🎬 二手X86就得了！OpenClaw接入本地大模型填坑记！M4 Mac mini拒绝！
🎯 核心观点 使用廉价二手 X86 迷你主机（如 680 元购得的 M75N）搭配高内存设备（128GB 内存的 EVOX2）运行 OpenClaw 及本地大模型，是比使用昂贵 Apple Silicon 设备更具性价比的方案。 OpenClaw 的核心价值在于通过聊天软件（如 Telegram）利用自然语言指挥电脑执行连续任务，而非单纯的技术堆叠。 本地模型主要作为辅助工具，用于减少网络 Token 消耗，其能力上限仍低于顶级网络大模型。 ⚙️ 关键事实与配置 硬件组合：M75N 3500U 小主机运行 OpenClaw，局域网内的 EVOX2（128GB 内存，Radeon 8060s 核显）运行 LM Studio 提供推理服务。 系统要求：必须使用 Windows 11 并安装 WSL（Ubuntu 24.04），Windows 10 会导致严重兼容性问题。 配置备份：`OpenClaw.json` 是核心配置文件，任何错误修改都可能导致网关瘫痪，需频繁备份以便回滚。 模型策略：主力模型建议选用排名靠前的网络大模型（如 K2.5、M2.5 等），本地模型（如 Code Next）仅作为 Provider 列表中的备选，不可作为首要或回滚模型。 通信优化：在 Telegram 群组中设置 Topic（话题），每个 Topic 拥有 256k 独立上下文，避免全量上下文上传导致的资源浪费。 性能调优：将本地模型精度从 F16 改为 Q8，可解决长提示词上传超过 300 秒导致的超时错误，且对输出质量影响较小。 权限修复：当添加多个本地模型导致机器人权限丢失时，需在配置文件中手动添加机器人用户 ID；同时需设置所有 Topic 的 active version 为 always 状态。 📝 结论与建议 适用场景：适合编程、写作、资料抓取及文档制作等辅助性工作，能显著降低 API 成本。 局限性：目前尚未达到完全自动化“赚钱”或替代人工精细工作的程度，本地模型在复杂任务上的准确性和完整性仍逊于顶级网络模型。 语音功能：在 Windows 环境下，通过指令自动安装 Edge TTS 即可实现语音播报，无需依赖 Mac 系统的原生优势。 总体评价：OpenClaw 是一个通过社区迭代不断进化的开源工具，结合廉价 X86 硬件可实现高效的本地 AI 工作流，但用户需具备一定的基础配置和故障排查能力。