Qwen3.6:27B 本地部署与 Agent 实测：Ollama + OpenClaw 使用体验

你好，我是郭震！

这篇记录我把 Qwen3.6:27B 跑在本地，并接入 OpenClaw/MyClaw 做 Agent 任务的三天实测。

如果你在搜“Qwen3.6:27B 本地部署”“Ollama 运行 Qwen3.6”“本地模型接入 OpenClaw”，可以先看这里。文章会覆盖模型下载、电脑配置、OpenClaw 连接、Agent 工具调用和实际任务表现。

先说结论：Qwen3.6:27B 的看点不是单纯聊天，而是能不能在本地算力里承担 Agent 工作流。它对显存有要求，但一旦跑起来，用来测试本地自动化和多模型协同很有参考价值。

相关阅读：显存和量化选择可以看 本地大模型部署专题，Agent 工作流可以看 AI Agent 专题，模型对比可以看 大模型榜单与模型选型。

Qwen3.6:27B，最近刷屏，被誉为开源小模型之王，27B参数竟然能碾压一众几百B的超大杯模型，包括GPT 5，接近Qwen3.6 Plus，如下是vals.ai的榜单截图：

27B参数拿到这样结果，着实有些离谱了，那么到底在实际生产中，效果几何呢？

于是，我实测了Qwen3.6:27B 三天，总结为笔记，感兴趣的可以看看。

1 本地部署Qwen3.6:27B

我喜欢使用ollama部署，如下图所示，打开cmd窗口，输入命令：

等待模型自动下载完成后，就可以直接在本地运行。

对机器配置要求比较好的显卡，最好显存在24GB以上：

如果不够，可以使用Qwen3.5:9B这种更小的模型。

Ollama不需要复杂环境，也不需要单独配置 Python、CUDA 或各种依赖。对普通用户来说，Ollama 的好处就是：一条命令，把模型拉下来，直接开用。

本地部署完成后，我主要把它接入到龙虾（OpenClaw）中，作为本地模型来“养虾”，这样不再消耗 Token 成本。

在这个基础上，我重点测试了它在龙虾环境下的 Agent 能力表现，包括任务理解、工具调用以及多步骤执行的稳定性。

2 安装龙虾MyClaw

使用的是我们团队研发的本地龙虾MyClaw：

https://deepseekmine.com/myclaw

软件安装非常简单，安装后直接使用龙虾，也不需要自己手动安装依赖和环境，如下为软件首页：

安装后配置为本地算力：qwen3.6:27b，配置方法如下所示：

弹出对话框，点击 Add Provider：

找到Ollama：

填写qwen3.6:27b，其他不需要填写：

配置好后，可以提问它，ollama安装了哪些模型：

回答准确：

3 实测Agent能力

我测试了 Qwen3.6:27B 的 Agent 任务处理能力，例如读取本地磁盘中的视频文件，并调用 Qwen3-VL:8B 多模态模型来完成视频内容理解。

这类任务涉及文件系统操作 + 多模型协同 + 跨模态推理，是对 Agent 能力的一种更高强度测试。

提取结果如下所示：

整体来看，这套方案已经可以跑通完整链路：从本地读取视频 → 调用多模态模型 → 输出结构化分析报告，Agent 能力是成立的。

Qwen3.6:27B 已经具备很好的 Agent 能力，可以自主选择调用多模态模型来完成视频理解等复杂任务，如下问它是使用哪个模型理解的，回答qwen3-vl:8b

接下来，再把这条视频语音提取出文本字幕，如下所示：

过一会，自动在本地把视频音频字幕全部提取出来：

并且一共转出四种格式：

这种时间轴和视频字幕，为我们批量处理视频，理解视频信息带来很大帮助。

最后总结

三天实测Qwen3.6:27B下来看到，全都在本地 + 龙虾（MyClaw）环境下，全部使用本地电脑算力，没有使用任何外部算力，已经可以跑通：本地文件读取 → 工具调用 → 多模态协同 → 结构化输出

这对于需要** 高频处理长视频、做内容分发、做自动化剪辑** 的人来说，意义非常直接：不再被 Token 限制，真正实现“算力在本地，能力在手里”。

结论：Qwen3.6:27B，用于养虾完全没有问题！

全文 1288 字，21 图，如果你觉得这篇文章对你有帮助，也欢迎给我一个三连击：点赞、转发和在看；如果可以，再帮我点一个⭐️。谢谢你看到这里，我们下篇再见。