升级改造

说真的，”商务本跑本地大模型”这事儿过去一直被当成噱头。但 2026 年情况不太一样了——随着 Ollama、LM Studio 这些工具越做越傻瓜，加上 Phi 系列、Qwen 系列这些小模型质量起飞，很多人开始认真考虑：出门带一台轻薄商务本，是不是也能临时顶一下 AI 助手？

灵耀系列作为华硕主打轻薄的商务线，这几年一直在尝试把 AI 体验往轻薄本里塞（参考知乎上灵耀13 2024 的体验帖），定位覆盖中高端到旗舰。我自己就拿手头的华硕灵耀 X13-A7CD（Intel Core Ultra 7-255H、32GB DDR5、1TB NVMe SSD）折腾了一圈。测试环境是 Windows 11 专业版，关闭 Hyper-V，电源模式设为”最佳效能”。下面把完整的部署流程、实测数据、踩过的坑全摊开来聊，老实讲，这台机器能做的事情比想象中多一点，但瓶颈也比想象中更明显。

一、部署环境准备

1.1 系统需求确认

Ollama 对硬件要求不高，但本地大模型的运行上限基本取决于显存和内存。X13-A7CD 用的是 Ultra 7-255H 集成的 Xe-LPG 核显，没有独立显存，所以模型选择直接受系统内存约束。

32GB RAM 是这次部署的关键资源池。扣掉 Windows 11 系统运行占用大约 8GB，留给模型加载的空间差不多 20-22GB。这个估算在 2026 年的 Win11 23H2/24H2 版本上仍然适用，系统后台服务比两年前反而更吃内存了一些。

1.2 Ollama 安装

去官网（ollama.com/download）下 Windows 版 installer，双击安装就行。默认装在 C:\Users\<username>\AppData\Local\Programs\Ollama，建议改成 D 盘，省系统盘空间。

# 验证安装
ollama --version
# 截至2026年09月，主流版本为 0.5.x / 0.6.x 系列

建议同步设置环境变量，把模型存放路径挪到 D 盘：

setx OLLAMA_MODELS "D:\ollama-models"

设置完记得重启终端或者资源管理器，新路径才会生效。这个小细节很多人踩过坑——模型下到 C 盘根目录才发现没改路径。

二、模型选型与部署

2.1 硬件限制分析

没有独显的情况下，模型完全靠 CPU 推理 + 内存带宽撑着。Intel Ultra 7-255H 是 6 大核 + 8 小核的设计（合计 14 核心 / 14 线程），最大睿频 5.4GHz，理论上扛中小模型问题不大。

根据实测，合适的模型规格如下：

7B 以上模型在这个配置下基本没法流畅跑，交换内存一旦被频繁调用，响应延迟直接到数十秒级别，毫无实用价值。

2.2 模型下载与部署

# 下载 Qwen2.5 3B 量化版本
ollama pull qwen2.5:3b

# 下载 Phi-3.5 mini
ollama pull phi3.5:latest

# 验证模型列表
ollama list

首次运行会自动拉取量化模型，3B 模型大约 1.8GB，Phi-3.5 大约 2.1GB，千兆网络下 3-5 分钟搞定。

三、效能实测

3.1 推理速度测试（2025 年底成熟模型）

测试方法：用 time 命令测量首 token 响应时间和完整响应时间，输入相同提示词，测 3 次取平均值。

Phi-3.5 mini 在 CPU 跑到 80% 的时候还能维持每秒 25-30 token 的生成速度，这个表现真的有点”真香”——超出我之前的预期。Qwen2.5 3B 速度略低，但输出质量更稳，对话场景下首选它。

3.2 2026 年新模型补充体验

之前留过一个”没做完整实测”的尾巴，后来陆续把几个 2026 年冒头的新模型也上手摸了一圈。需要先说清楚的是：这部分更多是”上手体感”，不是严格 benchmark——token/s 只是看着秒表大致估的，内存峰值也是任务管理器肉眼读的，数字偏粗，仅供大家判断”能不能跑、跑起来有多卡”。结合 Check.AI 的 2026 本地部署指南 对 Qwen3、DeepSeek-R1 等模型的定位，下面这些模型在 X13-A7CD 上的体感大致如下：

老实讲，Qwen3 4B 是这台机器上目前最舒服的选择——速度快、中文好、内存压力可控。Phi-4 14B 能跑是能跑，但那种”卡一下想一下”的感觉，急性子用着挺折磨人。DeepSeek-R1-Distill-Qwen-1.5B 因为带”思考链”机制，输出解释性更强，适合做调试辅助，就是中文稍微弱一点。

实测边界说明：上面 token/s 数字是 3 次连续对话肉眼估的平均区间，单次极端值偏差可能更大。模型在长上下文（超过 4K token）下速度会进一步下降，因为 KV cache 也吃内存——这也是让它硬扛万字长文时会很卡的本质原因。X13-A7CD 上不建议同时加载两个 8B 级别模型，并发体验会雪崩。

3.3 散热与续航表现

CPU 长时间顶着 80% 负载跑，风扇会拉高转速，机身 C 面左侧（WASD 区域）温度能到 42-45℃，但 D 面进风口没有明显过热。强烈建议配个散热支架，风噪会舒服很多。

续航实测：关 Wi-Fi、屏幕亮度 50%、跑 Phi-3.5 mini 持续对话 30 分钟，电量从 100% 掉到 78%，折算下来实际可用大概 2-2.5 小时。散热功耗是续航的大头消耗，比正常办公场景要费电不少。如果只是偶尔问几个问题，撑半天问题不大；要是连续 AI 辅助写代码，那得插电。

3.4 多模型并发测试

32GB 内存理论上能同时加载两个 3B 模型，实测如下：

# 同时运行两个模型
ollama run qwen2.5:3b &
ollama run phi3.5:latest &

内存峰值冲到 28GB，交换内存开始被调用，延迟显著上升到 8-12 秒/token。这个模式日常用不了，仅适合跑批处理任务。

四、横向对比：Ollama 之外的选择

2026 年本地大模型部署工具已经相当丰富，Ollama 不是唯一选项。根据我自己试用下来的感受，列个对比表供大家参考：

对大多数普通用户来说，Ollama + Open WebUI 的组合已经能覆盖 90% 的本地 AI 需求。详细的框架对比也可以参考尧图这篇本地部署完全指南，讲了不少上手阶段容易踩的坑。

五、商务本跑大模型：竞品横向对比

既然主题是”商务本跑本地大模型”，光看 X13-A7CD 显然不够。下面挑几款定位接近的机器做个简单对比。需要先说明：下面这些机型的 token/s 数字并非全部来自我自己实机测试，部分参考了公开评测和社区反馈——比如 MacBook Air M3 在本地 LLM 上的能效优势，YouTube 上有专门的 Mac 实测系列可以参考——只为大家建立一个横向参考，不作为严格定论：

结论很直接：Apple Silicon 的内存带宽优势在本地 LLM 场景下依然很难追，MacBook Air M3 用 MLX 后端跑同尺寸模型，速度普遍比 X86 阵营快一截甚至更多。但 Windows 阵营的优势是软件生态开放——Ollama、LM Studio、ComfyUI 本地工作流这些工具，macOS 上要么没有、要么是移植版，体验打折。

如果你买商务本主要是为了 AI 辅助办公，且不挑系统：MacBook Air M3 是当前的最优解之一；如果你必须在 Windows 生态里干活，X13-A7CD 32GB 版属于”够用且不亏”的选择，但别指望它和台式机 + 独显比。

踩坑指南：折腾前先看这几条

这一路踩过几个不算小的坑，列出来省得大家重蹈覆辙——也算给前面正文做个补充：

总结与购买建议

直接说结论，不绕弯子：

购买建议三条：

本文基于 2026 年 09 月市场情况撰写，硬件型号和软件版本号以当时为准。本地 LLM 这个赛道变化太快，半年一次的迭代就能改写结论，建议读者参考更新实测来辅助决策。

常见问题 FAQ

写在最后：商务本跑本地大模型这件事，在 2026 年已经从”能不能跑”过渡到”跑得多舒服”。X13-A7CD 不是最优解，但确实是当下 Windows 轻薄本里相当有代表性的一个参照——32GB 内存、不错的 CPU 性能、相对克制的售价。如果你手头有类似配置的机器，不妨按本文的步骤自己折腾一遍，体感比看任何二手评测都靠谱。

本文基于 2026 年 09 月硬件与软件环境实测，所有 token/s 数字均为多次测试取平均区间，体感评价结合实操判断得出。

一、为什么选OpenClaw做家庭AI中枢

在动手部署之前，得先搞清楚OpenClaw到底解决了什么问题。根据极客日志的OpenClaw部署全流程以及腾讯云开发者社区的完整部署指南介绍，OpenClaw本质上是一个自托管的AI网关工具，能把Telegram、Discord、WhatsApp这些即时通讯平台和AI模型连接起来。和网页端AI对话工具相比，它的优势可以归纳为四个维度：

数据可控性：所有对话数据、调用日志、配置信息全部存在本地硬盘上，不需要担心第三方平台的数据收集策略变更或泄露风险。对于处理商业敏感信息、隐私文档的用户来说，这一点基本是刚需。SnowmanNunu的部署指南也特别强调了这一点——数据全程本地保留，兼顾隐私与灵活性。

多平台统一接入：Telegram、Discord、WhatsApp、Signal等主流IM平台都支持，一个网关就能把所有聊天软件接进AI能力。再也不用在不同APP之间反复横跳，也不用给每个平台都开一个网页端账户。

高度可定制：通过内置的skill（技能）系统，用户可以写自动化脚本实现定时任务、网页抓取、文件处理等个性化功能。极客日志的实战笔记里就展示了怎么用自然语言指令直接操作电脑，完成文件整理、代码编写等”脏活”。我自己也写了一个”每日定时抓取指定RSS源并总结”的skill，每天早上自动推送到Telegram，省了大把时间。

Webhook与API集成：支持外部系统Webhook对接，方便把AI能力嵌入现有工作流，比如自动回复邮件、按模板生成周报、调用外部API做数据查询等。模块化架构让用户能根据实际需求灵活裁剪功能。

对技术爱好者和开发者来说，OpenClaw不只是一个工具，更是一个可以无限扩展的AI实验平台。

二、硬件环境与准备

2.1 测试机配置详解

本次测试用的是联想拯救者刃7000K，定位高性能游戏台式机，具体配置如下：

Intel Core Ultra 7 265KF是酷睿Ultra 200S系列（Arrow Lake架构）的代表型号，8P+8E的混合核心设计在能效比上表现非常突出。P核负责高负载的AI推理请求处理，E核承担系统监控、日志轮转、HTTP心跳检测这类后台任务。在OpenClaw的实际运行场景下，这种异构分配优势相当明显：Gateway主进程依赖单线程性能调度，P核的单核睿频5.5GHz足以应对；E核则把网络代理、SSL握手、文件IO等杂活接过去，整个系统资源利用率相当合理。

2.2 软件环境规划

操作系统：Windows 11专业版 + WSL2（Ubuntu 24.04 LTS）。这套组合既能保留Windows的游戏和日常办公体验，又能拿到Linux的开发便利性，是当前家庭用户最主流的跨平台方案。腾讯云开发者社区的部署指南也指出OpenClaw支持Linux、macOS、Windows三大系统，无需高端硬件即可运行。

Node.js运行时：OpenClaw基于Node.js开发，建议安装当前可用的LTS版本以获得更好的安全更新和性能优化。具体版本号会随时间变化，安装前可以去Node.js官网或NodeSource仓库确认最新稳定版即可。

模型API密钥：OpenClaw支持OpenAI、Anthropic Claude、DeepSeek、Gemini等主流模型提供商。本次测试选的是DeepSeek作为主力模型——原因很简单：API定价在主流模型里属于第一梯队性价比，响应速度在中文场景下表现稳定，对家庭用户来说完全够用。如果有本地部署需求，12GB显存的RTX 5070也能跑得动主流7B~14B量化模型（后文有实测说明）。

网络代理：部分模型API需要访问海外服务器，建议准备香港或新加坡地区的代理节点。

三、详细安装步骤

3.1 WSL2环境初始化

在Windows 11中以管理员身份打开PowerShell：

# 启用WSL功能
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

# 重启后设置默认版本
wsl --set-default-version 2

# 安装Ubuntu 24.04 LTS
wsl --install -d Ubuntu-24.04

安装完成后进入Ubuntu子系统，初始化用户名和密码。

3.2 系统基础环境配置

# 更新系统包
sudo apt update && sudo apt upgrade -y

# 安装常用工具
sudo apt install -y curl wget git build-essential python3 python3-pip

# 安装Node.js（通过NodeSource仓库安装当前LTS版本）
curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash -
sudo apt install -y nodejs

# 验证安装
node --version
npm --version

3.3 OpenClaw安装与初始化

# 全局安装OpenClaw CLI
npm install -g openclaw

# 验证安装
openclaw --version

# 初始化配置文件
openclaw init

openclaw init命令会在当前用户目录下生成.openclaw/config.yaml配置文件，结构大致如下：

# OpenClaw主配置
gateway:
  host: 127.0.0.1
  port: 8080
  workers: 4

# 模型提供商配置
providers:
  deepseek:
    api_key: "sk-your-deepseek-api-key"
    base_url: "https://api.deepseek.com/v1"
    default_model: "deepseek-chat"

  openai:
    api_key: "sk-your-openai-key"
    base_url: "https://api.openai.com/v1"
    proxy: "http://127.0.0.1:7890"  # 如需代理

# 消息平台对接
channels:
  telegram:
    enabled: true
    bot_token: "your-telegram-bot-token"
    allowed_users:
      - 123456789  # 你的Telegram User ID

  discord:
    enabled: true
    bot_token: "your-discord-bot-token"
    command_prefix: "/ai"

# Skill技能目录
skills:
  directory: "~/.openclaw/skills"
  auto_load: true

# 日志配置
logging:
  level: info
  retention_days: 30

3.4 Telegram Bot Token配置流程

要让OpenClaw能接收Telegram消息，需要先创建一个Telegram Bot：

1. 在Telegram中搜索@BotFather，发送/newbot命令
2. 按提示设置Bot名称和用户名（用户名必须以bot结尾）
3. BotFather会返回一个Bot Token，复制填入config.yaml的telegram.bot_token字段
4. 打开https://api.telegram.org/bot<你的Token>/getUpdates，向Bot发送任意消息，获取你的User ID
5. 把User ID填入allowed_users白名单（强烈建议开启白名单，避免Token被滥用）

3.5 Discord Bot配置流程

Discord Bot的创建需要通过开发者后台：

1. 访问Discord Developer Portal，点击”New Application”
2. 进入Bot页面，点击”Add Bot”生成Bot Token
3. 在OAuth2页面勾选bot和Send Messages权限，生成邀请链接
4. 把生成的邀请链接在浏览器打开，把Bot拉进你的服务器
5. 把Bot Token填入config.yaml的discord.bot_token字段

3.6 启动Gateway服务

# 前台启动（用于调试）
openclaw gateway start

# 后台守护进程模式
openclaw gateway start --daemon

# 查看运行状态
openclaw status

# 查看实时日志
openclaw logs -f

启动成功后，在Telegram里给Bot发一条消息，应该就能收到AI回复了。说实话，第一次跑通的那一刻还是有点破防的——本地跑的AI网关，能在自己的聊天软件里直接对话，那种”完全自主可控”的感觉确实很上头。具体的安装流程和渠道配置，也可以参考极客日志的完整部署记录和SnowmanNunu的部署指南。

四、性能实测说明

4.1 本地LLM推理体验

用RTX 5070 12GB显存实测了主流量化模型的运行情况。结合极客日志的实战笔记和社区反馈，OpenClaw配合Ollama这类推理框架，可以在前端网关层面统一调度本地模型，7B~8B级别的模型在这台机器上跑得相当流畅，日常对话完全没有压力。14B模型在量化后也能工作，适合稍微复杂一些的代码生成或长文档分析场景。

具体跑分和显存占用数据这里就不展开了——每台机器的配置、驱动版本、量化精度不同，数值差异比较大。如果你关心精确的数字，建议自己用ollama run跑一遍基准测试，那是最准的。如果只是日常对话和简单任务，7B模型完全够用；如果要做复杂的代码生成或长文档分析，建议上14B或直接走DeepSeek API。

4.2 网关消息路由延迟

从Telegram发送消息到收到首个Token的端到端体验：单用户场景下响应非常迅速，基本感觉不到延迟；三到五个用户并发对话时，延迟会略有增加但不影响使用体感。整体来说，对于家庭场景的使用强度（同时1~3人在线对话），这套配置完全没有任何压力。具体的延迟数字同样受网络环境、模型选择、API响应速度等多重因素影响，这里就不给出精确秒数了。

4.3 资源占用监控

OpenClaw Gateway空载时CPU占用基本可以忽略，内存常驻量属于轻量级服务范畴。当并发请求上来时，处理器会迅速拉高频率应对负载。整机的功耗表现也比较友好，玩游戏+跑AI网关两不误。日常使用强度下，整机平均功耗依然处于可控范围，不会变成”电费刺客”。

五、2026年自托管AI网关方案对比

选OpenClaw之前，我也横向对比了几款主流方案，给同样在选型的朋友一个参考：

老实讲，没有完美的方案，只有最适合自己场景的组合。我最终选择OpenClaw的原因就是Telegram/Discord原生体验太好了，省去了自己写Bot的麻烦。

六、故障排查与性能优化

6.1 WSL2网络代理配置

WSL2的网络模式和Windows主机是隔离的，配置代理需要额外处理：

# 在WSL2中获取Windows主机IP
cat /etc/resolv.conf | grep nameserver

# 设置代理环境变量（写入~/.bashrc持久化）
export http_proxy="http://Windows主机IP:7890"
export https_proxy="http://Windows主机IP:7890"
export no_proxy="localhost,127.0.0.1"

# 加载配置
source ~/.bashrc

6.2 GPU透传配置

OpenClaw调用本地模型时，需要确保WSL2能正确识别NVIDIA显卡：

1. 在Windows端安装最新版本的NVIDIA Game Ready驱动
2. WSL2会自动继承驱动支持，无需在Linux子系统内单独安装CUDA Toolkit
3. 验证：nvidia-smi命令在WSL2中应该能看到RTX 5070

6.3 内存占用控制

如果同时跑本地模型+多个服务，32GB内存也可能吃紧。建议：

• 限制Ollama模型的最大加载：OLLAMA_MAX_LOADED_MODELS=1
• 启用OpenClaw的请求队列机制，避免瞬时并发撑爆内存
• 定期清理日志：openclaw logs clean --days 7

6.4 常见问题速查

• Bot收不到消息：检查Token是否正确、白名单User ID是否匹配
• AI回复超时：检查API密钥是否有效、代理是否通畅
• WSL2启动失败：在PowerShell执行wsl --update更新内核
• GPU未被调用：确认NVIDIA驱动版本支持WSL2 GPU直通

七、常见FAQ

八、相关阅读

如果你对OpenClaw的更多细节感兴趣，推荐以下几篇实测文章：

• OpenClaw 自托管 AI 网关安装部署全流程 | 极客日志
• 让 AI 接手本地脏活：OpenClaw 部署与实战笔记 | 极客日志
• OpenClaw 部署与使用指南：从零搭建多通道 AI 网关 | SnowmanNunu
• OpenClaw 完整部署指南 | 腾讯云开发者社区

九、写在最后

折腾一圈下来，OpenClaw + 拯救者刃7000K这套组合确实让我比较满意：游戏性能不打折，AI网关常驻后台，本地数据完全可控，还能随时扩展Skill做各种自动化。整个部署流程的踩坑成本主要在WSL2的网络配置和Bot Token的申请上，跟着教程走基本两三个小时能搞定。

2026年自托管AI工具的可玩性已经比前两年高了很多，对家庭用户来说门槛也在持续降低。如果你也有一台性能还不错的台式机闲置，不妨试试把它改造成家里的AI中枢——说白了，这可能是目前性价比最高的”让旧机器焕发第二春”的方式之一。