本地 LLM 协处理器，专为 Claude Code / Codex / Aider 设计。把耗 token 的任务卸载到本地 Ollama，零云端成本。
Local LLM co-processor for Claude Code, Codex, and Aider. Offload token-heavy tasks to a local Ollama model — zero cloud API cost.
git clone https://github.com/guyu-adam/miser.git
bash miser/install.sh安装后重启 Claude Code，它会自动使用 Miser，无需任何额外配置。
After restart, Claude Code automatically uses Miser for every session — no extra config.
Claude Code 每次对话都烧大量 token 读文件、分析代码。Miser 在本地运行一个 Flask 服务（端口 7860），拦截这些任务交给本地 LLM（Ollama）处理：
Claude Code burns tokens reading files and analyzing code. Miser runs a local Flask server (port 7860) and intercepts those tasks for a local Ollama model:
| 任务 / Task | 没有 Miser | 用了 Miser | 节省 / Saved |
|---|---|---|---|
| 分析大文件结构 / Map file structure | Read → ~7 500 tokens |
W.outline(path) |
~7 500 tokens |
| 查找单个函数 / Find one function | Read → ~7 800 tokens |
W.grep(path, "fn") |
~7 800 tokens |
| 项目概览 / Project overview | 多次 ls |
W.tree(path) |
~3 000 tokens |
| 理解模块 / Explain module | Read + GPT 推理 | W.explain(path) |
0 API tokens |
| 诊断报错 / Diagnose error | GPT 推理 | W.fix(error) |
0 API tokens |
| 生成测试 / Write tests | GPT 生成 | W.test(path) |
0 API tokens |
完整报告见 TEST_REPORT.md · Full report: TEST_REPORT.md
Tests passed : 62 / 62 ✓
Zero-LLM avg : 14 ms (grep, outline, tree, exists, read, write, patch, run, batch)
Local-LLM avg : 6.8 s (ask, explain, fix, codegen, test, review, summarize)
Model families: 17 detected correctly (qwen3/qwen2/llama3/llama2/mistral/phi3/phi4/gemma/deepseek…)
LLM always-on : keep_alive=-1, startup warmup thread → first response < 1s after warmup
from client import W # W = Miser client
# ── 零 LLM（本地文件操作，<50ms） / Zero-LLM (local file ops, <50ms) ──
W.outline(path) # 返回函数/类列表 / list functions & classes
W.grep(path, pattern, ctx=2) # 搜索代码 / search code
W.tree(path, depth=2) # 目录树 / directory tree
W.exists(path) # 检查文件 / check file exists
W.read(path) # 读文件 / read file
W.write(path, content) # 写文件 / write file
W.batch([path1, path2, ...]) # 批量读取 / batch read
W.run(cmd) # 执行命令 / run shell command
# ── 本地 LLM（0 API token） / Local LLM (0 API tokens) ──
W.ask(question) # 通用问答 / general Q&A
W.explain(path) # 解释代码 / explain code
W.fix(error, code=ctx) # 修复报错 / diagnose & fix error
W.codegen(task) # 生成代码 / generate code
W.test(path) # 生成测试 / generate tests
W.review(path) # 代码审查 / code review
W.summarize(text) # 摘要 / summarize
W.git_summary() # git diff 摘要 / git diff summaryMiser 自动检测模型系列，适配正确的提示格式：
| 系列 / Family | 代表模型 / Examples |
|---|---|
| qwen3 / qwen3.5 | qwen3.5:4b（默认）, qwen3:8b |
| qwen2 / qwen2.5 | qwen2.5:4b, qwen2.5:7b |
| llama3 | llama3.1:8b, codellama:7b |
| mistral | mistral:7b, mixtral:8x7b |
| phi3 / phi4 | phi4:latest, phi3:mini |
| gemma / gemma3 | gemma3:4b, gemma3:12b |
| deepseek | deepseek-coder:6.7b, deepseek-r1:8b |
切换模型 / Switch model:
MISER_MODEL=mistral:7b bash start.sh- Python 3.9+
- Ollama (自动安装 / auto-installed by
install.sh) - macOS / Linux / Windows (WSL)
- 推荐 8GB+ RAM（运行 4b 模型）/ 8GB+ RAM recommended for 4b models
bash miser/uninstall.shMIT