年度英伟达RTX Spark新电脑权威推荐：专为智能体打造的精选评测榜单

把当前的代码 Agent 接入真实业务场景，很快会暴露一个现实问题：它不能只会回答问题，还要能执行具体操作。

让 Agent 修复一个 Bug，它需要遍历项目目录、查看最近的 Git 提交、翻阅错误日志、打开文档、运行测试命令、生成补丁，最后把风险点交给你确认。让 Agent 整理一批资料，它得读取本地文件、建立索引、标注出处、生成摘要，同时确保敏感内容不离开本机。让 Agent 协助团队维护内部知识库，它还得搞清楚哪些文件可以访问、哪些系统可以连接、哪些操作必须先征得人工许可。

这时你会发现，仅靠云端大模型只解决了问题的一半。模型可以在云端持续迭代，但代码库留在本地，文档留在本地，浏览器、IDE、终端、企业账号也都在本地。如果 Agent 要真正嵌入工作流程，PC 的职责就要多出一层：除了供人使用，它还必须成为 Agent 的本地工作空间——存放模型、承载上下文、接入工具链、管理权限、保留日志。

当地时间 2026 年 5 月 31 日，英伟达（NVIDIA）在 GTC Taipei 2026 上宣布与 Microsoft 围绕 Windows PC 端侧 AI 展开合作，核心产品包括 RTX Spark Windows PC 和 DGX Station for Windows。前者面向个人开发者和普通用户，后者面向企业 AI 团队。如果把个人 PC、企业工作站和 Windows 端侧 AI 合作放在一起看，所谓“新 PC”可以这样理解：英伟达想把消费级 RTX 显卡、开发者设备 Spark、Windows AI 栈以及 Agent 运行时统统装进个人电脑，让本地 Agent 拥有一台能长期稳定工作的机器。

一、几个易混淆的名词

这次发布中几个名词很容易弄混：RTX、Spark、DGX、OpenShell。

如果你对英伟达比较熟悉，RTX 和 Spark 这两个词想必都不陌生。RTX 是英伟达的消费级产品线，最广为人知的就是各种显卡，比如 RTX 5090。而 Spark 源于去年推出的面向开发者的 DGX Spark。

用一个朴素的类比来说明：过去的个人电脑就像一张办公桌，浏览器、IDE、文档、终端全都靠人来切换操作。云端大模型出现后，相当于多了一个很聪明的远程同事，但他每次干活都得你把材料发过去，再把结果搬回来。RTX Spark 想做的，是在这张办公桌旁边给 Agent 单独安置一个固定工位。PC 的职责开始扩展：既要服务人的鼠标键盘操作，也要给能执行任务的 Agent 预留硬件和系统空间。

DGX 则更偏向企业和研发场景。DGX Station for Windows 面向桌边 AI 工作站，处理的是更大的模型、更敏感的数据、更重的团队任务。OpenShell 处于软件层，它承担 Agent 运行时的角色，负责让 Agent 调用工具时具备隔离、授权、审计和安全执行机制。

先用这张表把它们区分开：

NVIDIA 给 RTX Spark 设定的关键参数包括 Blackwell RTX GPU、定制 20 核 Grace CPU、6144 个 CUDA 核心、最高 1 PFLOP AI 性能以及 128GB 统一内存。DGX Station for Windows 则采用 GB300 Grace Blackwell Ultra Desktop Superchip，官方参数包括最高 748GB 一致性系统内存、20 PFLOPS FP4 AI 计算能力，以及最高 800Gb/s 网络带宽。

二、128GB 统一内存：给 Agent 一张更大的工作台

本地 Agent 最容易卡住的地方，往往集中在上下文和工具链上。

普通的聊天模型像是回答一张纸上的问题——你问一句，它答一句。Agent 的工作方式则更像把一堆材料摊在桌上：代码文件、错误日志、README、接口文档、测试输出、历史提交记录、浏览器页面、工具调用日志，所有这些都需要同时摆在手边。桌面太小，它就得一会儿收起，一会儿翻出，效率自然下降。

128GB 统一内存可以按照“工作台”这个概念来理解。它为本地模型、长上下文、代码索引、文档检索、工具缓存提供了更大的空间。统一内存的优势在于 CPU 和 GPU 处理任务时，可以围绕同一块更大的内存池协作，大大减少数据来回迁移的压力。实际体验还要看系统实现、模型量化、驱动和软件适配，但方向很明确：本地 Agent 不仅需要显卡的峰值性能，还需要能够长时间稳定容纳上下文的能力。

这里再区分几个容易混淆的概念。

这就是为什么 128GB 这个数字在 Agent PC 里比在普通办公电脑里更有意义。普通办公电脑多开几个应用，内存够用就行；本地 Agent 需要同时把模型和资料摊开，还要保留刚刚执行过的步骤。内存越小，它就越容易来回换出数据，任务速度变慢，也更容易丢失上下文。

举一个代码场景的例子。你让 Agent 修复一个测试失败，它可能需要执行以下步骤：

1. 读取仓库结构，了解项目分层方式；
2. 定位失败测试及其相关日志；
3. 打开被测模块和依赖文件；
4. 查阅接口文档或历史提交记录；
5. 调用测试命令；
6. 生成补丁；
7. 重新运行测试；
8. 解释修改了什么以及风险点。

每一步都需要占用上下文。如果模型只能看到很短的内容，它就会反复猜测；如果索引频繁重建，任务会变慢；如果日志和工具调用记录无法保留，Agent 很难知道自己刚刚做过什么。内存的意义在这里非常具体：它让 Agent 能够把更多材料放在手边。

换到普通文档场景也是一样。假设你让 Agent 整理一个项目的全部资料，它需要读取会议纪要、PRD、接口文档、历史邮件、截图说明和代码注释。最终交付的是一份带引用的报告，摘要可能只占其中一小段。在这个过程中，模型需要理解材料，检索系统需要找到来源，工具链需要记录引用，最后还要保留一份可追溯的执行日志。统一内存的作用，就是让这些内容尽量留在同一个本地工作区里。

三、1 PFLOP：它负责速度，但不等于完整体验

RTX Spark 最高 1 PFLOP 的 AI 性能非常引人注目。需要注意的是，这个数值对应的是 AI 推理场景下的特定计算口径，不能直接与日常应用速度、游戏帧率或普通 CPU 性能画等号。

更通俗地说，算力好比“干活速度”，内存好比“桌面大小”，工具链好比“能不能拿到螺丝刀、测试仪、文档和权限”。一个本地 Agent 的体验好坏，取决于这几件事的协同配合。

如果只有算力，Agent 也许回答问题很快，但读不到足够的代码。只有内存，模型能装下，但推理速度可能跟不上。只有模型而没有工具权限，它依然只能给建议，不能真正执行。RTX Spark 这类设备需要证明的是：它能否让这几部分在一台个人电脑上顺畅配合。

因此，评估 RTX Spark 这台“新 PC”时，不能只看一个数字。更有价值的问题包括：

• 它能在本地跑多大的模型？
• 跑这个模型时速度是否够用？
• 代码库索引能否长期保留？
• 工具调用是否稳定可靠？
• 多任务同时进行时会不会频繁卡顿？
• 风扇噪音、功耗、续航和价格能否被普通开发者接受？

这些问题比单独看 PFLOPS 更贴近真实使用场景。

可以把本地 Agent 需要的几类资源再压缩成一张表：

四、本地 Agent 的麻烦：它要动你的电脑

本地 AI 过去常被描述为三大好处：低延迟、隐私保护、断网可用。这些都没错，但 Agent 还多了一层难题：执行动作。

聊天模型给的建议，风险通常停留在文字层面。本地 Agent 如果能执行命令，风险就进入了电脑系统。它可能修改代码、删除文件、提交表单、调用浏览器、连接企业应用。能力越强，权限边界就越重要。

这也是为什么 OpenShell 和 Windows 安全栈值得单独关注。NVIDIA 将 OpenShell 描述为 Apache 2.0 许可的开源 Agent 运行时，用于承载隔离、授权、审计和安全执行。Microsoft 方面也提到 Windows 的身份验证、隔离机制、权限控制、本地 AI 加速和管理能力。

放到日常开发中，这些能力可以拆解成很具体的问题：

• Agent 能读取哪些文件夹，不能读取哪些文件夹？
• 它能否直接执行终端命令？
• 修改代码前是否需要弹出确认框？
• 每次工具调用是否都有日志记录？
• 出错后能否回放刚才的操作过程？
• 企业文件是否可以限制在本地环境中？

这部分如果做不好，本地 Agent 就很难放心大胆地使用。这也是“给 Agent 造一台新 PC”中最容易被忽略的一环：硬件容量解决的是“跑得动”，而 OpenShell 和 Windows 安全栈解决的是“管得住”。

五、DGX Station：企业要算的是本地模型账

DGX Station for Windows 面向桌边 AI 工作站场景。它离普通消费 PC 很远，更适合企业 AI 团队、模型研发团队以及需要处理私有数据的团队。

企业为什么需要这种设备？因为很多任务天然带有数据边界。代码仓库、芯片设计、工业仿真、客户数据、财务表格、内部知识库——这些东西不一定适合直接丢给云端模型。团队还需要考虑运行日志、权限控制、审计要求、成本预算以及与现有企业软件的连接方式。

NVIDIA 在企业 Agent 生态中提到了 Cadence、SAP、ServiceNow 等合作伙伴，这表明它瞄准的是企业工作流。芯片验证、企业服务、业务系统、内部知识管理都属于长链路任务。DGX Station for Windows 提供的是一条桌边路线：团队不必先搭建一整套 AI 数据中心，也能在本地进行大模型开发、推理验证和企业 Agent 实验。

可以把两条产品线再浓缩成一句话：RTX Spark 解决个人开发者的本地 Agent 工位，DGX Station for Windows 解决企业团队的本地模型工位。

六、普通开发者该怎么判断它有没有用

现在下结论还为时过早。RTX Spark Windows PC 的 OEM 机型、价格、功耗、散热、续航以及实际上市节奏，都需要等待后续产品页和独立评测。现阶段更有意义的做法，是提前想好测试方法。

第一个测试是代码库任务。拿一个中等规模的仓库，让本地 Agent 完成“定位失败测试 → 解释原因 → 修改代码 → 重跑测试 → 生成补丁说明”的完整流程。这个测试能看出模型能否读懂项目，也能检验工具调用、测试命令、日志回放是否流畅。

第二个测试是本地文档任务。准备一批项目文档或企业内部文档，让 Agent 在不上传云端的前提下完成检索、总结、交叉引用和报告生成。这个测试主要看统一内存、向量索引和本地模型上下文能否撑住真实材料规模。

第三个测试是权限和审计任务。让 Agent 调用文件、终端、浏览器和 IDE，记录每次授权、拒绝、失败和回滚。这个测试会直接暴露 OpenShell 与 Windows 安全能力的产品体验。

如果这三项都能跑顺，RTX Spark 才算配得上“给本地 Agent 造的新 PC”这个判断。否则，它只是又一台参数很强的新电脑。

小结

RTX Spark 这次可以先按一个问题来理解：英伟达想给本地 Agent 造的新 PC，到底要补齐哪些能力？

第一层是硬件容量，负责模型、上下文和本地推理；第二层是 Windows 端侧 AI 栈，负责调度、内存和加速；第三层是 OpenShell 这类运行时，负责工具调用、权限和审计；第四层是企业桌边 AI 工作站，负责更大的模型和更敏感的数据。把这些拼在一起，PC 才可能从“运行软件的机器”变成“承载 Agent 长任务的本地工作区”。

短期内，开发者可以先关注四件事：RTX Spark OEM 机型什么时候上市，128GB 统一内存在真实本地任务中的表现，OpenShell 有没有足够完整的示例项目，以及 Windows 侧 Agent 权限和审计体验是否自然。等这些答案出来，再判断 RTX Spark 是否真的能成为一台好用的本地 Agent PC。

参考资料

• NVIDIA Newsroom：RTX Spark 与 Windows PC 合作发布：https://nvidianews.nvidia.com/news/nvidia-microsoft-windows-pcs-agents-rtx-spark
• Microsoft Windows Blog：Windows PC 端侧 AI 技术协作：https://blogs.windows.com/windowsexperience/2026/05/31/nvidia-and-microsoft-announce-deep-technology-collaboration-to-advance-on-device-ai-on-windows-pcs/
• NVIDIA Newsroom：DGX Station for Windows：https://nvidianews.nvidia.com/news/nvidia-dgx-station-for-windows-puts-a-trillion-parameter-ai-supercomputer-on-every-enterprise-desk
• NVIDIA Developer Blog：OpenShell Agent 运行时：https://developer.nvidia.com/blog/run-autonomous-self-evolving-agents-more-safely-with-nvidia-openshell/
• NVIDIA Newsroom：企业软件伙伴与 NVIDIA Agent 生态：https://nvidianews.nvidia.com/news/enterprise-software-leaders-build-ai-agents-with-nvidia