一台 DGX Spark，开始“遥控”旁边的 Windows 电脑

来源：市场资讯

（来源：至顶AI实验室）

作者 | Tofu

DGX Spark 的第一批玩家，开始给它配第二台电脑了！

这套组合看起来有些奇怪：一边是拥有 128GB 统一内存、专门用来运行本地大模型的 AI 计算设备，另一边却只是一台搭载了 Windows 的迷你主机。

YouTube 上的 Level1Techs 把两台机器接入同一个局域网，做了一次完整实验。

他把 DGX Spark 和 Windows 小主机接到了一起，让两台机器组成一套完整的本地 AI 系统，一台负责思考，一台负责行动。

让 DGX Spark 成为 AI 的大脑

这套系统由两台机器组成。

负责运行 AI 的，是一台 MSI 的 DGX Spark 设备。它承担本地模型推理、任务规划、图像理解和结果判断。另一台 MSI 迷你主机运行 Windows 11，角色更像一台被操作的工作终端。

两台设备通过局域网连接。AI 在 DGX Spark 上思考，再通过 MCP 向 Windows 电脑发送指令。Windows 端执行程序、运行命令、截取屏幕，随后把执行结果送回模型。

演示中，他先让 AI 打开记事本，并输入“Hello from Turnstone”。第一次输入出现偏差后，系统截取屏幕，识别出窗口状态，再次调整操作，最终完成了任务。随后，他又要求 AI 检查这台电脑的 CPU、GPU、内存、Windows 版本和存储信息。AI 自动运行 PowerShell、读取设备管理器，并生成了一份完整的系统概况。

这类操作过去也能通过自动化脚本实现，但脚本通常只能严格按照预设路径运行。窗口位置变化、软件版本更新或命令报错，都可能导致流程中断。大模型加入之后，系统能够读取当前状态，理解错误原因，再决定下一步操作。

AI 因此获得了一定程度的环境适应能力。

Turnstone 把多个 Agent 组织起来

真正决定这套系统能否工作的是 Turnstone。

它并不负责直接生成模型能力，更像一个 Agent 调度和治理框架。用户可以在其中配置协调者、工程师、记录员等不同角色，让多个模型会话同时处理同一个目标。

例如，一个 Agent 负责规划任务，一个 Agent 负责执行操作，另一个 Agent 负责整理文档。系统中还可以单独部署 Judge 模型，对其他 Agent 的输出进行检查。一旦发现任务偏离目标、操作风险过高或结果不符合标准，Judge 可以要求暂停、重试或交给人工审批。

在这次实验中，主要任务由 Nemotron 模型完成，Google Gemma 则承担 Judge 的角色。对于代码任务，还可以加入 Qwen 模型。不同模型被分配到各自擅长的环节，形成一个小型的本地 AI 团队。

Turnstone 还提供权限等级、工具白名单、人工批准和输出防护。执行普通查询时，系统可以自动放行；涉及文件修改、系统配置等高风险操作时，需要用户点击批准。

这种设计解决了一个现实问题：AI 一旦获得电脑控制权，误操作带来的后果会被迅速放大。视频中也反复提醒，即使系统完全运行在本地，也不应该把含有敏感数据和核心权限的设备直接交给 Agent。

更合理的使用方式，是给 AI 准备一台隔离设备、测试环境或权限受限的业务终端。

Skills 和 MCP，让模型真正获得工具

模型知道“应该做什么”，并不代表它知道“具体怎么做”。

Turnstone 用 Skills 和 MCP 补上了这一层。

Skills 可以理解为写给 AI 的操作手册。它会说明任务目标、执行步骤、可调用工具和验收条件。Skill 中还可以附带 Python 或 Bash 脚本，让 AI 优先调用经过验证的流程，再处理脚本运行过程中出现的异常。

MCP 则负责把外部系统的操作能力开放给模型。

Windows 电脑上运行了一个 MCP 服务，通过 HTTP 向 Turnstone 提供打开文件、操作注册表、调用 PowerShell、获取屏幕截图等工具。Turnstone 读取这些工具说明后，再决定由哪个 Agent 调用。

这形成了一条完整链路：大模型理解目标，Turnstone 拆解任务，Skill 提供操作方法，MCP 连接真实设备，Judge 检查执行结果。

当执行结果没有达到预期时，系统会再次观察环境，修改操作并重新验证。视频中所说的“闭环”，本质上就是目标、执行、反馈和评价被接到了一起。

至顶 AI 实验室洞见

这次演示并没有刻意证明 AI 已经能接管复杂工作。

打开记事本、读取硬件信息、运行脚本，仍属于相对基础的任务。模型有时会点错窗口、输入到错误位置，也可能因为上下文不足而忘记最初目标。

但这套实验已经展示出一种逐渐成形的 Agent 架构。

大模型负责推理，编排框架负责分工和上下文管理，MCP 提供操作接口，Judge 和人工审批控制风险。本地小模型可以处理常规任务，遇到高难度问题时，再调用更强的云端模型，从而减少云端 Token 消耗。

硬件和软件效率也在快速提升。视频提到，DGX Spark 发布之后，本地模型推理速度已经明显改善。借助 NVFP4、多 Token 预测和混合专家模型，部分 Qwen 35B 模型在特定配置下可以达到每秒约 70 个 Token。

不过，本地 Agent 目前仍像早期个人电脑：成本高、配置复杂、实际用途有限，却已经吸引一批开发者开始搭建工具、协议和工作流。

当 AI 能够持续观察环境、调用工具、判断结果并修正错误，它就不再只是一块回答问题的聊天窗口，它开始真正进入电脑，参与工作本身。