北京
一台Mac当主控，Parallels虚拟机跑Windows，旁边再摆一台Windows实机和一块Android小平板——这不是桌面收纳展示，而是一套被搭起来的跨平台AI Computer Use环境。作者Tw93把这几台设备串成了集群，让AI在同一个工作上下文里操作不同终端。
这套组合的分工很明确：Mac是研发主力端，虚拟机承担Windows侧的活，实机和小平板补上另外两类设备形态。AI要做的，是在这些形态之间来回切换执行任务，而不是只守着一块屏幕。
作者提到，从ChatGPT 3.5之后，玩大模型的人大致分成两个流派。一派坚持用当前最好的模型，一把梭把事情做完，他自己评价这种做法看着有点“败家”。这句话放在多设备集群的语境里，其实点出了成本与效率之间的取舍。
他的选择是按任务难度分档。普通任务交给更快的opus 5.5 medium档位，复杂任务切到high；Codex则默认使用GPT-6-Astra medium。同一套环境里，模型档位跟着任务走，而不是所有事都堆到最强配置上。
从展示的效果看，AI操作的对象覆盖了Mac研发主力端、Windows虚拟机和Android小平板。设备类型不同，操作路径不同，但上下文是统一的——这正是集群思路的价值所在：不是让一台设备变强，而是让AI的手伸得更远。
对开发者来说，这套实践的启发在于设备编排本身。手边的旧机器、虚拟机、平板，都可以成为AI的执行终端，关键在于把它们组织进同一个工作流。作者给出的标签里还有“无障碍”和“开发者工具”，说明这类跨设备操作能力的使用场景并不局限于日常开发。
模型档位的选择、设备角色的划分、任务复杂度的匹配，三件事叠在一起，构成了这套多设备AI环境的实际运行逻辑。它不追求单点极致，而是把手上已有的算力和设备都用起来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
