在 humble hardware 上本地執行 OpenClaw 的實務挑戰
為何重要
OpenClaw 的實測揭示了當前「本地 AI Agent」的技術瓶頸：輕量級模型雖能處理基本對話，但在「Agentic Tool use」（分層系統指令）與復雜任務拆解上明顯力不從心，容易陷入幻覺陷阱。這表明純粹的場邊運算尚不足以替代「本地推理 + 雲端配置」的混合架構，也意味著要在消費級硬體上製造出完全自主、可靠的 Agent SDK，仍有待硬體記憶體頻寬或模型架構的重大突破。
AI Agent 引擎 OpenClaw 儘管備受關注，但在入門硬體上的實務配置顯得相當吃力。本文透過升級 Beelink SER10 MAX 的視訊記憶體至 48GB，測試了不同量化的 Gemma 4 模型，發現 31B 模型因記憶體頻寬不足導致速度僅 2.34 tok/s，而較小的 12B 模型雖能達到 10.64 tok/s，卻在執行複雜任務（如建立 cron jobs）時出現嚴重幻覺與模擬執行行為。最後，作者引入 2.8T 引數的 Kimi K3 進行協作，成功將 OpenClaw 的設定指令化（成本約 1 美元）。