多智能体架构带来的一个副作用，常被讨论得不够：瓶颈往往不在模型能力，而在同一块 GPU 上排队的推理请求。当一个主智能体把任务拆给若干子智能体并行处理时，从用户视角看是「一个任务」，到了推理层却可能变成几十次独立调用。如果这些调用全部指向本机同一个推理引擎，它们就要争抢同样的执行槽位，队列拉长，主力机器被占满——哪怕局域网里还有别的兼容算力正在闲置。
NVIDIA 在 9 月初发布的 PAIR（Personal AI Router）正是冲这个问题来的。它免费、开源、以测试版形式提供 Windows、macOS 与 Linux 版本，并在 IFA 2026 的本地 AI 布局中一同亮相。它要做的，是让推理层能够随智能体一起「变宽」，而不是让智能体去迁就单台机器。
PAIR 是什么，不是什么
官方对它的定义很克制：PAIR 是一个虚拟推理路由器，而不是一个新的推理引擎。模型仍然由 Ollama 或 LM Studio 在被选中的那台机器上运行，PAIR 只负责发现参与节点、跟踪各节点是否就绪、调度独立任务，并把结果回传给最初发起请求的应用。智能体依然通过它熟悉的本机接口发出请求，PAIR 在其背后完成放置。
这种设计选择的意义在于兼容性。凡是能设置 base URL 的本地 AI 前端与智能体框架，都可以继续指向同一个端点，不必为新的集群 API 做改造。用官方的话说，是「智能体决定要请求什么工作，PAIR 决定合适的工作该在哪里运行」。
支持的硬件与系统
PAIR 的兼容面比想象中宽：NVIDIA GeForce RTX 20 系列及更新显卡、Turing 架构及更新的 RTX PRO 工作站 GPU、DGX Spark，以及 Apple M4 或更新芯片的设备。操作系统覆盖 Windows 11、Linux 与 macOS（x64 与 arm64），最低要求 8GB 内存与约 20GB 可用磁盘。不同操作系统的节点可以自由配对，异构混编是被支持的。据报道，Perplexity Portable Computer、Hermes Agent 与 OpenClaw 等应用已获得面向本地部署的优化支持。
工作机制：发现、配对、调度
PAIR 通过 mDNS 在局域网内发现邻近系统，然后等待用户批准一次安全配对请求——在配对完成前，节点之间的通信是被阻断的，流量则用基于生成证书的 MTLS 加密。调度器会按就绪状态、已启用的引擎、精确的模型可用性、当前任务负载与 GPU 利用率来筛选节点，再把每个请求分配到一个节点上。模型并不需要装在每台机器上，PAIR 可以按模型所在位置路由，甚至协助安装引擎或启动模型下载。
官方演示的数字
在发布演示中，Hermes Desktop 运行五个子智能体，使用的是 Qwen 3.6 35B A3B 模型。仅在一台 RTX Spark 笔记本上，任务耗时约 18 分钟；由一台 RTX Spark 笔记本、一台 DGX Spark 与一台搭载 RTX 5090 的台式机组成的三设备集群，平均只需 8 分 48 秒，耗时缩短约一半。需要强调，NVIDIA 自己就说明这是配置特定的演示而非基准测试，实际结果取决于工作负载的并行度、模型、引擎设置、硬件与网络。
它明确不做的事
这一条比功能列表更重要。根据 GitHub 仓库说明，PAIR 不合并显存、不把多块 GPU 组合成一个更大的逻辑 GPU、不把一个模型切分到多台机器，也不把一个进行中的推理请求拆到多个节点上。每个独立请求只落在一个节点上，并在那里完整执行。
换句话说，PAIR 是并发独立请求的负载均衡器，而不是 vLLM 张量并行那样的分布式推理引擎。一个单一大模型仍然需要装进一台机器里。NVIDIA 把这称为「工作负载级并发」。这决定了两条边界：多子智能体并行是最直接的受益场景；而单会话、长上下文的连续对话，收益相当有限。
为什么它对私有化部署有意义
PAIR 在隐私上的卖点很直白：它被设计为让提示词、数据与推理流量都留在用户既有的局域网内，节点通信由 MTLS 封住。智能体工作负载获得了更高吞吐，却不必有一个字节流向云端 API。它同时改变了本地智能体的经济性——多数家庭或小团队手里本就有两三块一天里大部分时间闲置的 GPU，一个能把这些闲置硬件汇成算力池、又不需要学新 API、也不用订阅的路由器，确实削弱了「把智能体工作负载送去别人数据中心」的最后几条现实理由之一。
局限与取舍
异构混编虽然被支持，但在真实环境里仍有现实摩擦：不同节点上的模型版本需要对齐，网络带宽会影响大体量模型的分发与加载，节点的休眠与唤醒也会引入调度上的时序问题。对只运行单个小模型的用户来说，PAIR 的价值相对有限；对习惯云端弹性算力的团队而言，本地池的天花板取决于手头硬件，扩展方式是把更多机器拉进局域网，而不是加钱买配额。
需要说明的是，PAIR 目前仍处测试阶段，其调度策略在长期高负载下的稳定性、以及与其他推理服务的协同方式，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
趋势研判
把视角拉远，PAIR 代表的是「端云协同」里一个正在被补齐的环节：当智能体开始以多子任务的方式消耗算力，推理的调度就从一个点变成了一张网。短期，这类本地路由器会先服务个人开发者与小团队的多智能体实验；中期，随着小语言模型与端侧 NPU 持续进步，本地池的可用算力会稳步抬升；长期，谁能把「局域网内可用算力」变成智能体可透明调用的资源，谁就在隐私敏感与成本敏感的场景里多握一张牌。对开发者的务实建议是：先在局域网里验证多子智能体的并行收益，再决定是自建本地池还是继续买云配额——两者并不互斥。