別再迷信 Mac 了：用 AMD “暴力馴服”本地智能體OpenClaw

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。

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。