影片动态呈现B70本地端龙虾的实际操作与体验，能更快速了解本文全貌：
按这里检视影片，登入论坛可以直接观看
今年初身边已有朋友提及几次「养龙虾」，也就是OpenClaw执行AI Agent，到了五六月时相关讨论更是热烈；特别是在Computex 2026现场，Claw相关技术展示与龙虾娃娃的能见度极高，足见代理式AI已成为今年电脑界的热门话题。
不过若想在本地端养龙虾并实现免付费Token，拥有一张32GB VRAM的显示卡，可说是载入具备实用推理能力模型的入门配置。
回顾2022年Intel重返GPU市场，首先推出以Arc为名的A系列游戏显示卡；接着在2024年更新二代B系列，初期仍锁定游戏市场，推出B570 10G与B580 12G。
而专为工作站打造的Arc Pro系列，继去年Computex发表B50 16G与B60 24GB后，今年3月发布搭载32GB大容量VRAM的高阶型号B65与B70。


本篇主角Arc Pro B70外型属于双槽中尺寸显示卡，实际测量长宽高分别为265 x 98 x 39mm(不含金手指与IO挡板)，重量约1028公克。
GPU代号Battlemage，采用Xe2架构与PCIe 5.0 x16介面；内建32个Xe-core，基础时脉2280MHz，动态时脉最高可达2800MHz。
记忆体配置32GB 256Bit GDDR6、频宽达608 GB/s、TBP功耗为230W。


其他规格包含Render Slice单位8、光线追踪单元为32、Intel XMX引擎与Xe向量引擎皆为256、GPU TFLOPS (FP32)为22.94、GPU峰值TOPS (Int8)为367。
支援SR-IOV、Intel XeSS 2与Intel Extension for PyTorch技术。
右方为涡轮鼓风扇与8Pin电源输入。


相较于B50 16GB，B70 32GB在大多数硬体规格上皆提升至2倍，最大特色在于VRAM容量同样翻倍达到32GB，记忆体频宽更由224 GB/s大幅提升至608 GB/s。
B70定位于专业工作站与AI加速领域，也是目前当地消费市场中，入手门槛最低的32GB显示卡。


背面采用金属材质搭配品牌代表蓝色为主色调，标示intel ARC PRO B70，右侧设计有散热透气孔。
API支援DirectX 12 Ultimate、oneAPI、OpenCL 3.0、OpenGL 4.6、OpenVINO、Vulkan 1.3。
媒体配置档支援HDR10、HDR10+ GAMING、Dolby Vision，硬体编码与解码支援AV1、H.265、H.264、VP9格式。
ARC PRO驱动程式通过ISV认证，强调能确保一般AI、设计、工程、建筑和制造软体的效能可靠而精确。


IO输出配置4个DisplayPort 2.1并支援UHBR 13.5规格，单萤幕最高可输出7680x4320@120Hz。


测试平台：
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 / 电源模式平衡
* 效能分数表现会因使用情境、配置及其他因素而异，仅供参考。


进行AI Agent代理式功能，本篇选用软体为OpenClaw(俗称龙虾)，是上半年相当火热的话题，近期也有不少类似功能的工具软体，摆脱以往AI单纯一问一答的模式。
众所周知，AI除了藉由云端大模型运算之外，近年开始标榜边缘运算或俗称本机地端的电脑出现率也渐渐提升。
加上近年模型更新速度比前几年更快，而模型就如同AI执行任务的大脑；若地端运算要开始接触推论能力较强、约20~30B的大模型，32GB VRAM会是较实用的入门配置。

接着是安装OpenClaw与Ollama，网路上有不少快速安装教学，不至于太复杂，主要在于过程中要选择的项目比较多，第一次安装需要思考一下。
若有连网使用所产生的资安疑虑，网路上普遍建议安装在VM上较佳。


每种模型所需的VRAM容量与专长皆不同，也等同于AI的大脑，热门模型有数款可以选择，32GB通常安装20~30B，如Gemma 4 26B / 31B、Qwen3-32B。
本篇安装今年Google推出的Gemma 4 31B Q4_K_M，并先下指令做模型简单测试。
过程中也有用过Gemma 4 26B，生成速度明显快许多，不过有时会出现模棱两可或内容明显较为简易的情况，在体验到用速度换智商的效果后，毅然决然地将模型换了回来。


透过PowerShell指令开启OpenClaw Gateway Start，之后输入OpenClaw Dashboard开启仪表板。
接着在聊天页面下指令测试，让OpenClaw简单生成一段对模型的赞美并自行建立档案。


Agentic AI能够绑定通讯软体，透过远端来下指令，这里使用Telegram。
先去@BotFather申请API Token，再去@userinfobot复制ID，最后在OpenClaw输入完成Channel设定。


接着是个人的使用体验部分，以B70硬体架构搭配31B模型，藉由本地端运算任务，列入所需Token与时间，毕竟若用云端运算要额外花Token费用。
首先是安排时程回报天气概况，下达指令后，龙虾开始运作并回覆预定好的时间提醒，待时间到将自动执行排程任务并回报。


刚开始进行相同的任务时，容易碰到执行时间较久、偶尔卡在某个环节逾时(Timeout)、提供内容不够精确或资讯太少等状况。
加上指令用词是否明确也相当重要，藉由提示词优化与上下文记忆，有机会生成更详细的答覆。


Dashboard内使用情况页面，看观察当下工作阶段的吞吐量Tok/Min，这部分主要依任务复杂度与显示卡规格而有所变化。


点开工作阶段页面，看到右方持续时间15m17s，代表输入指令让龙虾接收、预定时间执行，直到完成任务的总时长，并非单指GPU运作执行的时间。
这种排程功能相当实用，例如白天外出忙碌时想了解傍晚回程的天候，就能趁空档透过Telegram下达指令，让龙虾上网搜寻资料，收集指定时段、区域资讯与外出注意事项并自动回报。


若出门在外刚好需要取用桌机内的档案，透过Telegram遥控OpenClaw将档案传回手机相当方便。
指令设定为搜寻桌面指定档案，先移至龙虾工作区资料夹再回传至手机。
此时GPU全速运转温度约76度，占用VRAM约27.7GB。


左方工作区资料夹与右方Telegram皆顺利出现指定的测试档案。
虽然介面下方显示failed讯息，但这仅代表AI在尝试多种传送方式时，可能其中有部分途径失败，最终任务依然成功执行。
此外，虽然系统支援直接由桌面将档案传送至Telegram，但这需要额外开启相关权限。基于资安考量，先将档案移至权限较高的工作区资料夹，再传送至云端，会是相对安全的作法。


传送档案的任务相对单纯，不像上网搜寻资讯并汇整摘要那般繁复。
此项任务消耗的Token量仅71.6K，从接收指令至执行完毕耗时2m38s，整体处理速度明显快上许多。


执行搬移档案并回传至手机的任务时，吞吐量约为27.2 Tok/Min。


股市投资为近期热门话题，使用者可透过AI排程功能，设定在个人空档时间接收资讯。例如安排在白天自动查询特定美股前一晚的收盘价、交易量与相关新闻摘要。


进入工作区页面，即可确认刚下达的代理任务已成功加入排程。


到达预定时间后，仪表板与Telegram皆会同步显示查询结果，系统更自动以表格形式对比两档股票的资讯，提升阅读便利性。


观察任务时间轴：11:07下达指令、11:09系统回覆预约完成、11:20自动执行，并于11:24回传查询任务完成。
此任务自预约完成起算，总耗时14分39秒，总计消耗72.3K Token量。
需要留意的是，资料抓取的完整度会受目标网站来源是否挡机器人浏览所影响，偶尔会出现资讯遗漏。
这类状况在云端大型模型上同样常见，尤其在查询「即时报价」时，AI较常抓取到过去的历史价位。


AI代理也能协助照片分类，例如在此任务中，指令要求分析个人MSI笔电实测文章的资料夹，找出包含「产品外观」的照片，并将其移入指定资料夹中。
执行此类视觉任务时，需要额外安装擅长图片辨识的小型模型LLaVa (Large Language and Vision Assistant)。
运作逻辑是由LLaVa先读取并描述图片内容，再将这些资讯传达给主模型Gemma 4 31B进行分析与最终的归类判断。


分析完成后，系统会将辨识出的笔电外观照片移入资料夹内。
由于AI推论具有一定的变动性，每次产生的结果可能略有差异，但也曾遇过经过多次反覆执行后，AI判断准确度突然提升、分类极为完善的状况。
在先前的测试中，编号06至09由于属于笔电局部特写的照片，AI有时会将其中一、两张判定为「非笔电外观」。
这显示出下达的指令越精准越好，当遇到图片内容过于局部或模棱两可的状况时，对AI而言通常较难做出准确的判断。


此任务消耗的Token量高达280.9K，算是相当多，毕竟照片档案本身较大，且数量多达42张，所需的处理时间与Token用量，非前面几项单纯查资料或传送小档案的任务所能比拟。
不过，为了避免超出VRAM的硬体限制与模型的上下文视窗(Context Window)，建议在执行此类任务时，适度控制单次处理的照片数量与档案大小会是较为稳妥的作法。


另外想到，既然长年在进行硬体测试，如果能透过远端遥控来跑测试软体，应该会相当有趣。
思考过后，决定先从较单纯的CPU-Z着手，利用事先写好的Python脚本交由龙虾来执行。
接着是透过指令执行CPU-Z的Benchmark测试，并要求在跑完测试后直接回传数据截图，让使用者能第一时间在远端看到结果。


观察执行效率：12:02下达指令，12:05系统回传已接收指令并开始执行，同一分钟内(12:05)就回传了CPU-Z的测试截图，速度表现相当不错。
收到这张截图的当下其实有点开心，毕竟这是自己测试了20几年来再熟悉不过的软体画面。


许多网友认为拥有32GB大容量VRAM，是本地端AI进行文生图的一大优势。
先前几波AI模型更新带动了更优秀的画质表现，也再次引发文生图热潮。
透过OpenClaw下达文生图指令后，系统便能产出品质相当不错的图片。


实际生成的画面效果相当不错，虽然部分细节比例仍有不够精准之处，但整体质感已相当接近新一代云端大模型的产出水准。


生成上述图片共耗时2m34s，并消耗56.5K的Token量。


接着分别生成三种不同风格的图片。在室温约32度的环境下，执行这些AI指令时GPU温度约落在74~80度，B70散热表现算是相当不错。


系统在5至8分钟内，分批产出这三张图片。


从下达指令到执行跑完全程约耗时8m37s，共消耗123.1K的Token量，左上角则是单日所有任务累积至当下，总计约使用1.5M的Token量。


接着设定的主题为一群人在山上看风景，里面包含大人、小孩与动物。
首先是卡通风。


油画风


像素风
三种各自呈现出截然不同的风格，所生成的图片品质也具备相当不错的水准。


先前手边多款显示卡大多为16GB版本，过去若想在消费级主机板上透过多卡组合来扩充VRAM，往往只有第一根插槽能维持PCIe x16，第二根插槽降至x8频宽后，容易面临无法发挥完整算力的瓶颈；若要彻底解决此问题，只能升级至Server伺服器级平台，但这将导致整体建置成本大幅攀升。
B70是目前当地工作站与消费级显示卡市场中，入手门槛最低且具备单卡32GB VRAM的型号；搭配仅占用双槽的体积、全速运算功耗最高230W且发热量不高，相当适合用于高密度平台进行多卡串联。


虽然在GPU运算生态系上未来仍有进一步优化的空间，但Arc系列GPU自2022年问世以来，透过Intel驱动团队长期且持续地更新优化，确实展现出「战未来」不只是一句口号。
刚好前几天Arc Pro发布了新版8805版驱动程式，官方发布说明中提及B70在SPECviewperf 15.0.1测试中，1080p解析度下平均效能提升约15%。这边直接实测并对比上一版8804驱动；在专业工作站软体的效能表现上：1080p解析度得分由70.44提升至80.66(成长约14.5%)；4K解析度得分则由34提升至40.25(成长约18.3%)，实际效能增幅相当显着。


具备单卡32GB的硬体条件后，便着手从零开始养本地端龙虾。刚开始只能执行简单任务，过程中边摸索着设定目标，并调整相应的权限。而权限设定也攸关常用的Tools是否开启，以及提供何种执行途径，这直接影响了龙虾能发挥到什么程度，以及各项Skills能否顺利运作。
随着指令一步一步进阶，从定时排程、天气预报、股市资讯摘要，一路延伸到搬移档案、照片分类，甚至是执行测试软体并回传成果，看着自己养的小龙虾逐渐成长，犹如从1岁长大到5岁。
AI Agent与这几年常见的云端AI聊天机器人有着显着不同，它能根据需求自主执行任务并由通讯软体回报，是相当新奇的科技体验；虽然目前仍受限于硬体与软体能力，但相信未来持续进化后，必定会有更广泛的应用层面。


个人认为，本地端模型是在为未来的机器人大脑铺路，加上许多品牌持续更新模型，整体技术发展显然会越来越进步。
另一方面，连结云端大模型的优点是能处理的事项较多且速度较快，缺点则是需付费购买API Token，同时也有较高的资安疑虑；若单靠地端电脑运作，虽然会受限于硬体规格与可用模型大小，且需要花较多时间研究API与功能设定，但相对省钱且较安全。
因此，将较复杂的事项交给云端，较简单或私密的事项交给地端，「云端+地端」的结合会是取得平衡的好方式。
近期还会持续用B70养龙虾，若有其他使用经验或应用也欢迎留言讨论，感谢收看😊