应调大jvm堆内存、启用g1垃圾回收器、限制模型加载规模并配置堆外内存上限。具体包括：将-xms/-xmx设为2048m/4096m，添加-xx:+useg1gc等参数，启用on-demand模型加载，设置-xx:maxdirectmemorysize=1024m。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在部署WorkBuddy时遇到“OutOfMemoryError”提示，则很可能是JVM堆内存配置不足，无法支撑AI模型加载、多任务缓存及文档解析等高内存消耗操作。以下是针对性的解决步骤：
一、调整JVM堆内存启动参数
WorkBuddy默认JVM堆大小可能过低（如-Xms512m -Xmx1024m），在加载大模型或并行处理多个PDF/Excel文件时极易触发堆溢出。需手动扩大初始与最大堆容量，并确保二者比例合理以减少GC频率。
1、定位WorkBuddy的启动脚本：Windows系统查找workbuddy.exe.vmoptions或WorkBuddy.bat；macOS/Linux系统查找workbuddy.vmoptions或start.sh中的JAVA_OPTS字段。
2、备份原文件后，用文本编辑器打开该配置文件。
3、查找包含-Xms和-Xmx的行，将其修改为：-Xms2048m -Xmx4096m（建议最小值不低于2GB，最大值不超过物理内存的50%）。
4、若存在-XX:MaxMetaspaceSize参数，同步调整为-XX:MaxMetaspaceSize=512m，防止元空间耗尽。
5、保存文件，彻底关闭所有WorkBuddy进程（包括后台服务），重新启动应用。
二、启用G1垃圾回收器并优化GC策略
G1收集器相比默认的Parallel GC更适合WorkBuddy这类长周期、多线程、堆内存较大的Java应用，能降低停顿时间并提升内存利用率。
1、在同一启动配置文件中，新增一行JVM参数：-XX:+UseG1GC -XX:MaxGCPauseMillis=200。
2、添加并发标记触发阈值：-XX:InitiatingOccupancyFraction=45，使G1在堆使用率达45%时即启动并发标记，避免突发性Full GC。
3、禁用显式GC调用，防止代码中System.gc()干扰自动回收节奏：-XX:+DisableExplicitGC。
WorkBuddy 桌宠工厂 —— 给一张角色图、一个 codex.pet 链接、一条 codex-pets.net 下载 URL、或一份现成的精灵表，就能自动创建一只可联动 WorkBuddy 状态的桌面宠物。当用户说"创建桌宠"、"做一只桌宠"、"用这张图做桌宠"、"从 codex.pet 安装桌宠"、"导入 codex 桌宠 XX"、"装一下 codex-pets.net 上的 XX&quo
4、保存配置，重启WorkBuddy并观察日志中GC行为是否趋于平稳。
三、限制模型加载规模与启用流式推理
WorkBuddy在初始化阶段会预加载NLP与OCR子模型，若未加约束，可能一次性占用超3GB堆内存。通过运行时参数可强制启用按需加载与分块处理机制。
1、在启动脚本的JAVA_OPTS中追加：-Dworkbuddy.model.load.strategy=on-demand。
2、对文档解析类任务，添加流控参数：-Dworkbuddy.doc.chunk.size=8192（单位字节），将大文件切片处理，避免单次载入整页PDF或百页Word。
3、若仅需基础文本处理，关闭视觉模型加载：-Dworkbuddy.vision.enabled=false。
4、重启应用后，在首选项→「AI引擎」中确认模型状态显示为“按需激活”，且内存监控曲线无尖峰突起。
四、配置堆外内存（Direct Memory）上限
WorkBuddy使用Netty与JNI调用部分本地库，涉及大量堆外内存分配（如图像缓冲区、NIO ByteBuffer）。若未设限，堆外内存持续增长将引发OutOfMemoryError: Direct buffer memory。
1、在JVM启动参数中加入堆外内存控制项：-XX:MaxDirectMemorySize=1024m。
2、确保该值不高于JVM最大堆内存的25%，且总和（堆+堆外）不超过系统可用RAM的70%。
3、若应用日志中出现java.lang.OutOfMemoryError: Direct buffer memory，立即检查此项是否生效。
4、重启WorkBuddy，使用jstat -gc PID命令验证CCST（压缩类空间）与DCMS（直接内存统计）指标是否稳定。
