Mac mini 本地AI工作站配置指南（2026实战）：从零打造 M4 Mac mini AI 开发环境

Mac mini 本地AI工作站配置指南（2026实战）：从零打造 M4 Mac mini AI 开发环境

前言

Mac mini M4 成了 2026 年最热门的 AI 硬件——Apple Silicon 架构，功耗低、散热好、安静，是目前性价比最高的本地大模型运行设备。

本文是一份从零到跑起来的完整实战指南，覆盖：系统配置 → LocalClaw 安装 → Ollama 模型管理 → 推荐模型组合，全部实操验证，代码可运行。

价格说明：Mac mini M4 起始售价 $599（美国 Apple 官网 2024 年 10 月公布），中国售价 ¥5,499 起（以 Apple 中国官网实际定价为准）。

一、为什么 Mac mini M4 是本地 AI 最优解？

先看数据：

结论：Mac mini M4 是目前最适合普通开发者的本地 AI 工作站。功耗低、噪音低、性能强，稳定性有保障。

二、系统配置（必须做！）

2.1 升级 macOS

确保系统是最新版本，获取最新的 Metal 驱动和 Neural Engine 优化：

# 检查当前版本
sw_vers
# 输出: ProductName: macOS, ProductVersion: 15.4, BuildVersion: 26E232

# 如果不是最新，通过「系统设置」→「通用」→「软件更新」升级

2.2 开启终端权限

# 打开「系统设置」→「隐私与安全性」
# 向下滚动，找到「终端」并授权

2.3 创建专用目录

# 推荐统一的工作目录结构
mkdir -p ~/AI-Workstation/{models,projects,scripts}

三、安装 LocalClaw（核心工具）

3.1 下载安装

3.2 首次启动配置

首次打开 LocalClaw，会提示配置：

┌──────────────────────────────────────────┐
│ 🦞 LocalClaw 初始配置 │
├──────────────────────────────────────────┤
│ │
│ 欢迎使用 LocalClaw！ │
│ │
│ 模型存储位置： │
│ /Users/你的用户名/AI-Workstation/models │
│ │
│ 首次使用推荐模型： │
│ ○ Qwen3.5-4B（轻量，日常首选） │
│ ○ Qwen3.6（国产最新，中文优化） │
│ ○ gemma4:e4b（Google小钢炮） │
│ │
│ [开始使用] │
└──────────────────────────────────────────┘

推荐选择 Qwen3.5-4B 作为默认模型——日常使用完全够用，响应快，内存占用低。

3.3 验证安装

安装完成后，打开 LocalClaw 主界面，确认：

✅ 模型市场：可用
✅ 专家Agent：147个模板已加载
✅ 当前模型：Qwen3.5-4B
✅ 状态：正常运行

四、安装 Ollama（手动管理模型）

虽然 LocalClaw 内置 Ollama，但如果你想手动管理模型，可以用以下命令：

4.1 安装 Ollama

# macOS 安装
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama –version
# 输出: ollama version 0.21.0

4.2 下载推荐模型

# Qwen3.5-4B（推荐日常用，约2.4GB）
ollama pull qwen3.5:4b

# Qwen3.6（约4.7GB，效果更好）
ollama pull qwen3.6

# gemma4:e4b（Google小钢炮，约1.8GB）
ollama pull gemma4:e4b

# DeepSeek V4 Q4量化版（约18GB，M4 32GB可用）
ollama pull deepseek-v4:q4_k_m

4.3 查看已下载模型

ollama list
# 输出示例：
# NAME ID SIZE MODIFIED
# qwen3.5:4b a1b2c3d4… 2.4GB 2026-04-29
# qwen3.6 e5f6g7h8… 4.7GB 2026-04-29
# gemma4:e4b i9j0k1l2… 1.8GB 2026-04-28

五、模型选择指南（按场景）

场景1：日常开发辅助（推荐 Qwen3.5-4B）

# 启动 Qwen3.5-4B
ollama run qwen3.5:4b

# 测试对话
>>> 帮我写一个 Python 的装饰器，用于记录函数执行时间

输出：

import time
from functools import wraps

def timer(func):
@wraps(func)
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
end = time.time()
print(f"{func.__name__} 执行耗时: {end – start:.4f}秒")
return result
return wrapper

# 使用示例
@timer
def slow_function():
time.sleep(1)
return "完成"

result = slow_function() # 输出: slow_function 执行耗时: 1.0001秒

场景2：复杂推理任务（推荐 Qwen3.6 或 DeepSeek V4）

# 如果你下载了 Qwen3.6
ollama run qwen3.6

# 或者 DeepSeek V4（需要 32GB 内存）
ollama run deepseek-v4:q4_k_m

场景3：轻量任务、移动端同步（推荐 gemma4:e4b）

ollama run gemma4:e4b

六、M4 Mac mini 内存配置建议（2026实战）

⚠️ 重要提示：Mac mini M4 的内存是统一内存，GPU 和 CPU 共享。如果跑大模型，建议留 4GB 给系统，否则会影响响应速度。

七、进阶配置：打造完整 AI 工作流

7.1 设置默认模型别名

# 编辑 ~/.zshrc 或 ~/.bashrc
alias ai="ollama run qwen3.5:4b"
alias ai-pro="ollama run qwen3.6"

# 生效
source ~/.zshrc

7.2 本地 API 服务（可选）

如果你想通过 API 调用本地模型：

# 启动 Ollama API 服务
ollama serve

# 新终端窗口测试
curl http://localhost:11434/api/generate -d '{
"model": "qwen3.5:4b",
"prompt": "你好",
"stream": false
}'

7.3 与 LocalClaw 的协同

LocalClaw 的核心优势是147个专家Agent模板——不需要每次都写提示词，直接调用现成的模板：

┌─────────────────────────────────────────┐
│ 🦞 LocalClaw 专家Agent │
├─────────────────────────────────────────┤
│ 📝 写作助手 💻 代码助手 📊 数据分析 │
│ 🌐 翻译助手 📚 研究助手 🎨 创意助手 │
│ …（共147个） │
└─────────────────────────────────────────┘

你可以用 LocalClaw 的专家Agent处理日常任务，需要复杂推理时切换到 DeepSeek V4 或 Qwen3.6——本地+云端智能切换，日常零 Token 费用。

八、实测数据（M4 Mac mini 32GB）

以下是各模型在 M4 Mac mini 32GB 上的实测数据：

九、避坑指南

坑1：Mac mini M4 16GB 跑 DeepSeek V4 太卡

症状：运行 DeepSeek V4 时，系统变慢，响应极慢。 原因：DeepSeek V4 Q4 量化版需要 ~16GB 内存，16GB Mac mini 剩余空间不足。 解决：用 Qwen3.6 代替，或者升级到 32GB 版本。

坑2：模型下载中断

症状：下载到一半失败。 解决：用 ollama pull 命令下载，支持断点续传：

ollama pull qwen3.6
# 如果中断，重新运行命令即可续传

坑3：LocalClaw 模型切换不生效

症状：切换了模型，但 Agent 还在用旧模型。 解决：完全退出 LocalClaw（Cmd+Q），重新打开。

十、总结

M4 Mac mini + LocalClaw = 目前最适合普通开发者的本地 AI 工作站：

• 零门槛：安装简单，图形界面
• 零 Token 费用：日常任务本地处理
• 数据不上云：隐私完全本地
• 147个专家Agent：拿来即用，覆盖各种场景

下一步：