龍蝦專屬 AI 電腦
針對「龍蝦 AI」類 Agent、自動化工作流及本地工具整合而設的專用主機，重點是長時間運行、Agent、工具調用及本地模型協作。
這個方案是為誰而設？
「龍蝦 AI」並不是單一固定硬件規格，因此這個方案的設計重點是 Agent 工作流，而不是指定某一張顯示卡。若你所說的「龍蝦 AI」是以 OpenClaw 類 Agent、自動化任務、本地 LLM、Browser Automation、Tool Calling 或 RAG 為核心，真正需要關注的是穩定性、RAM、SSD、網絡、GPU VRAM 及長時間運行能力。
支援的 AI 模型與工具方向
以下列出的模型及工具是「適用方向」而非代表任何一個固定配置可以無限制高速運行所有項目。實際可用性取決於模型版本、量化格式、VRAM、Context、解析度及工作流。
模型 / 平台
- OpenClaw AI 類工作流
- Local LLM
- Tool Calling
- RAG
- Multi-Agent Workflow
常見工作
- AI Agent 自動化
- Browser Automation
- 本地工具調用
- RAG / Knowledge Base
- 排程任務
- Multi-Agent 協作
適合人群
希望把 AI Agent 當成長時間工作的數碼助手、需要自動化流程、Browser Agent、本地知識庫或多工具整合的進階用家。
建議硬件方向
Agent 主機未必需要最高階 GPU，但如果 Agent 同時執行 Local LLM、Vision Model、Embedding、Browser Automation 及其他服務，RAM 與 SSD 會變得非常重要。若希望本地模型完全離線運行，則應按模型大小增加 VRAM。
配置邏輯
Agent Orchestrator → Local LLM → Tool Calling → Browser / Files / APIs → RAG → Task Result。若你使用的是特定「龍蝦 AI」產品，應在訂單階段提供軟件版本、插件、模型及部署方式，HKAIPC 可按實際要求重新計算硬件。
模型容量與 VRAM：不要只看「幾 B」
模型大小 ≠ 實際所需顯存
模型參數量只是第一個指標。推理時還要考慮權重精度、量化格式、KV Cache、Context 長度、Batch Size、Framework 及其他 runtime 開銷。因此「14B / 32B / 70B」不能直接等同於一個固定 VRAM 數字。
量化與 Offload
4-bit、8-bit 等量化可以降低權重記憶體需求；CPU RAM Offload 則可以把部分資料放到系統記憶體，但通常會犧牲速度。多 GPU 亦需要從主機板 PCIe、電源及散熱整體規劃。
適合的實際工作流
| 工作流 | 建議方向 | 注意事項 |
|---|---|---|
| Local Chat | Ollama / LM Studio + 量化 LLM | VRAM 決定可載入模型的彈性；Context 越長，額外記憶體需求越高。 |
| RAG | Embedding + Vector DB + LLM | 資料庫規模、Embedding 模型及同時運行服務會增加 RAM / SSD 需求。 |
| AI Agent | LLM + Tool Calling + Browser / Files | 需要穩定長時間運行；Agent 工具本身未必是本地模型。 |
| 圖像 / 影片 | ComfyUI / Diffusion / Video Workflow | 解析度、模型、ControlNet、LoRA、幀數及 Upscale 都會影響 VRAM。 |
實際配機時，我們會看什麼？
① 先確認模型
先列出你真正會使用的模型、版本及量化格式，再估算權重、KV Cache、Context 與其他 Runtime 所需資源。這樣可以避免只按「8B、14B、32B」等參數量作錯誤判斷。
② 再確認工作流
同一張 GPU 用於 Local LLM、ComfyUI、AI Video、RAG 或 Agent，瓶頸可能完全不同。工作流會直接影響 VRAM、RAM、CPU、SSD、散熱及電源的比例。
③ 最後規劃升級
如果預計未來增加模型尺寸、加入 AI 圖像／影片、Fine-tuning 或 Agent，首次配置應預留 RAM、SSD、電源、機箱及 PCIe 擴充空間，避免短期內重新砌機。
直接告訴我們你想跑甚麼。
模型名稱 + 用途 + 預算，已經足夠作為第一次配機討論的起點。