别再迷信 Mac 了：用 AMD “暴力驯服”本地智能体OpenClaw

在 2026 年的今天，如果你还在对着 ChatGPT 或者 Claude 的聊天框发呆，那你可能错过了一个新的交互形式。

不管是GPT-4o还是最新的 Gemini，无论它们在服务器端被调教得多么聪明，终究只是被困在浏览器里的“缸中之脑”。它们可以为你写出一段完美的代码，但却无法帮你把这段代码保存到桌面，无法帮你点击运行，更无法帮你整理硬盘里乱七八糟的文件。

这就是为什么OpenClaw在GitHub上会如此火爆的原因。它不是一个单纯的聊天机器人，而是一个Agent（行动智能体）。简单来说，OpenClaw就是给大模型装上了“手”和“脚”，让 AI 第一次拥有了直接操作操作系统的权限。

前段时间，社交媒体上关于本地部署OpenClaw的教程纷纷刷屏。在本地运行一个足够聪明、能写代码的大模型需要巨大的显存，而在传统PC阵营，即便是台式机中的RTX 5090用户，也常常被32GB的“显存墙”卡得死死的。难道Windows用户就不能拥有自己的本地 Jarvis 吗？带着这个“不信邪”的疑问，我把目光投向了 AMD。

可能有人对 AMD 的印象还停留在“玩游戏选 AMD”这种纯性能维度上，但其实AMD在移动端还有一个大招，就是锐龙AI Max系列处理器。这一代处理器最革命性的革新，就是要把苹果引以为傲的“统一内存架构”带入 x86 世界。

为了验证这块CPU的本地部署能力，我搞到了这台搭载AMD 锐龙 AI Max+ 395的abee AI Station 395 Max。今天，我就要用这台机器，从零开始，给大家分享如何在地表最强的移动端SoC上，暴力驯服OpenClaw。

在上手折腾软件之前，咱们得先聊聊这台机器的底气。这颗AMD锐龙AI Max+ 395采用chiplet小芯片设计，在塞进16个全血Zen 5 CPU 核心的同时，还集成了规模接近中高端独显级别的GPU单元。对喜欢玩AI的用户来说，最让人兴奋的不仅是核心数，而是128GB LPDDR5x-8000 的统一内存。

与PC阵营相比，以前统一内存是苹果Mac独有的优势，在本地AI部署上相应的占优。

而AMD这次也在X86阵营带来了统一内存架构技术，CPU、GPU和NPU共享同一个巨大的内存池，还可以在系统中通过使用VGM可变显存技术，灵活调整内存与显存的分配比例，最高可以预留高达96GB的内存空间供GPU专属使用。现在市面上有些锐龙AI Max系列工作站甚至还支持2U+甚至更多台的并联跳线设计，内存空间更是能直接翻倍增长至192GB乃至更高。这种架构上的质变，让 Windows 阵营也能真正跑起超大参数模型，相比于Mac机型而言，用锐龙AI Max系列机型进行本地部署，AI性能更加强大，同时单体购置成本也更低。就拿最近大火的Claudecode来说，输入百万token需要5美元，输出百万token又得25美元。长期使用本地部署显得势在必行，长期使用总成本更经济。

顶级芯片得配个好机身，今天介绍的就是这台abee AI Station 395 Max。

abee这个牌子DIY的用户是非常熟悉的，铝材工艺可以说是天花板级别了，所以在机身上，我们依旧能感受到abee独有的工业设计风格。

这台机器他们没定位成普通的Mini PC，而是桌面级Mini AI工作站。它的个头比Mac Studio稍微大一圈，但这多出来的体积换来的是实打实的散热效率。

它内部这套多岛式全覆盖液冷散热系统，能保证在AI这种高强度的满载推理下，机器不因为过热而掉速，它本身也是一个巨大的散热片，全铝机身不仅是好看，对可靠性、防护性和耐用性都有所增强。对于既看重性能稳定性，又对桌面审美有要求的极客来说，这台机器算是把硬件性能给封装得恰到好处。

硬件到位了，接下来就是软件实战。直接打开OpenClaw官网，点击Quick Start，复制那行PowerShell命令到终端。

在PowerShell中输入：curl -fsSL https://openclaw.ai/install.sh | bash（需在WSL或Git Bash环境下执行）

一切都很顺利，脚本可以拉取环境、配置依赖。

模型选择上，我测试的是Qwen3-Coder，在96GB统一内存预留空间下可以完整加载并保持流畅推理。通过Verbose指令我们能看到实际推理速度还是非常快的，在本地环境下已经进入流畅使用的区间，统一内存架构的优势就直接体现出来了，充足的显存空间允许上下文完整驻留，减少频繁换入换出。

在部署完成后，我们可以直接在PowerShell中输入：OpenClaw Dash进入它的网页端界面。

部署成功只是第一步，它到底能不能干活才是关键。为了测试这台机器的极限，我直接给它下达了一个复杂的编程指令：“使用Python的Pygame 库，帮我写一个赛博朋克风格的贪吃蛇游戏，写完后直接在桌面上运行它。”此时观察性能，GPU占用率会直接飙升，本地的Qwen3-Coder迅速给出了响应。

由于省去了云端传输的环节，代码的生成过程非常利落，没有那种断断续续的迟滞感，而且无需任何Tokens费用成本。不到一分钟，程序生成完毕，终端自动调用Python，游戏窗口弹出并稳定运行。

当然，Agent的能力远不止于此，它还可以用来做很多工作，变成你的个人员工。我让OpenClaw帮我生成一个每日自动执行的计划任务：读取桌面文件夹中的任务文本，筛选带有“#紧急”标签的事项；并读取支出的账单，计算总金额并找出最大开销；最后生成一份日报文件。

OpenClaw生成了脚本，写入本地目录，并协助配置计划任务。任务被成功写入调度系统，能够在指定时间自动执行。在这个过程中，模型不再只是工具，而更像一个自动化协作者。它理解任务目标，生成执行逻辑，并参与系统层面的配置。

围绕这种能力，应用场景自然展开。有人用它定期抓取日志并生成分析报告，有人让它整理下载目录，有人将其接入本地开发环境，自动构建项目并运行测试流程。它的价值并不在于“多聪明”，而在于“能否稳定执行”。

这种稳定性，与统一内存架构之间有直接关系。当模型完整驻留在充足的显存空间中，长时间运行不会因为内存不足而频繁抖动，上下文也不容易丢失。对于 Agent 这种需要持续执行多步骤任务的系统来说，这种结构层面的优势尤为重要。

经过这一番折腾，我们终于可以回答文章开头的问题了：如果不用Mac Studio，我们能拥有完美的本地 AI 体验吗？答案是肯定的，而且购置成本更具优势，这就是AMD给出的这个答案，甚至比苹果更加“极客”。

OpenClaw只是无数AI应用中的一个缩影，它代表了未来人机交互的方向，AI将深度介入我们的系统底层。在超大模型场景下，传统CPU+独显架构的显存瓶颈愈发明显。

AMD 锐龙 AI Max+ 395的出现，实际上是开辟了一条新赛道。它用128GB统一内存简单粗暴地解决了本地大模型最大的痛点，同时用创新的Zen 5架构保证了通用计算的性能，再辅以XDNA 2 NPU为未来的低功耗场景兜底。

对于程序员与创作者来说，本地AI的意义不仅在性能，更在于可控性与数据主权。当模型运行在自己的机器上，隐私、响应延迟、调用权限都掌握在自己手中。在当前 Windows 阵营中，拥有128GB统一内存架构的锐龙 AI Max+ 平台，提供了一种不同于传统独显路线的解法。它证明了一件事：在大模型时代，内存规模开始成为新的核心竞争力。