给每个 LM Studio 模型发提示词并记录耗时和可读性

给每个 LM Studio 模型发提示词，并记录耗时和可读性

一个用聊天框驱动的 n8n 工作流。你发出的每条消息，都会发给你的 LM Studio 服务器列出的每一个模型。工作流给每条回复计时，给它的易读程度打分，并为每个模型往 Google 表格里加一行。最后你得到一张在同一个提示词上比较各模型的表格。

包里有什么

• workflow.json：n8n 导出的工作流，12 个节点和 8 张便签。里面没有任何凭据。
• README.md：这份设置说明，压缩包里的是英文版。

我们相对原来的副本改了什么

• 服务器地址原来是一个私有地址。Get Models 和 Run model with dynamic input 现在读 http://<YOUR_LM_STUDIO_HOST>:1234/v1。
• 有两个节点名里有拼写错误。Extract Model IDsto Run Separately 现在叫 Extract model IDs，Run Model with Dunamic Inputs 现在叫 Run model with dynamic input。凡是引用过它们的表达式都已跟着改。
• Get timeDifference 原来没指定单位就让 n8n 算两个时间之间的差，而 n8n 源码里的默认单位是天，所以每次回复都会记成 0。现在它要求以秒为单位，Prepare Data for Analysis 保存这个数字。
• Google Sheets 那一步映射的列名和任何表头列表都对不上，还指向作者自己的电子表格。现在它按名称映射十一列，文档写成 <YOUR_SPREADSHEET_ID>。表格的表头行写在一张便签里。
• 工作流的时区和调用策略设置是作者自己的，已经去掉。时间跟随你的 n8n 实例。
• 有两张便签里写着作者的私有地址和一份重复的设置清单。一张删掉了，一张改写成说明地址该填在哪里。

开始之前

• 一个能访问运行 LM Studio 那台机器的 n8n 实例，n8n Cloud 或自己的服务器都行。
• 已运行本地服务器的 LM Studio，以及你想比较的模型。
• 用于表格的 Google 账号。表格这一步是可选的。

设置

1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
2. 在 Get Models 和 Run model with dynamic input 里，把 <YOUR_LM_STUDIO_HOST> 换成运行 LM Studio 服务器那台机器的地址。文件里的端口是 1234。
3. 添加 OpenAI 凭据，在 Run model with dynamic input 里选中它。这个节点需要一个密钥值。如果你的 LM Studio 服务器不要求令牌，填任何文字都行。
4. 新建一张 Google 表格，把这十一个表头放在第一行，拼写要和这里一致：
   - Prompt：你发的消息
   - Time Sent：请求发出的时间
   - Time Received：回复收到的时间
   - Total Time Seconds：两者之间的秒数
   - Model：模型的 id
   - Response：回复的文字
   - Readability Score：Flesch 阅读易度估算值
   - Average Word Length：每个词的字母数
   - Word Count：回复里的字数
   - Sentence Count：回复里的句数
   - Average Sentence Length：每句的词数
5. 在 Save Results to Google Sheets 里，选好你的 Google Sheets 凭据，把 <YOUR_SPREADSHEET_ID> 换成你电子表格的 ID，并确认工作表叫 Sheet1。想跳过表格就删掉这个节点。
6. 打开聊天框，输入一个提示词并发送。

一次运行的过程

1. When chat message received 把你的消息当作 chatInput 接收。
2. Get Models 向服务器的 /v1/models 接口要列表。
3. Extract model IDs 把列表拆成每个模型一项。
4. 对每个模型，Capture Start Time 记下时间，Add System Prompt 加上系统提示词，内容是 Ensure that messages are concise and to the point readable by a 5th grader.
5. LLM Response Analysis 把你的消息和这条系统提示词发给模型。Run model with dynamic input 是它背后的聊天模型，并从当前项取模型 id。它的选项是温度 1、top P 1、存在惩罚 0，超时 250 秒。
6. Capture End Time 记下回复之后的时间，Get timeDifference 算出两者之间的秒数。
7. Prepare Data for Analysis 汇集提示词、模型、回复、两个时间和秒数。
8. Analyze LLM Response Metrics 统计字数和句数，算出平均词长和平均句长，并算出一个可读性得分。这个得分用的是 Flesch 阅读易度公式，音节数按元音组估算。
9. Save Results to Google Sheets 为每个模型追加一行。

调整

• 系统提示词：Add System Prompt 里的文字。
• 每个模型的设置：Run model with dynamic input，里面有温度、top P 和存在惩罚。
• 哪些模型会运行：在 Extract model IDs 后面加一个 Filter 节点，去掉你不想测试的。
• 衡量什么：Analyze LLM Response Metrics 里的代码。
• 结果放哪里：把 Save Results to Google Sheets 换成别的存储节点，或者删掉它，在运行结果里读。

要知道的

• 下面的事实来自 2026 年 11 月 12 日查阅的页面和 n8n 源码。
• LM Studio 关于模型接口的页面说，开启 Just-In-Time 加载时，列表里可能包含所有已下载的模型。这样工作流会给每一个都发提示词，运行可能要很久。请用上面说的 Filter 节点缩小范围。
• LM Studio 关于认证的页面说，它默认不要求令牌。如果你打开了这个要求，Run model with dynamic input 会发送你凭据里的密钥，而你得自己在 Get Models 上加一个 Bearer 请求头。
• 计时从请求发出前一刻到回复收到后一刻。中间 LM Studio 做的任何事，比如加载模型，都算在这个数字里。
• 可读性得分是一个估算。它的音节数看的是元音组，而不是查词典。它适合在同一个提示词上比较模型，用来判断某一篇文字就不太准。
• 聊天没有记忆，所以每条消息都从头开始。
• 一次运行会一个接一个地走过各个模型，一个模型耗时超过 250 秒就会让运行报错停止。
• 费用：模型运行在你自己的机器上，所以没有模型提供方按次收费。
• 你的数据：你的提示词和每条回复会发到你指定的 LM Studio 服务器，在表格那一步还会发到 Google。
• 凭据：JSON 里没有任何凭据。