB），留足夠空間給系統和 SSD cache。推薦選項：DeepSeek V4 Pro 7B、Llama 3.2 8B、Qwen3.8-8B。

Q：怎麼確認 omlx 真的在用 Metal GPU 而不是 CPU？

啟動後執行 omlx stats，看 backend: Metal MPS 欄位，並觀察 Tokens/sec——純 CPU 推理通常在 5 tokens/sec 以下，Metal 加速應該達到 20-50+ tokens/sec（依模型和機器而定）。

Q：omlx 穩定嗎？現在可以用在生產環境嗎？

omlx 目前是 v0.9.x，仍在積極開發中（8/18 單日 40+ PRs 就是證明）。API 接口相對穩定，但內部配置選項可能在版本間有變化。個人開發環境和 coding agent 本機使用非常適合；生產部署建議等 v1.0 正式版。

omlx vs 其他本機 LLM 方案總整理

工具 最適合平台 上手難度 多並發效能 特色
omlx Apple Silicon 中 🔥 高（continuous batching） SSD cache、Metal 原生
Ollama 跨平台 低（最簡單） ⚠️ 中 生態最大、最易上手
LM Studio 跨平台 低（有 GUI） ⚠️ 中 圖形介面、新手友善
MLX Apple Silicon 高（需要 Python） ⚠️ 中 Apple 官方框架、研究用
vLLM Linux + NVIDIA 高 🔥 高（生產級） OpenAI 完整相容、企業部署
Jan 跨平台 低（有 GUI） 低 隱私、離線、輕量

總結：該怎麼決定要不要換 omlx？

✅ 換 omlx 的理由

⚠️ 繼續用 Ollama 的理由

omlx 代表的是 Apple Silicon 本機 LLM 推理的下一個進化——不再只是「把雲端模型搬到本機」，而是真正針對 Mac 的硬體特性重新設計推理路徑。隨著 8/18 單日 40+ PRs 的開發速度，它很可能在幾個月內成為 Mac 開發者跑 coding agent 的標配工具。

現在就是進場學習的最好時機——社群還在快速成長，文件和教學資源還很稀缺（繁中更是空白），早期掌握的開發者會有明顯的先發優勢。

⚡ 想要現成的 Claude Code + 本機 LLM 工作流程？

我們整理了一份 Claude Code Prompt 實戰包，包含本機 LLM 切換、coding agent 配置、以及多模型工作流程的完整 prompt 模板。直接拿去用，不需要從零摸索。

📦 查看 Prompt 實戰包 🎓 DataCamp AI 課程

延伸閱讀