2026 年 8 月 25 日，Perplexity 联合 NVIDIA 发布 Portable Computer——一个把云端 Computer 代理平台整体搬到用户桌面的本地优先（local-first）版本。这不仅是产品形态的迁移，更是一次关于“AI 代理该在哪里执行”的路线宣言：当云端推理成本高企、数据隐私焦虑加剧时，把执行权交还给用户自己的硬件，正在成为下一代 AI 基础设施的关键变量。
一、架构拆解：一套完整的代理运行时，全部跑在本地
Portable Computer 的核心不是某个单点功能，而是把云端 Computer 平台的全套组件原封不动地本地化：编排器（orchestrator）负责任务分解与调度，规划器、工具路由器、调度器各司其职，持久任务队列保证长任务不因中断丢失，本地搜索索引支撑检索，推理引擎加应用连接器完成执行，安全沙箱兜底。换句话说，代理的“大脑”和“手脚”都在本地，云端退居为可选外援。
承载这一切的硬件是 NVIDIA DGX Spark：GB10 Grace Blackwell 超级芯片、128GB 统一内存、4TB 自加密 NVMe、整机功耗 240W。128GB 统一内存是关键——它让 27B 级别模型可以完整驻留内存而无需激进量化，这正是桌面级设备能做“真代理”而非“玩具聊天”的硬件基础。后续该平台还将扩展到 24GB 显存起步的 RTX GPU 与 Windows PC，Linux 首发、Windows 预计 2026 年 9 月跟进，Apple Silicon 暂不在路线图内。
模型层面，Portable Computer 默认搭载 PPLX 27B 与 Qwen 3.8 27B 两个 27B 稠密模型。二者同源：PPLX 27B 是 Perplexity 在 Apache-2.0 开源的 Qwen 3.8 27B 上后训练的版本，原生 262K 上下文。由于实测超约 10 万 token 后性能明显衰减，系统内置了上下文压缩机制，对长提示摘要压缩、精简系统提示与工具集、技能按需加载，并引入多 token 预测加速提示处理。未来还将加入 NVIDIA Nemotron 3.5 Lightning（30B MoE），并支持自带模型与自有推理服务器。
二、混合执行：本地优先，不等于纯离线
Portable Computer 最精巧的设计是“默认本地、按需云端”的分层策略。每一步任务都先在本地启动；当本地模型力有不逮（需要实时联网、浏览器操作、接入外部应用或更强推理）时，编排器会暂停并请求用户许可。外发前系统会做三重防护：只挑选相关上下文、经 PII 分类器扫描敏感信息、向用户展示将要外发的内容等待批准。云端前沿模型只返回文本指导，不直接接触本地文件与工具控制权，执行权始终握在本地编排器手里。
这个设计的价值是双重的。成本上，本地完成的任务零 token、零 credit 计费，只有云端升级的步骤消耗 credit（Perplexity 估算 100 credits 约合 1 美元，复杂任务通常耗 350 至 950 credits）；隐私上，敏感数据默认不出设备，出设备必须显式授权。典型场景是：本地审查保密条款清单，仅把“市场可比交易”这类需要联网的部分升级到云端查询，或本地分析 CSV 后把结论推送到 Slack。
三、性能与对比：厂商自测的亮点，与紧凑模型的硬上限
Perplexity 用自研的 Local Knowledge Work Bench（53 项知识工作任务）给出了一组对比：Computer 加 PPLX 27B 得分 85.4%，加 Qwen 3.8 27B 为 82.6%，而同模型跑在开源 Pi harness 上只有 77.6%、Hermes harness 上 74.0%。在 ParseBench-100 上差距更大：Computer 65.1%，Hermes 34.6%，Pi 仅 13.9%。值得注意，Computer 在 BrowseComp 里用的是 Perplexity 搜索基建，而对比方案用 Brave，公平性存疑；且全部数字均出自厂商自测、未经第三方复现。更有价值的信息是代价对比：Computer 完成任务耗 520k token，Pi 需 681k、Hermes 634k——本地代理的效率红利是实打实的。
但本地路线也有清醒的边界：Terminal Bench 2.1 显示，本地模型在复杂编码任务上仍明显落后前沿模型，云端升级可缩小差距却无法完全弥合。这是紧凑模型的物理上限，也是“混合执行”存在的原因——本地能做的绝不外发，本地做不到的才请求云端。
四、安全设计：失效即禁用，而非退而裸跑
安全架构是 Portable Computer 最值得行业借鉴的部分。代码与工具执行跑在 OS 级沙箱中，限制进程、文件路径与网络访问；若沙箱不可用，harness 会直接禁用工具执行，而不是退回到用户全权限下裸跑——“失效即禁用”原则比大多数“尽力而为”的沙箱方案更严格。连接器（Google Drive、Gmail、Slack、GitHub 等）拿不到本地文件访问权，语音转写也全程本地完成，音频不上云。安全等级对标云端版 Perplexity Computer。
五、本地化 AI 趋势的深度思考
把 Portable Computer 放进更大的坐标系，它踩中的是三条正在合流的趋势线。其一是隐私与数据主权：企业法务、医疗、金融场景对“数据不出域”有硬性合规要求，本地优先架构让 AI 代理第一次能进入这些高敏场景，而“外发即授权”的门控机制把数据主权从口号变成了可审计的工程实现。其二是端侧 Agent 的算力基座成熟：DGX Spark 这类 128GB 统一内存桌面设备，让“本地跑得动真代理”成为现实，端侧 AI 从手机上的小模型问答，升级为能编排工具、操作应用、执行长任务的完整代理运行时。其三是成本结构的重构：本地推理边际成本趋近于零，云端按需付费，二者叠加后，高频知识工作（文档处理、数据整理、邮件往来）可以整体迁移到本地，企业 AI 预算结构将从“全量 API 账单”转向“硬件采购加少量增量 credit”。
六、门槛与局限：谁该上车，谁该观望
务实地说，Portable Computer 目前不是大众产品：仅向 Pro（20 美元/月）与 Max（200 美元/月）订阅用户开放，硬件 DGX Spark 约 4699 美元，首发仅支持 Linux。对个人开发者和小团队，这笔账要算清楚：如果高频任务是长文档、表格、邮件等本地可完成的知识工作，硬件加订阅的综合成本可能在数月内被节省的 API 费用覆盖；如果任务以复杂编程、前沿推理为主，本地模型的硬上限会很快显现，云端升级的 credit 消耗反而可能让总成本不降反升。更合理的策略是把 Portable Computer 定位为“本地主力加云端外援”的混合节点，用路由分层把每类任务送到最划算的执行位置。
七、结语
Portable Computer 的价值不在于“本地跑了个 27B 模型”，而在于它第一次把 orchestrator、子代理、harness、沙箱、连接器这一整套代理基础设施，完整地装进了用户桌面，并设计出“本地优先、云端按需、外发授权”的混合执行协议。它预示着一个方向：未来的 AI 代理不会只有一个云端大脑，而是会像分布式系统一样，在端侧、边缘和云端之间动态调度。数据留在本地、执行贴近数据、云端只做能力补充——这套范式一旦跑通，受益的不仅是隐私敏感用户，更是整个 AI 应用的成本结构与信任基础。
本文仅代表作者个人观点（仅供参考） 来源：创客OPC原创整理
