我们深知开发者的宝贵时间不应浪费在繁琐的环境配置上。因此，这个项目将所有复杂性都封装在了两个脚本中。从零到启动一个功能完备的本地 AI Agent，你只需要在 DGX Spark 的终端里输入以下三行命令：
第一步：克隆项目仓库
git clone https://github.com/HeKun-NVIDIA/dgx-spark-openclaw.git第二步：一键安装环境与模型
cd dgx-spark-openclaw && ./install.sh*（脚本会弹出交互菜单，让你轻松选择要部署的模型）*
第三步：启动所有服务
./start_all.sh完成！脚本会自动输出一个包含 Token 的访问链接。将它复制到浏览器，你就可以开始与完全在本地运行的 OpenClaw Agent 进行交互了。
最终效果：三款主流大模型本地运行展示
通过上面的简单三步，你可以在 DGX Spark 上轻松部署和切换三款业界热门的大模型，它们在 OpenClaw 中的运行效果如下：
Qwen3.5-35B-A3B (vLLM) 运行效果
MiniMax-M2.5-REAP-NVFP4 (vLLM) 运行效果
GLM-4.7-Flash (Ollama) 运行效果
为什么 DGX Spark 是实现这一切的关键？
看到这里，你可能会好奇，如此庞大的模型是如何在本地流畅运行的？答案就是 NVIDIA DGX Spark 提供的强大算力。
对于开发者而言，DGX Spark 不仅仅是一台服务器，它是一个专为 AI 研发设计的“超级工作站”。它解决了本地运行大模型最大的两个瓶颈：
1. 内存瓶颈：像 Qwen3.5-35B 这样的模型，仅权重文件就接近 70GB。传统的 GPU 显存难以容纳。DGX Spark 凭借其 128GB 的统一内存架构，允许 GPU 直接访问海量的内存空间，使得这些大型 MoE 模型可以被完整加载，无需进行复杂的模型切分或精度妥协，从根本上保证了推理性能和稳定性。
2. 计算瓶颈：大模型的推理过程涉及海量的并行计算。DGX Spark 搭载了 NVIDIA 最新的 GPU 架构，能够为 vLLM、Ollama 等推理框架提供澎湃的算力支持，DGX Spark 的硬件级支持能够淋漓尽致地发挥其性能优势。
拥有 DGX Spark，意味着你拥有了一个私有、安全、无延迟的推理云，将 AI Agent 的开发和迭代牢牢掌握在自己手中。
技术内幕：一键部署是如何实现的？
为了让开发者获得“三行命令”的极致体验，dgx-spark-openclaw 项目在后台做了大量精细的自动化工作。其核心系统架构如下：
install.sh和 start_all.sh两个脚本协同工作，自动化处理了以下关键技术点：
– 环境自适应清理：在启动服务前，脚本会智能检测并清理旧的 Docker 容器和残留进程，确保 GPU 资源 100% 可用，避免因环境冲突导致的启动失败。
– 网络环境优化：自动配置国内镜像源，并采用多线程、断点续传的方式下载模型，解决了国内开发者在下载大型模型时常见的网络问题。
– 动态配置生成：脚本会根据你选择的模型，动态生成 OpenClaw 所需的配置文件，自动适配不同模型对 tools和 thinking功能的支持，无需你手动编辑任何 JSON 文件。
– 无缝认证处理：自动生成并管理 OpenClaw 的访问 Token，并通过 URL 参数的方式传递，从根本上解决了 `device identity required` 等认证难题。
安全第一：构建可信赖的 AI Agent
在赋予 AI Agent 强大能力的同时，确保其行为可控、安全可信至关重要。
简单来说，一个 Agent 不应同时拥有访问互联网、操作文件系统和执行新代码这三项能力。三者取其二，是构建安全防线的基础。
例如，一个能上网、能读写文件的 Agent，就不应该再赋予它动态执行代码的能力，以防范其被恶意利用，下载并执行有害脚本。
立即开始你的本地 AI Agent 之旅
对于希望在 AI Agent 领域进行探索和创新的开发者来说，`dgx-spark-openclaw` 项目提供了一个无与伦比的起点。它将 NVIDIA DGX Spark 的强大硬件能力与社区热门的 AI 框架完美结合，并以最简单直接的方式呈现给你。
我们相信，真正的创新始于强大的工具。现在就访问项目仓库，在你的 DGX Spark 上部署属于自己的本地大模型吧！
项目仓库: https://github.com/HeKun-NVIDIA/dgx-spark-openclaw
内容来源：国家网络与信息安全信息通报中心
