Perplexity × NVIDIA Portable Computer：零 Token 成本本地 Agent 平台，数据不出设备

Portable Computer 运行在 NVIDIA 驱动的 Linux 硬件上，
典型平台：DGX Spark（桌面级 AI 工作站）等
要求：
· NVIDIA GPU（驱动已装好）
· Linux 系统（Ubuntu 等主流发行版）
· 足够内存/显存跑你选的模型
  （开源模型规模从 7B 到 70B+ 不等）

没有现成硬件？
· 先在云上租一台带 NVIDIA GPU 的 Linux 实例
  （如 A 系列/4090 档位）体验流程
· 确认工作流顺了，再决定是否采购本地硬件
  ——这是成本最低的试错路径。

官方安装路径（以官方文档为准）：
1. 在 Linux 上安装 Portable Computer 运行时
   （Perplexity 提供安装脚本 / 容器镜像）
2. 拉取并配置开源模型
   ——支持 Nemotron 等 NVIDIA 系开源模型，
   也可选你偏好的开源权重
3. 初始化工作区：挂载你的文件目录
   ——本地文件处理、工具调用都在这里发生

安装完成后跑一个「hello 任务」：
让 Agent 读取本地一个文件并总结，
确认模型 + 工具链 + 文件访问都通。

建议从「文档处理类」任务起步（本地强项）：
· 批量整理文件夹：重命名、归类、生成索引
· 本地文档问答：把资料丢进工作区，
  让 Agent 基于本地文件回答
· 定时工作流：每天读取本地数据，
  生成日报/周报，全程不产生 Token 费用

示例任务：
「把 ~/invoices 下的 PDF 发票按月份分类，
 生成一份汇总表到 ~/reports」

感受两个点：
1. 速度与质量：本地模型够不够用？
2. 成本：全程 0 Token 费用的体验

Portable Computer 不是「纯本地一刀切」：当任务需要更强能力（复杂推理、更大模型、实时联网）时，系统会先征求你的许可，再升级到云端模型。这解决了「本地模型能力不足」的最大痛点。

工作方式：
1. 任务到达 → 先尝试本地执行
2. 本地模型判断能力不足 / 任务超纲
   → 弹窗询问：是否升级云端？
3. 你同意 → 走云端模型，按云端计费
   你拒绝 → 保持本地，或任务降级处理

这意味着：
· 日常任务成本锁定为 0
· 关键时刻的能力上限没有天花板
· 每次「出网」都由你点头——成本可控、隐私可审

适合 Portable Computer 的人：
□ 数据敏感：客户资料、财务、研发代码不想出内网
□ 用量大而稳定：每天都在跑 Agent，Token 账单很高
□ 有 Linux 硬件/NVIDIA 设备，愿意自己运维
□ 想要「成本可预测」的固定开销

可能更适合云端/其他方案的人：
□ 没有本地硬件、也不想折腾运维
□ 任务要最新联网信息（本地模型需配合升级闸门）
□ 用量小、波动大——云端按量反而更划算
□ 需要顶级模型稳定输出——参考《本地隐私优先 Agent》
  的思路做分层：敏感任务本地，其余云端

方法论可对照《Agent Harness 选型指南》：
先盘你的数据敏感度与成本结构，再选平台。