1. 首頁 > 生活百科 > >

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

aigpumacAMD

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片

別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

文章圖片


在 2026 年的今天 ， 如果你還在對著 ChatGPT 或者 Claude 的聊天框發呆 ， 那你可能錯過了一個新的交互形式 。
不管是GPT-4o還是最新的 Gemini ， 無論它們在服務器端被調教得多么聰明 ， 終究只是被困在瀏覽器里的“缸中之腦” 。 它們可以為你寫出一段完美的代碼 ， 但卻無法幫你把這段代碼保存到桌面 ， 無法幫你點擊運行 ， 更無法幫你整理硬盤里亂七八糟的文件 。
這就是為什么OpenClaw在GitHub上會如此火爆的原因 。 它不是一個單純的聊天機器人 ， 而是一個Agent（行動智能體） 。 簡單來說 ， OpenClaw就是給大模型裝上了“手”和“腳” ， 讓 AI 第一次擁有了直接操作操作系統的權限 。
前段時間 ， 社交媒體上關于本地部署OpenClaw的教程紛紛刷屏 。 在本地運行一個足夠聰明、能寫代碼的大模型需要巨大的顯存 ， 而在傳統PC陣營 ， 即便是臺式機中的RTX 5090用戶 ， 也常常被32GB的“顯存墻”卡得死死的 。 難道Windows用戶就不能擁有自己的本地 Jarvis 嗎？帶著這個“不信邪”的疑問 ， 我把目光投向了 AMD 。
可能有人對 AMD 的印象還停留在“玩游戲選 AMD”這種純性能維度上 ， 但其實AMD在移動端還有一個大招 ， 就是銳龍AI Max系列處理器 。 這一代處理器最革命性的革新 ， 就是要把蘋果引以為傲的“統一內存架構”帶入 x86 世界 。
為了驗證這塊CPU的本地部署能力 ， 我搞到了這臺搭載AMD 銳龍 AI Max+ 395的abee AI Station 395 Max 。 今天 ， 我就要用這臺機器 ， 從零開始 ， 給大家分享如何在地表最強的移動端SoC上 ， 暴力馴服OpenClaw 。
在上手折騰軟件之前 ， 咱們得先聊聊這臺機器的底氣 。 這顆AMD銳龍AI Max+ 395采用chiplet小芯片設計 ， 在塞進16個全血Zen 5 CPU 核心的同時 ， 還集成了規模接近中高端獨顯級別的GPU單元 。 對喜歡玩AI的用戶來說 ， 最讓人興奮的不僅是核心數 ， 而是128GB LPDDR5x-8000 的統一內存 。
與PC陣營相比 ， 以前統一內存是蘋果Mac獨有的優勢 ， 在本地AI部署上相應的占優 。
而AMD這次也在X86陣營帶來了統一內存架構技術 ， CPU、GPU和NPU共享同一個巨大的內存池 ， 還可以在系統中通過使用VGM可變顯存技術 ， 靈活調整內存與顯存的分配比例 ， 最高可以預留高達96GB的內存空間供GPU專屬使用 。 現在市面上有些銳龍AI Max系列工作站甚至還支持2U+甚至更多臺的并聯跳線設計 ， 內存空間更是能直接翻倍增長至192GB乃至更高 。 這種架構上的質變 ， 讓 Windows 陣營也能真正跑起超大參數模型 ， 相比于Mac機型而言 ， 用銳龍AI Max系列機型進行本地部署 ， AI性能更加強大 ， 同時單體購置成本也更低 。 就拿最近大火的Claudecode來說 ， 輸入百萬token需要5美元 ， 輸出百萬token又得25美元 。 長期使用本地部署顯得勢在必行 ， 長期使用總成本更經濟 。
頂級芯片得配個好機身 ， 今天介紹的就是這臺abee AI Station 395 Max 。
abee這個牌子DIY的用戶是非常熟悉的 ， 鋁材工藝可以說是天花板級別了 ， 所以在機身上 ， 我們依舊能感受到abee獨有的工業設計風格 。
這臺機器他們沒定位成普通的Mini PC ， 而是桌面級Mini AI工作站 。 它的個頭比Mac Studio稍微大一圈 ， 但這多出來的體積換來的是實打實的散熱效率 。
它內部這套多島式全覆蓋液冷散熱系統 ， 能保證在AI這種高強度的滿載推理下 ， 機器不因為過熱而掉速 ， 它本身也是一個巨大的散熱片 ， 全鋁機身不僅是好看 ， 對可靠性、防護性和耐用性都有所增強 。 對于既看重性能穩定性 ， 又對桌面審美有要求的極客來說 ， 這臺機器算是把硬件性能給封裝得恰到好處 。
硬件到位了 ， 接下來就是軟件實戰 。 直接打開OpenClaw官網 ， 點擊Quick Start ， 復制那行PowerShell命令到終端 。
在PowerShell中輸入：curl -fsSL https://openclaw.ai/install.sh | bash（需在WSL或Git Bash環境下執行）
一切都很順利 ， 腳本可以拉取環境、配置依賴 。
模型選擇上 ， 我測試的是Qwen3-Coder ， 在96GB統一內存預留空間下可以完整加載并保持流暢推理 。 通過Verbose指令我們能看到實際推理速度還是非常快的 ， 在本地環境下已經進入流暢使用的區間 ， 統一內存架構的優勢就直接體現出來了 ， 充足的顯存空間允許上下文完整駐留 ， 減少頻繁換入換出 。
在部署完成后 ， 我們可以直接在PowerShell中輸入：OpenClaw Dash進入它的網頁端界面 。
部署成功只是第一步 ， 它到底能不能干活才是關鍵 。 為了測試這臺機器的極限 ， 我直接給它下達了一個復雜的編程指令：“使用Python的Pygame 庫 ， 幫我寫一個賽博朋克風格的貪吃蛇游戲 ， 寫完后直接在桌面上運行它 。 ”此時觀察性能 ， GPU占用率會直接飆升 ， 本地的Qwen3-Coder迅速給出了響應 。
由于省去了云端傳輸的環節 ， 代碼的生成過程非常利落 ， 沒有那種斷斷續續的遲滯感 ， 而且無需任何Tokens費用成本 。 不到一分鐘 ， 程序生成完畢 ， 終端自動調用Python ， 游戲窗口彈出并穩定運行 。
【別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw】當然 ， Agent的能力遠不止于此 ， 它還可以用來做很多工作 ， 變成你的個人員工 。 我讓OpenClaw幫我生成一個每日自動執行的計劃任務：讀取桌面文件夾中的任務文本 ， 篩選帶有“#緊急”標簽的事項；并讀取支出的賬單 ， 計算總金額并找出最大開銷；最后生成一份日報文件 。
OpenClaw生成了腳本 ， 寫入本地目錄 ， 并協助配置計劃任務 。 任務被成功寫入調度系統 ， 能夠在指定時間自動執行 。 在這個過程中 ， 模型不再只是工具 ， 而更像一個自動化協作者 。 它理解任務目標 ， 生成執行邏輯 ， 并參與系統層面的配置 。
圍繞這種能力 ， 應用場景自然展開 。 有人用它定期抓取日志并生成分析報告 ， 有人讓它整理下載目錄 ， 有人將其接入本地開發環境 ， 自動構建項目并運行測試流程 。 它的價值并不在于“多聰明” ， 而在于“能否穩定執行” 。
這種穩定性 ， 與統一內存架構之間有直接關系 。 當模型完整駐留在充足的顯存空間中 ， 長時間運行不會因為內存不足而頻繁抖動 ， 上下文也不容易丟失 。 對于 Agent 這種需要持續執行多步驟任務的系統來說 ， 這種結構層面的優勢尤為重要 。
經過這一番折騰 ， 我們終于可以回答文章開頭的問題了：如果不用Mac Studio ， 我們能擁有完美的本地 AI 體驗嗎？答案是肯定的 ， 而且購置成本更具優勢 ， 這就是AMD給出的這個答案 ， 甚至比蘋果更加“極客” 。
OpenClaw只是無數AI應用中的一個縮影 ， 它代表了未來人機交互的方向 ， AI將深度介入我們的系統底層 。 在超大模型場景下 ， 傳統CPU+獨顯架構的顯存瓶頸愈發明顯 。
AMD 銳龍 AI Max+ 395的出現 ， 實際上是開辟了一條新賽道 。 它用128GB統一內存簡單粗暴地解決了本地大模型最大的痛點 ， 同時用創新的Zen 5架構保證了通用計算的性能 ， 再輔以XDNA 2 NPU為未來的低功耗場景兜底 。
對于程序員與創作者來說 ， 本地AI的意義不僅在性能 ， 更在于可控性與數據主權 。 當模型運行在自己的機器上 ， 隱私、響應延遲、調用權限都掌握在自己手中 。 在當前 Windows 陣營中 ， 擁有128GB統一內存架構的銳龍 AI Max+ 平臺 ， 提供了一種不同于傳統獨顯路線的解法 。 它證明了一件事：在大模型時代 ， 內存規模開始成為新的核心競爭力 。

    推薦閱讀