本地龍蝦玩法：OpenClaw + Qwen3.5-35B-A3B 的部署原則

文章資訊

• 作者：dseditor
• 來源：https://www.threads.com/@dseditor/post/DVze1OtEoUy
• 發布時間：2026-03-13
• 觀看數：1.3K
• 社群反應：28 讚、4 回覆、2 引用、23 分享

核心內容

作者分享他對「本地龍蝦」玩法的理解，也就是：

• OpenClaw + Qwen3.5-35B-A3B

他認為本地部署要能玩得起來，核心不在表面功能，而在底層部署方式與速度門檻。

作者給出的兩個核心原則

1. 模型部署：直接用 llama-cpp，不要疊中介層

作者的建議非常強硬：

• 直接部署 Qwen3.5-35B-A3B GGUF
• 量化建議：IQ4_NL
• 原因：要保留足夠空間給上下文
• 不要透過中介層
• 目標速度：150 token/s 以上
• ContextWindow 一開始就開到：131072 以上

作者特別點名：

• ollama
• wsl
• lmstudio

在這個場景裡，他把這些都視為不夠格的中介或包裝層，認為真正要打到高效能，應該直接上：

• llama-cpp 原生 Windows EXE

他的核心觀點很簡單：

• 如果吞吐量不夠快
• 上下文不夠大
• 那本地模型就只是能跑，不是能打

2. 搜尋層：部署 SearXNG，不要亂用無頭爬蟲

作者第二個原則是：

• 搜尋能力要獨立部署
• 建議直接上 SearXNG

而不是：

• 用無頭瀏覽器亂爬
• 把搜尋任務混成不穩定的 scraping workflow

他給 Windows 使用者的建議是：

• 安裝 Docker
• 把 SearXNG 丟進 Docker
• 接到 OpenClaw 能用為止

作者的整體判斷

作者認為本地龍蝦真正的核心任務是兩塊：

1. 搜尋
2. 對話

其他能力則比較像：

• 透過 skill 逐步補上
• 但這些 skill 必須自己堆、自己調、自己磨
• 不會像大模型那樣，直接就能把工具 / skill 撈起來自然工作

換句話說，這篇的中心思想不是「OpenClaw 很萬能」，而是：

• 你得自己把底層能力堆穩
• 本地模型工作流才會真的好用

多多觀察

這篇的價值在於，它不是在講「本地模型很浪漫」，而是在講一個很務實的部署觀：

• 本地 agent 要好用，不只要模型能跑
• 還要有：
  • 足夠吞吐
  • 足夠上下文
  • 穩定搜尋層
  • 自己調過的 skill 結構

這跟雲端大模型的體驗差異很大。

雲端大模型很多時候是：

• 開箱即用
• 工具能力整合較成熟

但本地龍蝦更像：

• 自己搭槍
• 自己上彈
• 自己校準
• 自己保養

需要保留的懷疑點

這篇是很強烈的實戰觀點，但裡面仍有幾個需要注意的地方：

• 150 token/s 對多數人來說門檻不低
• 5090、Windows 原生 llama-cpp、131072 context 這些都偏高配與偏調校導向
• 把 ollama / WSL / LM Studio 一概打成「玩具槍」，是很鮮明的立場，但未必適用所有人

也就是說：

• 這篇更像是 性能取向玩家的部署哲學
• 不是所有使用者都需要照單全收

一句總結

這篇的核心不是「OpenClaw 怎麼玩」，而是作者認為：本地龍蝦真正能打的前提，是用 llama-cpp 直上高吞吐大上下文模型，再配穩定的 SearXNG 搜尋層，其他能力才值得慢慢往上堆。