網頁好讀版：https://reurl.cc/qa5ray 影片動態呈現B70本地端龍蝦的實際操作與體驗，能更快速了解本文全貌： https://youtu.be/3LYPQFVTSGA 今年初身邊已有朋友提及幾次「養龍蝦」，也就是OpenClaw執行AI Agent，到了五六月時 相關討論更是熱烈；特別是在Computex 2026現場，Claw相關技術展示與龍蝦娃娃的能見 度極高，足見代理式AI已成為今年電腦界的熱門話題。 不過若想在本地端養龍蝦並實現免付費Token，擁有一張32GB VRAM的顯示卡，可說是載入 具備實用推理能力模型的入門配置。 回顧2022年Intel重返GPU市場，首先推出以Arc為名的A系列遊戲顯示卡；接著在2024年更 新二代B系列，初期仍鎖定遊戲市場，推出B570 10G與B580 12G。 而專為工作站打造的Arc Pro系列，繼去年Computex發表B50 16G與B60 24GB後，今年3月 發布搭載32GB大容量VRAM的高階型號B65與B70。 https://i.imgur.com/mqrRwEi.jpeg 本篇主角Arc Pro B70外型屬於雙槽中尺寸顯示卡，實際測量長寬高分別為265 x 98 x 39mm(不含金手指與IO擋板)，重量約1028公克。 GPU代號Battlemage，採用Xe2架構與PCIe 5.0 x16介面；內建32個Xe-core，基礎時脈 2280MHz，動態時脈最高可達2800MHz。 記憶體配置32GB 256Bit GDDR6、頻寬達608 GB/s、TBP功耗為230W。 https://i.imgur.com/IgKJWZH.jpeg 其他規格包含Render Slice單位8、光線追蹤單元為32、Intel XMX引擎與Xe向量引擎皆為 256、GPU TFLOPS (FP32)為22.94、GPU峰值TOPS (Int8)為367。 支援SR-IOV、Intel XeSS 2與Intel Extension for PyTorch技術。 右方為渦輪鼓風扇與8Pin電源輸入。 https://i.imgur.com/PDehyNZ.jpeg 相較於B50 16GB，B70 32GB在大多數硬體規格上皆提升至2倍，最大特色在於VRAM容量同 樣翻倍達到32GB，記憶體頻寬更由224 GB/s大幅提升至608 GB/s。 B70定位於專業工作站與AI加速領域，也是目前當地消費市場中，入手門檻最低的32GB顯 示卡。 https://i.imgur.com/miZwA5W.jpeg 背面採用金屬材質搭配品牌代表藍色為主色調，標示intel ARC PRO B70，右側設計有散 熱透氣孔。 API支援DirectX 12 Ultimate、oneAPI、OpenCL 3.0、OpenGL 4.6、OpenVINO、Vulkan 1.3。 媒體配置檔支援HDR10、HDR10+ GAMING、Dolby Vision，硬體編碼與解碼支援AV1、H.265 、H.264、VP9格式。 ARC PRO驅動程式通過ISV認證，強調能確保一般AI、設計、工程、建築和製造軟體的效能 可靠而精確。 https://i.imgur.com/VB1IqCg.jpeg IO輸出配置4個DisplayPort 2.1並支援UHBR 13.5規格，單螢幕最高可輸出 7680x4320@120Hz。 https://i.imgur.com/mZkyBb9.jpeg 測試平台： CPU: Intel Core Ultra 7 270K Plus MB: Z890 AORUS ELITE WIFI7 ICE DRAM: T-FORCE XTREEM DDR5 8200 24GBX2 VGA: Intel Arc Pro B70 32GB SSD: XPG GAMMIX S70 BLADE 1TB POWER: InWin PII SERIES P130II Cooler: Thermalright Frost Commander 140 Case：InWin Shift E-ATX Chassis OS: Windows 11更新至2025H2 26200 / 電源模式平衡 * 效能分數表現會因使用情境、配置及其他因素而異，僅供參考。 https://i.imgur.com/w9cSNJm.jpeg 進行AI Agent代理式功能，本篇使用OpenClaw(俗稱龍蝦)，也是今年上半年相當熱門的話 題。這類工具不同於以往AI單純一問一答的模式，能依照指令執行各項任務。 近期也有不少具備類似功能的Agent工具，雖然可連接的模型與功能有所重疊，但在操作 方式、工具整合、部署環境與任務流程上仍有差異，可依自身需求與喜好選擇。 眾所周知，AI除了藉由雲端大模型運算之外，近年開始標榜邊緣運算或俗稱本機地端的電 腦出現率也漸漸提升。 加上近年模型更新速度比前幾年更快，而模型就如同AI執行任務的大腦；若地端運算要開 始接觸推論能力較強、約20~30B的大模型，32GB VRAM會是較實用的入門配置。 接著是安裝OpenClaw與Ollama，網路上有不少快速安裝教學，不至於太複雜，主要在於過 程中要選擇的項目比較多，第一次安裝需要思考一下。 若有連網使用所產生的資安疑慮，網路上普遍建議安裝在VM上較佳。 https://i.imgur.com/ivlt3dt.png 每種模型所需的VRAM容量與專長皆不同，也等同於AI的大腦，熱門模型有數款可以選擇， 32GB通常安裝20~30B，如Gemma 4 26B / 31B、Qwen3-32B。 本篇安裝今年Google推出的Gemma 4 31B Q4_K_M，並先下指令做模型簡單測試。 過程中也有用過Gemma 4 26B，生成速度明顯快許多，不過有時會出現模稜兩可或內容明 顯較為簡易的情況，在體驗到用速度換智商的效果後，毅然決然地將模型換了回來。 https://i.imgur.com/KKOH2Yt.png 透過PowerShell指令開啟OpenClaw Gateway Start，之後輸入OpenClaw Dashboard開啟儀 表板。 接著在聊天頁面下指令測試，讓OpenClaw簡單生成一段對模型的讚美並自行建立檔案。 https://i.imgur.com/4ZZBm51.png Agentic AI能夠綁定通訊軟體，透過遠端來下指令，這裡使用Telegram。 先去@BotFather申請API Token，再去@userinfobot複製ID，最後在OpenClaw輸入完成 Channel設定。 https://i.imgur.com/WYVrg5A.png 接著是個人的使用體驗部分，以B70硬體架構搭配31B模型，藉由本地端運算任務，列入所 需Token與時間，畢竟若用雲端運算要額外花Token費用。 首先是安排時程回報天氣概況，下達指令後，龍蝦開始運作並回覆預定好的時間提醒，待 時間到將自動執行排程任務並回報。 https://i.imgur.com/Hh3GfGo.png 剛開始進行相同的任務時，容易碰到執行時間較久、偶爾卡在某個環節逾時(Timeout)、 提供內容不夠精確或資訊太少等狀況。 加上指令用詞是否明確也相當重要，藉由提示詞優化與上下文記憶，有機會生成更詳細的 答覆。 https://i.imgur.com/Ql1p6Gg.png Dashboard內使用情況頁面，看觀察當下工作階段的吞吐量Tok/Min，這部分主要依任務複 雜度與顯示卡規格而有所變化。 https://i.imgur.com/rtD5CTb.png 點開工作階段頁面，看到右方持續時間15m17s，代表輸入指令讓龍蝦接收、預定時間執行 ，直到完成任務的總時長，並非單指GPU運作執行的時間。 這種排程功能相當實用，例如白天外出忙碌時想了解傍晚回程的天候，就能趁空檔透過 Telegram下達指令，讓龍蝦上網搜尋資料，收集指定時段、區域資訊與外出注意事項並自 動回報。 https://i.imgur.com/2jyk7J4.png 若出門在外剛好需要取用桌機內的檔案，透過Telegram遙控OpenClaw將檔案傳回手機相當 方便。 指令設定為搜尋桌面指定檔案，先移至龍蝦工作區資料夾再回傳至手機。 此時GPU全速運轉溫度約76度，佔用VRAM約27.7GB。 https://i.imgur.com/aDCejbW.png 左方工作區資料夾與右方Telegram皆順利出現指定的測試檔案。 雖然介面下方顯示failed訊息，但這僅代表AI在嘗試多種傳送方式時，可能其中有部分途 徑失敗，最終任務依然成功執行。 此外，雖然系統支援直接由桌面將檔案傳送至Telegram，但這需要額外開啟相關權限。基 於資安考量，先將檔案移至權限較高的工作區資料夾，再傳送至雲端，會是相對安全的作 法。 https://i.imgur.com/RKDCwnc.png 傳送檔案的任務相對單純，不像上網搜尋資訊並彙整摘要那般繁複。 此項任務消耗的Token量僅71.6K，從接收指令至執行完畢耗時2m38s，整體處理速度明顯 快上許多。 https://i.imgur.com/JiPBBOI.png 執行搬移檔案並回傳至手機的任務時，吞吐量約為27.2 Tok/Min。 https://i.imgur.com/OIBjMjw.png 股市投資為近期熱門話題，使用者可透過AI排程功能，設定在個人空檔時間接收資訊。例 如安排在白天自動查詢特定美股前一晚的收盤價、交易量與相關新聞摘要。 https://i.imgur.com/7Tl38sw.png 進入工作區頁面，即可確認剛下達的代理任務已成功加入排程。 https://i.imgur.com/9nztwGr.png 到達預定時間後，儀表板與Telegram皆會同步顯示查詢結果，系統更自動以表格形式對比 兩檔股票的資訊，提升閱讀便利性。 https://i.imgur.com/igd56x2.png 觀察任務時間軸：11:07下達指令、11:09系統回覆預約完成、11:20自動執行，並於11:24 回傳查詢任務完成。 此任務自預約完成起算，總耗時14分39秒，總計消耗72.3K Token量。 需要留意的是，資料抓取的完整度會受目標網站來源是否擋機器人瀏覽所影響，偶爾會出 現資訊遺漏。 這類狀況在雲端大型模型上同樣常見，尤其在查詢「即時報價」時，AI較常抓取到過去的 歷史價位。 https://i.imgur.com/rtU65s8.png AI代理也能協助照片分類，例如在此任務中，指令要求分析個人MSI筆電實測文章的資料 夾，找出包含「產品外觀」的照片，並將其移入指定資料夾中。 執行此類視覺任務時，需要額外安裝擅長圖片辨識的小型模型LLaVa (Large Language and Vision Assistant)。 運作邏輯是由LLaVa先讀取並描述圖片內容，再將這些資訊傳達給主模型Gemma 4 31B進行 分析與最終的歸類判斷。 https://i.imgur.com/vQiuUta.png 分析完成後，系統會將辨識出的筆電外觀照片移入資料夾內。 由於AI推論具有一定的變動性，每次產生的結果可能略有差異，但也曾遇過經過多次反覆 執行後，AI判斷準確度突然提升、分類極為完善的狀況。 在先前的測試中，編號06至09由於屬於筆電局部特寫的照片，AI有時會將其中一、兩張判 定為「非筆電外觀」。 這顯示出下達的指令越精準越好，當遇到圖片內容過於局部或模稜兩可的狀況時，對AI而 言通常較難做出準確的判斷。 https://i.imgur.com/I6OISmy.png 此任務消耗的Token量高達280.9K，算是相當多，畢竟照片檔案本身較大，且數量多達42 張，所需的處理時間與Token用量，非前面幾項單純查資料或傳送小檔案的任務所能比擬 。 不過，為了避免超出VRAM的硬體限制與模型的上下文視窗(Context Window)，建議在執行 此類任務時，適度控制單次處理的照片數量與檔案大小會是較為穩妥的作法。 https://i.imgur.com/txUWvgh.png 另外想到，既然長年在進行硬體測試，如果能透過遠端遙控來跑測試軟體，應該會相當有 趣。 思考過後，決定先從較單純的CPU-Z著手，利用事先寫好的Python腳本交由龍蝦來執行。 接著是透過指令執行CPU-Z的Benchmark測試，並要求在跑完測試後直接回傳數據截圖，讓 使用者能第一時間在遠端看到結果。 https://i.imgur.com/bTVASdq.png 觀察執行效率：12:02下達指令，12:05系統回傳已接收指令並開始執行，同一分鐘內 (12:05)就回傳了CPU-Z的測試截圖，速度表現相當不錯。 收到這張截圖的當下其實有點開心，畢竟這是自己測試了20幾年來再熟悉不過的軟體畫面 。 綜合前述OpenClaw搭配本地31B模型執行多項Agent任務時，在室溫約32度下，B70 GPU溫 度約為74~80度，個人認為溫度表現相當不錯。 https://i.imgur.com/yu5FLrY.png 32GB大容量VRAM有利於在本地端載入較大型的文生圖模型，不過本篇並未另外安裝本地端 文生圖模型。 依OpenClaw Dashboard紀錄，本次透過OpenClaw下達指令後，由Agent呼叫Google Gemini 3.1 Flash雲端服務進行圖片生成，再將結果回傳。 https://i.imgur.com/ArZqNIm.png 實際生成的畫面效果相當不錯，雖然部分細節比例仍有不夠精準之處，但整體品質已具備 相當水準。 https://i.imgur.com/mWUOKR3.jpeg 從下達指令到圖片回傳共耗時2m34s，OpenClaw工作階段記錄此次代理任務使用56.5K Token。 https://i.imgur.com/NyDZfZw.png 接著設定的主題為一群人在山上看風景，內容包含大人、小孩與動物，並要求系統分別生 成卡通、油畫與像素三種風格的圖片。 https://i.imgur.com/jX43gvV.png 系統在5至8分鐘內，分批回傳這三張圖片。 https://i.imgur.com/YWi7Ldr.png 從下達指令到三張圖片全部回傳，完整流程共耗時8m37s，OpenClaw工作階段記錄此次代 理任務使用123.1K Token；左上角則顯示單日所有任務累積至當下，總計約使用1.5M Token。 https://i.imgur.com/Fhw1HbM.png 首先是卡通風 https://i.imgur.com/51jQo75.jpeg 油畫風 https://i.imgur.com/nsj5kXM.jpeg 像素風 三張圖片各自呈現出截然不同的視覺風格。 https://i.imgur.com/WBRLCR2.jpeg 先前手邊多款顯示卡大多為16GB版本，過去若想在消費級主機板上透過多卡組合來擴充 VRAM，往往只有第一根插槽能維持PCIe x16，第二根插槽降至x8頻寬後，容易面臨無法發 揮完整算力的瓶頸；若要徹底解決此問題，只能升級至Server伺服器級平台，但這將導致 整體建置成本大幅攀升。 B70是目前當地工作站與消費級顯示卡市場中，入手門檻最低且具備單卡32GB VRAM的型號 ；搭配僅佔用雙槽的體積、全速運算功耗最高230W且發熱量不高，相當適合用於高密度平 台進行多卡串聯。 https://i.imgur.com/7FnevEN.jpeg 雖然在GPU運算生態系上未來仍有進一步優化的空間，但Arc系列GPU自2022年問世以來， 透過Intel驅動團隊長期且持續地更新優化，確實展現出「戰未來」不只是一句口號。 剛好前幾天Arc Pro發布了新版8805版驅動程式，官方發布說明中提及B70在 SPECviewperf 15.0.1測試中，1080p解析度下平均效能提升約15%。這邊直接實測並對比 上一版8804驅動；在專業工作站軟體的效能表現上：1080p解析度得分由70.44提升至 80.66(成長約14.5%)；4K解析度得分則由34提升至40.25(成長約18.3%)，實際效能增幅相 當顯著。 https://i.imgur.com/1VyCXw5.jpeg 具備單卡32GB的硬體條件後，便著手從零開始養本地端龍蝦。剛開始只能執行簡單任務， 過程中邊摸索著設定目標，並調整相應的權限。而權限設定也攸關常用的Tools是否開啟 ，以及提供何種執行途徑，這直接影響了龍蝦能發揮到什麼程度，以及各項Skills能否順 利運作。 隨著指令一步一步進階，從定時排程、天氣預報、股市資訊摘要，一路延伸到搬移檔案、 照片分類，甚至是執行測試軟體並回傳成果，看著自己養的小龍蝦逐漸成長，猶如從1歲 長大到5歲。 AI Agent與這幾年常見的雲端AI聊天機器人有著顯著不同，它能根據需求自主執行任務並 由通訊軟體回報，是相當新奇的科技體驗；雖然目前仍受限於硬體與軟體能力，但相信未 來持續進化後，必定會有更廣泛的應用層面。 https://i.imgur.com/sfk4lRk.jpeg 個人認為，本地端模型是在為未來的機器人大腦鋪路，加上許多品牌持續更新模型，整體 技術發展顯然會越來越進步。 另一方面，連結雲端大模型的優點是能處理的事項較多且速度較快，缺點則是需付費購買 API Token，同時也有較高的資安疑慮；若單靠地端電腦運作，雖然會受限於硬體規格與 可用模型大小，且需要花較多時間研究API與功能設定，但相對省錢且較安全。 因此，將較複雜的事項交給雲端，較簡單或私密的事項交給地端，「雲端+地端」的結合 會是取得平衡的好方式。 近期還會持續用B70養龍蝦，若有其他使用經驗或應用也歡迎留言討論，感謝收看:) 8/1補充：重新確認OpenClaw Dashboard紀錄後，本文「文生圖」部分實際由Agent呼 叫Google Gemini 3.1 Flash雲端服務生成，相關段落已補充說明。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.141.138.113 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/PC_Shopping/M.1785495506.A.6BE.html 謝謝分享，不過你貼那台10萬美元起跳，已經是貨真價實的GB300桌上型工作站， 我的龍蝦目前還養不起來XD ComfyUI目前已支援Arc GPU，目前也尚未測過混合雙卡使用，若之後有機會測試再補充。 謝謝提供其他Agent工具資訊。 近期這類AI Agent工具相當多，功能與可連接的模型雖有部分重疊，但在操作方式、工具 整合、部署環境與任務流程上仍有差異。 本文主要分享OpenClaw搭配本地31B模型的實際使用經驗，依自身需求與喜好選擇即可。 本篇以實際使用經驗為主，OpenClaw、Ollama與文中實際安裝的本地模型，在本次環境中 均能運作，並完成文中所列的多項任務。 其他AI框架與第三方節點並未逐一測試，相容性仍需依版本與環境個別確認；文末也有提 到Arc GPU運算生態系仍有進一步優化空間。 本次Z890平台除記憶體設定外皆採BIOS預設。 Above 4G Decoding與Re-Size BAR預設均已開啟，因此安裝及測試過程不需額外修改； 其他平台是否需要手動開啟，仍視主機板與BIOS預設而定。 散熱部分原文已有記錄： 前述本地31B模型執行多項Agent任務時，在室溫約32度下，B70 GPU溫度約為74~80度。 以本次環境與負載條件而言，個人認為溫度表現不錯。 ※ 編輯: windwithme (220.141.138.113 臺灣), 08/01/2026 20:08:08 ※ 編輯: windwithme (220.141.138.113 臺灣), 08/01/2026 20:09:47