教程 · 选型
跑 OpenClaw 要什么配置？显卡/内存/本地模型对照
先把“我这电脑能跑龙虾吗”这个问题拆成两半再回答：走云端 API，几乎不挑机器，旧笔记本也行；本地跑模型，硬件才真正成为门槛。这两条路常被混为一谈——结果有人对着够用的配置白白发愁，也有人冲动买了张卡，回来发现显存还是不够大。下面用一张对照表把“多大模型要多少显存”说清楚，再分别讲内存、硬盘、CPU 各需要多少。
先分清：你是哪种用法
- 走云端 API（多数人）：模型在服务商那边算，你的机器只跑龙虾流程，对硬件几乎没要求——几年前的普通笔记本、8G 内存都行。
- 本地跑模型：把开源模型跑在自己机器上，这时候才真正吃硬件，核心看显存。
所以问“配置够不够”之前，先问自己走哪条。下面这张表是给本地跑模型的人看的。
核心对照表：模型规模 ↔ 显存 ↔ 可用度
本地模型常按参数量分级（3B、7B、14B、32B、70B……B 是十亿参数）。模型越大越聪明，但要的显存也越多。下表是常见量化后（节省显存的压缩版）的大致门槛，给你一个选卡的标尺：
| 规模 | 大致显存门槛 | 当龙虾大脑的可用度 |
|---|---|---|
| 3B | 4–6 GB | 勉强，简单单步任务，多步容易掉链子 |
| 7B | 6–8 GB | 入门可用，日常轻任务能跑，复杂的吃力 |
| 14B | 10–12 GB | 较稳，工具调用和多步任务明显改善 |
| 32B | 20–24 GB | 好用，接近“能扛事”的本地下限 |
| 70B | 40 GB 以上 | 强，但要专业卡或多卡，个人门槛高 |
注意：这些是量化版的近似门槛，不量化的原版要的显存还要翻倍。显存就是硬门槛——装不进去要么跑不起来，要么被迫拆到内存里、速度暴跌。买卡先看显存数字，别只看型号。
显存不够会怎样
模型装不进显存，推理工具通常会把放不下的部分挪到普通内存里算（offload）。结果就是：勉强能跑，但速度可能慢上好几倍，体感很难受。所以“能跑”和“好用”是两回事——表里写的门槛是“好用”的线，比它低也许能勉强启动，但别指望流畅。
内存、硬盘、CPU 各要多少
- 内存：走 API 8G 够；本地跑模型建议 16G 起步，跑大模型 32G 更稳。内存是辅助，显存才是主角。
- 硬盘：龙虾本体没多大，但本地模型文件很占地——一个模型动辄几个 G 到几十 G，多备几个就要上百 G。留 50G 以上空闲，SSD 更佳。
- CPU：走 API 时 CPU 压力很小，普通多核就行。没有独显纯靠 CPU 跑模型也行，但慢，只适合试水。
苹果 M 系芯片是个特例
Mac 的 M 系芯片用统一内存架构，CPU 和 GPU 共享同一块内存，相当于把内存当显存用。所以一台内存大的 Mac（32G、64G）能跑相当大的本地模型，不用单独配独显，性价比不错。规律和买独显一样：内存越大，能跑的模型越大。
🦞 实际体会
同一条多步任务（读目录→筛选→改名→写汇总），在不同档位的机器上跑，体感差距很直观。8G 这一档跑 7B 小模型：能完成，但偶有犹豫、稍复杂就吃力。上到带独显的机器跑 14B 模型：明显更利索、更稳。换云端 API 则最快最省心。这也印证了上面表里的判断——7B 是“能用下限”、14B 起“开始好用”，而真要省心，API 仍最稳。配机器前先想清楚自己更看重省钱、隐私还是省心，再对着表选档。
常见问题
- 我的普通笔记本能跑 OpenClaw 吗？
- 能，前提是走云端 API。龙虾本体很轻，几年前的普通笔记本甚至 8G 内存都跑得动，费算力的模型在云端。只有想本机本地跑大模型才需要好显卡。先问自己走哪条路。
- 本地跑模型，显存和内存哪个更重要？
- 显存是硬门槛，模型要整个装进显存才跑得快，不够就跑不动或速度暴跌。内存也要够（16G 起）但是辅助。显存决定能跑多大的模型，买卡先看显存数字。
- 苹果的 M 系芯片能本地跑模型吗？
- 能，体验不错。M 系是统一内存架构，CPU 和 GPU 共享内存，等于把内存当显存用。内存大的 Mac（32G、64G）能跑相当大的模型，内存越大能跑的模型越大。