抡锤者

我觉得本地化部署就两个场景适合：

1. 你有私密的数据。local agents场景，Openclaw或者Hermes真要能帮你干活，你得给他很多私密的数据，服务器的用户名密码，邮箱密码什么的。
2. 你的需求没有现成的外部算力平台，比如老特的那种定制化的数字人生产流水线。
   其他你要是写代码，爬资料之类的公共信息相关需求，直接买coding plan肯定更划算。

我第一台自己的PC也是手搓的，2000年 毒龙750+256M内存，20G硬盘。用了5年，最后加到512M内存做archlinux的NAS. 跑了电驴、samba、nfs什么的。记得当时硬盘都是并口，动静老大了，而且还特别烫手。

Rustdesk我一直在用效果不错。建议自架服务，不要用官方服务，安全第一。
内网穿透，方案很多了，我现在是手机ipv6的wireguard穿回来；如果你传大文件，建议用vmess这种伪装的协议，我架了一个vmess的ws，放在ipv6的网站下，作为传大文件和wg的备用。wg是基于udp的，用的多了容易被运营商卡速度，vmess+ws基于tcp没有这个问题。
如果不愿意用ipv6或者嫌不方便，可以考虑nat打洞，具体youtube上各大博主都有介绍，嫌麻烦就cloudflare，不怕麻烦就弄个小水管的vps做信息中转。我实测nat打洞还是挺方便的，各种网络环境都能回来。 cloudflare反代方案好在不用改端口，但是速度不太行，小流量延时不敏感的可以考虑。

今天看到一篇微信公众号文章： https://mp.weixin.qq.com/s/KQo-UBEOvtRMW5dK1bz6PQ
按照文章内容搭建了测试环境：

git clone https://github.com/ggml-org/llama.cpp llama.cpp-mtp
cd llama.cpp-mtp
git fetch origin pull/22673/head:pr-22673
git checkout pr-22673
mkdir build && cd build
cmake .. \
  -DCMAKE_BUILD_TYPE=Release \
  -DGGML_CUDA=ON \
  -DLLAMA_CURL=ON \
  -DGGML_NATIVE=ON \
  -DGGML_CUDA_GRAPHS=ON \
  -DGGML_CUDA_F16=ON \
  -DGGML_CUDA_FA_ALL_QUANTS=ON \
  -DCMAKE_CUDA_ARCHITECTURES=75   # 按需调整，89=Ada/4090，86=Ampere/3090
cmake --build . --config Release \
  --target llama-server llama-bench --parallel

下载了unsloth的开启MTP模型： https://huggingface.co/unsloth/Qwen3.6-27B-MTP-GGUF/resolve/main/Qwen3.6-27B-Q4_K_M.gguf -O ~/models/Qwen3.6-27B-MTP-Q4_K_M.gguf
不加载vision的情况下， 启动：

~/llama.cpp-mtp/build/bin/llama-server -m ~/models/Qwen3.6-27B-MTP-Q4_K_M.gguf \
--ctx-size 131072 \
--n-gpu-layers 999 \
-fa on \
--port 8000 \
--host 0.0.0.0 \
--cache-type-k q4_0 \
--cache-type-v q4_0 \
--no-mmap \
--no-warmup \
--reasoning off \
--jinja \
--parallel 1 \
--spec-type mtp \
--spec-draft-n-max 2 \
--chat-template-kwargs "{\"enable_thinking\": false, \"preserve_thinking\": false}"

128k上下文，显存占用20.5G，简单用cherrybox提了几个问题，prompt大概2k上下。 TPS从之前的27提升到了33左右。整体感觉快了20%。 coding场景没有测试，理论上应该提升更多。
另外，对于--spec-draft-n-max 的值，测了1,2,3。发现2时收益最大，能跑到33~34； 1和3都在30上下。 总体都比裸跑有提升。
最后挂上了vision，发了一张1M左右的图片测试了一下，TPS在28左右，显存占用21.75G。 我准备测几天，看看会不会OOM。
另外还有一个发现，开了MTP以后，显卡的utility下来了。之前基本上都在95%以上，功率一直顶着上限250W。开了MTP，tps上升的同时，utility基本上都在80%左右，功率也基本上不会满载了。估计是降低了开销，输出也降低，但是被MTP补偿了。

总体来讲，2080Ti这个卡应该没什么压榨空间了，跑Hermes太慢，适合跑好skill，布置好cron让他后台自己干活，不适合前台交互。