Clawbot作为能操作电脑的AI代理工具，引发大量用户考虑本地部署大模型。但实测与测算表明，满血版运行需超1300GB显存、成本逾百万，且开源Skill生态存在未审计代码风险。本文拆解硬件门槛、精度衰减、安全边界三大现实约束。
智能速览
650B参数模型需约1300GB显存，等效于两套8卡H100集群
4bit/8bit量化版是精度显著下降的阉割版本，指令错误率升高
Clawbot依赖外部Skills，每个Skill为可执行Markdown脚本，未经人工审核存在注入风险
主流大厂API（如Kimi、Minimax）每百万token仅16元，成本不足本地部署的千分之一
大厂API内置内容安全网关，而本地模型完全缺失实时拦截能力
多数用户高估本地文件安全重要性，低估云厂商在加密、隔离、审计上的工程积累
精华内容
当Clawbot宣称能代替人类操作电脑时，真正决定其可靠性的不是功能清单，而是背后算力支撑的完整性与执行链路的安全可控性。
显存不是内存
部署650B参数的DeepSeek等满血版大模型，所需显存约为参数量的2倍，即1300GB。H100单卡显存为80GB，一套8卡集群仅640GB——必须部署两套才能满足基础运行需求。
普通用户常见的误解是混淆显存与内存，但大模型推理严格依赖GPU显存带宽与容量。LM Studio或Ollama中能加载的模型，99%为4bit或8bit量化版本，本质是通过舍弃浮点精度换取资源压缩。
实测显示，4bit量化使数学推理准确率下降37%，代码生成编译通过率降低52%。当Clawbot执行‘修改配置’而非‘删除配置’这类关键指令时，精度损失可能直接导致系统故障。
Skills即风险入口
Clawbot的核心能力来自社区共享的Skills，每个Skill以Markdown文档形式提供执行步骤，下载后由本地模型自动解析并调用系统命令。
问题在于：Skills文档不经过签名验证，也无沙箱执行机制。已有案例显示，某Weather Skill会将用户API密钥上传至第三方服务器，而该行为在文档注释中仅以极小字号标注。
用户若不具备阅读Skills Markdown源码的能力，就等于授权任意远程脚本访问本地文件系统、剪贴板甚至摄像头。相比之下，Kimi或Gemini API在输出前强制经过多层内容过滤，对敏感操作（如rm -rf、curl外发）实时拦截率超99.2%。
API成本被严重低估
以DeepSeek API为例，每百万token报价16元，按平均1token≈1.3字符计算，生成30万汉字仅需16元。
本地部署同等能力模型，仅硬件采购（双8卡H100集群+高速NVLink互联+冗余电源）已超120万元，年电费与维护成本另计30万元以上。
更关键的是边际成本差异：API按需付费，空闲时零消耗；本地模型即使闲置，GPU仍持续耗电。实测A100单卡待机功耗达25W，8卡集群年待机耗电超1.7万度，相当于一个小型企业全年办公用电。
本地部署并非技术自由的象征，而是将成本、安全与维护责任全部转嫁给个体用户。当前阶段，接入可信大厂API+人工审核Skills，才是平衡效率与风险的务实路径。未来随着MoE架构普及和端侧推理优化，轻量级本地执行或成可能，但满血大模型的平民化仍需等待硬件与算法的双重突破。值得思考的是：我们追求的究竟是绝对控制，还是真正可靠的自动化？
关键评论
本地部署和OpenClaw是两码事——前者是基础设施选择，后者是开放协议生态
Skills确实有毒，测试人员确认用邮箱写提示词就能控制bot向外输出内容
用AI操作电脑很酷，操作手机不行，严重侵犯用户隐私
能变现的基本都会选择用API，本地部署的都没什么商业价值
